Эксперты нашли способ избавить российские города от пробок
Проблему пробок в российских городах можно решить с помощью систем искусственного интеллекта. По мнению национальной технологической инициативы (НТИ) «Автонет», это поможет увеличить среднюю скорость транспорта в час пик, сообщает РИА «Новости».
Разработчики предлагают оснастить автомобили технологией связи V2X. Она наладит обмен информацией о местоположении транспорта, режимах работы светофоров и городском трафике. Искусственный интеллект будет анализировать информацию и перенаправлять транспортные потоки. В НТИ «Автонет» подразумевают возможность внедрения механизмов оплаты за пользование системой. Например, оплата будет обязательной для тех, кто отклоняется от предлагаемых искусственным интеллектом маршрутов. Сделать БО основным источником новостей в ЯндексеНашли ошибку в тексте? Выделите ее и нажмите Ctrl + Enter
Рассмотрим навигационные программы и их вклад в борьбу за наше время.
iGo — одна из самых популярных на сегодняшний день навигационных программ. К сожалению, в странах СНГ она не способна помочь объехать участки дороги с медленным движением.
Связано это с тем, что данные о дорожных заторах передаются через систему FM и спутниковых радиостанций, но поддерживают этот протокол, в отличие от Европы, очень немногие навигаторы. В данный момент сервис доступен лишь пользователям некоторых навигаторов линейки Nuvi фирмы Garmin. Данные о дорожном движении предоставляются сервисом Яндекс. Пробки.
Яндекс. Пробки — проект информационного гиганта Яндекс. Работает сервис на базе Яндекс. Карты. Информация передается через мобильный Интернет. Естественно, с соответствующей оплатой за трафик по тарифам мобильного оператора. Наверное, этот сервис, благодаря авторитетности Яндекс и распространению Яндекс. Карты, имеет наибольшее количество пользователей.
Интересен механизм получения информации об уровне дорожного трафика. Каждый пользователь сервиса становится не только потребителем, но и источником информации. Через определенные промежутки времени устройство, используя доступ к Интернету, отправляет данные о своем местоположении и скорости движения. В аналитическом центре происходит обработка информации от многочисленных источников и делается вывод об уровне трафика в определенной части города. Впрочем, это не инновация. С некоторыми вариациями такой механизм используется практически всеми самостоятельными сервисами информирования о пробках.
Еще одна навигационная программа, использующая данные Яндекс. Пробки — Автоспутник, разработка российского ООО «Навигационные системы».
Навител. Пробки — еще один самостоятельный бесплатный сервис для пользователей навигационной программы Навител Навигатор, разработчиком которой является Центр Навигационных Технологий. Работает сервис в России, Украине, Республике Беларусь и в Казахстане. И работает примерно по такому же принципу, как и Яндекс. Пробки — сбор и обработка информации от пользователей и других источников.
Прогород Пробки — тоже самостоятельный сервис, позиционирующийся разработчиками как «сверхбюджетный». При этом по функциональности основным конкурентам не уступает ничуть. Разработчик — компания «Сидиком Навигация» — сотрудничает с информационным порталом Рамблер. Информация о пробках доступна в онлайн-режиме на Рамблер. Карты.
Покрытие навигационных карт — огромное. По информации компании, над картами работает наибольшая, по сравнению с другими сервисами, команда. Ее специалисты постоянно проводят работу над детализацией карт, обновляют информацию и расширяют список POI (Pionts of interest).
Сомнения насчет сверхбюджетности Прогород Пробки развеиваются, стоит только почитать детальные обзоры сервиса, результаты сравнительных тестирований и отзывы на форумах. Для уверенности — программу можно опробовать.
Справедливости ради стоит отметить, что большой разницы между навигационными программами нет. Отличаются интерфейс и оптимальность вычисления маршрута. Похожи: отображение основной информации, принцип работы, получение информации из внешнего источника (мобильный Интернет, FM и спутниковое радио). Самый надежный способ выбора конкретной программы — перепробовать все и оставить наиболее понравившуюся.
В статье рассмотрены лишь некоторые навигационные программы, предоставляющие информацию об уровне движения.
Недавнее исследование, проведенное на дорогах Мичигана и опубликованное в журнале Transportation Research Part C показало, что даже единственный автопилотируемый автомобиль на дороге, используя технологию V2V, способен значительно снизить эффект от так называемых «фантомных пробок». «Фантомными пробками» называют пробки, возникшие на пустом месте, когда нет объективной причины, например перекрытия дороги или ДТП, которые физически создают бутылочное горлышко. Достаточно хорошо причину образования подобных пробок иллюстрирует видео ниже:
https://youtube.com/watch?v=2Loi9YyOz4k%3Fwmode%3Dopaque%26rel%3D0
Когда один из автомобилей начинает торможение (сторого говоря — не обязательно тормозить в пол, чтобы создать пробку) — следующий за ним автомобиль, в силу ограничений времени реакции человека, в среднем затормозит сильнее, дабы сохранить безопасную дистанцию, в сколько нибудь плотном потоке автомобилей эффект распространяется по цепочке, уменьшая скорость потока по мере удаления от инициатора затора, вплоть до полной остановки. В поставленном эксперименте цепочка автомобилей под управлением обычных водителей двигалась со скростью 90км/ч, при этом в случайные моменты времени один из автомобилей притормаживал, с каждым разом увеличивая силу торможения. В результате даже в случае слегка более агрессивного чем обычно торможения одного из автомобилей — 10й автомобиль в цепочке был вынужден в какой-то момент времени полностью остановиться. Затем эксперимент был повторен, однако один из автомобилей в цепочке действовал под управлением автоплота с полученим информации о дорожной обстановке от других автомобилей (так называемые системы vehicle2vehicle и vehicle2infrastructure, первая из них подразумевает обмен информацией о дорожной обстановке между автомобилями, вторая — между автомобилем и собственно дорожной инфраструктурой).
Предупреждение: Осторожно, резкое торможение впереди
В момент торможения одного из автомобилей впереди — автопилот моментально получал сигнал об этом и плавно подстраивал свою скорость не дожидаясь пока «волна» дойдет до него. Вкупе с изначальным поддержанием адекватного расстояния до впереди идущего автомобиля — удалось достичь столь плавного торможения, что даже кофе в салоне автопилота не проливался из стаканов. Управляемые людьми автмобили позади автопилота так же могли тормозить более мягко, достаточно для того, чтобы волна после автопилота полностью затухала и не приводила к stop&go траффику. В то время когда люди, управляющие автомобилями впереди, постоянно попеременно жали газ и тормоз, автопилот, благодаря обмену информацией и прогнозированию, двигался с практически постоянной скоростью, приближаясь к впереди едущему автомобилю когда тот тормозил и позволяя ему удалиться немного дальше, когда он резко дает газ. Похожий эксперимент был проведен в Мае 2017 года университетом штата Иллиной, показавший что если хотя бы 5% автомобилей в потоке будут под управлением автопилота хотя бы в ряде сценариев — это может полностью предотвратить возникновение ряда пробок. Подобную систему в динамике наглядно можно посмотреть ниже:
https://youtube.com/watch?v=2mBjYZTeaTc%3Fwmode%3Dopaque%26rel%3D0
В результате благодаря лишь одному автопилоту исследователи получили в ряде случаев вплоть до 40-кратно (ноль не лишний) снижения количества торможений. В среднем же единственный автопилот позволил добиться 14% увеличения пропускной способности дороги. Оба исследования показывают значительную экономию топлива. В среднем около 10% для автомобилей следующих за автопилотом и 20-30% для самого автопилотируемого автомобиля.
Подобные исследования, причем на более фундаментальном уровне, проводились и до того, как началось внедрение автопилотов, так, в 2008 году в Японии исследовательская группа под руководством Юки Сугиямы получила, как они ее назвали, фундаментальную диаграмму транспортного потока.
Фундаментальная диаграмма транспортного потока
Исследуя зависимость пропускной способности дороги (автомобилей в единицу времени) от расстояния между автомобилями (выраженное в количестве автомобилей на единицу расстояния) ученые пришли к выводу, что при превышении критической плотности автомобилей (около 25 автомобилей на километр дороги) происходит «кристаллизация» и пропускная способность дороги резко падает ввиду появления плодотворной почвы для распространения «волн» торможения. До 25 автомобилей на километр пропускная способность растет линейно, после чего достаточно резко падает. Причины все те же — человеческий фактор, ограничения на время реакции, отсутствие точных данных о дорожной обстановке. Повсеместное использование автопилотов позволит поднять этот порог, одновременно снизив объем выбросов и увеличив комфорт пассажиров за счет более равномерного движения.
В качестве приятного бонуса для водителей позади автопилота, которые ещё не успели обзавестись собственным автопилотируемым авто будет уменьшение риска ДТП (ввиду плавности движения), а так же уменьшение уровня неудобств и стресса на дороге благодаря радикальному снижению числа необходимых торможений/разгонов.
Почему дорожное движение внезапно превращается в пробку
Одним из самых непонятных явлений в автомобильной поездке становятся внезапно возникающие фантомные пробки. Большинство из нас с этим сталкивалось: машина перед вами внезапно тормозит, заставляя тормозить вас, что заставляет тормозить водителя за вами. Но вскоре вы и окружающие вас машины снова ускоряются до исходной скорости, и становится очевидно, что на дороге нет ни видимых препятствий, ни заметных причин для замедления.
Так как движение быстро восстанавливает исходную скорость, фантомные пробки обычно не вызывают серьёзных задержек. Но не являются они и просто малозначительными досадными помехами. Это очаги аварий, потому что они заставляют неожиданно тормозить. А дёрганое движение, к которому они приводят, вредит автомобилю, снижает ресурс и повышает потребление топлива.
Так что же происходит? Для ответа на этот вопрос математики, физики и инженеры-транспортники разработали множество различных видов моделей трафика. Например, микроскопические модели вычисляют пути отдельных автомобилей и хорошо подходят для описания взаимодействия единичных машин. Макроскопические модели описывают трафик в виде жидкости, а машины в ней интерпретируются как частицы жидкости. Они эффективны при изучении крупномасштабных явлений с участием множества автомобилей. Наконец, клеточные модели разделяют дорогу на сегменты и предписывают правила, по которым машины движутся из клетки в клетку, создавая структуру для описания неопределённости, присущей реальному дорожному движению. Для того, чтобы начать понимать причины формирования фантомных пробок, нам сначала нужно узнать о множестве эффектов, присутствующих в реальном трафике, которые, вероятно, могут вносить свой вклад в образование пробки: разные типы транспорта и водителей, непредсказуемое поведение, въезд и съезд с магистрали, смена полос движения, и так далее. Можно предположить, что некое сочетание этих эффектов необходимо для создания фантомной пробки. Одно из огромных преимуществ изучения математических моделей заключается в том, что все эти различные эффекты в теоретическом анализе или компьютерной симуляции можно отключить. Так мы можем создать группу одинаковых предсказуемых водителей, едущих по однополосному шоссе без всяких съездов с него. Другими словами, идеальную дорогу до дома.
Как ни удивительно, но при отключении всех этих воздействий фантомные пробки всё равно возникают! Это наблюдение говорит нам, что фантомные пробки — не вина отдельных водителей, но результат коллективного поведения всех водителей на дороге. Это работает так. Представьте однородный поток транспорта: все машины равномерно распределены по шоссе и едут с одной скоростью. В совершенных условиях такой идеальный трафик может сохраняться вечно. Однако в реальности движение постоянно подвергается небольшим колебаниям: несовершенство асфальтового покрытия, небольшие проблемы с двигателями, доли секунды, на которые водитель ослабляет внимание, и так далее. Для прогнозирования эволюции такого транспортного потока нужно ответить на важный вопрос: все эти небольшие колебания затухают или усиливаются?
Если они затухают, то поток стабилен и пробки отсутствуют. Но если они усиливаются, то однородный поток становится нестабильным, а небольшие колебания вырастают в движущиеся назад волны, названные «джемитонами» (jamitons, от jam — пробка). Такие волны можно наблюдать в реальности, они заметны в различных видах моделей и компьютерных симуляций, а также были воссозданы в тщательно контролируемых экспериментах.
В макроскопических (гидродинамических) моделях каждый водитель, интерпретируемый как частица жидкости транспортного потока, наблюдает локальную плотность трафика вокруг себя в любой момент времени и соответствующим образом выбирает скорость, которой нужно придерживаться: высокую, если поблизости мало машин, или низкую при большом заторе. Затем он ускоряется или замедляется до этой целевой скорости. Кроме того, он предполагает, что трафик будет делать дальше. Этот эффект движения с прогнозированием моделируется «давлением трафика», который во многом ведёт себя аналогично давлению в реальной жидкости.
Математический анализ моделей дорожного движения показывает, что эти два эффекта соперничают. Задержка перед достижением нужной скорости приводит к росту колебаний, а давление трафика гасит колебания. Состояние однородного потока стабильно, если доминирует эффект предсказания, а это бывает при низкой плотности потока. Эффект задержки доминирует при высокой плотности трафика, что вызывает дестабилизацию и в конце концов фантомные пробки.
Переход от однородного потока к потоку, в котором доминирует джемитон, схож с тем, как вода переходит из жидкого состояния в газообразное. В потоке машин этот фазовый переход происходит, когда плотность потока достигает определённого критического порога, при котором ожидания водителей уравновешиваются эффектом задержки при регулировании скорости. Самый удивительный аспект этого фазового перехода заключается в том, что характер движения кардинально меняется, хотя отдельные водители вообще не меняют своего поведения.
Видео возникновения джемитона. Поток, текущий слева направо, приводит к распространению джемитона справа налево. Вертикальная ось обозначает плотность машин на дороге. Резкий переход от низкой к высокой плотности (и от высокой к низкой скорости) является характеристикой всех джемитонов.
Следовательно, возникновение волн трафика (джемитонов) можно объяснить поведением при фазовом переходе. Но чтобы понять, как предотвращать фантомные пробки, надо также разобраться в подробностях структуры полностью устоявшегося джемитона. В макроскопических моделях трафика джемитоны являются математическим аналогом детонационных волн, которые в реальном мире возникают во время взрывов. У всех джемитонов есть локализованная область высокой плотности трафика и низкой скорости. Переход от высокой к низкой скорости чрезвычайно резок — как ударная волна в жидкости. Машины, столкнувшиеся с ударной волной, вынуждены резко тормозить. После удара есть «зона реакции», в которой водители пытаются снова ускориться до исходной скорости. Наконец, в конце фантомной пробки с точки зрения водителей находится «точка линии перехода через скорость звука».
Название «точка линии перехода через скорость звука» (sonic point) возникло из аналогии с детонационными волнами. При взрыве это такая точка, в которой жидкость превращается из сверхзвуковой в дозвуковую. Это имеет важные последствия для потока информации как в детонационной волне, так и в джемитоне. Точка перехода создаёт информационную границу, схожую с горизонтом событий чёрной дыры: никакая информация ниже по потоку не может повлиять на джемитон по другую сторону от точки перехода. Из-за этого рассеивать джемитоны довольно сложно — после прохождения через точку перехода автомобиль не может повлиять на джемитон.
Поэтому на поведение машины нужно влиять до того, как она попадёт в джемитон. Одним из способов достижения этой цели является беспроводная связь между автомобилями, и современные математические модели позволяют нам разработать подходящие способы использования технологии будущего. Например, когда машина обнаруживает событие резкого торможения, за которым сразу же следует ускорение, то она может транслировать «предупреждение о джемитоне» автомобилям, движущимся за ней в пределах одной мили. Водители этих машин могут, по крайней мере, подготовиться к неожиданному торможению; или, что тоже хорошо, увеличить интервал, чтобы внести свой вклад в рассеяние волны трафика.
Результаты, получаемые при наблюдении за гидродинамическими моделями транспортных потоков, могут помочь в решении многих других проблем реального мира. Например, логистические цепочки демонстрируют поведение, схожее с транспортными пробками. Явления пробок, очередей и волн можно также наблюдать в газопроводах, информационных сетях и потоках биологических сетей — всех их можно рассматривать как аналоги потоков жидкостей.
Кроме того, что фантомные пробки — это важный пример для математического изучения, они, вероятно, являются также интересной и наглядной социальной системой. В местах возникновения джемитонов, они вызываются коллективным поведением всех водителей, а не несколькими «паршивыми овцами». Те, кто действует на упреждение, могут рассеивать джемитоны и помочь всем водителям, едущим за ними. Это классический пример эффективности золотого правила нравственности.
Поэтому когда в следующий раз вы попадёте в беспричинную, бессмысленную и спонтанную дорожную пробку, то помните, насколько она сложнее, чем кажется.
Об авторе: Бенджамин Сейболд — профессор математики в Университете Темпл.
Сколько машине простоять на светофоре, в Москве решает незримый искусственный интеллект. Он считает каждый автомобиль. Он отправляет подмогу тем, кто попал в аварию или заглох на шоссе. Знали об этом? В рубрике «Как это работает?» Hi-Tech Mail. Ru выяснил, как искусственный интеллект борется с пробками в столице, и почему пробки не хотят уходить.
Однажды по дороге на работу вы проедете привычную пробку на 15 минут быстрее. Или заглохнете на магистрали, а откуда ни возьмись приедет эвакуатор, хотя вы никого не вызывали. Знайте — это помогла интеллектуальная транспортная система (ИТС), следящая за дорогами Москвы в реальном времени.
Искусственный интеллект в том или ином виде используется в России в Москве, некоторых крупных городах и на федеральных трассах. Но в столице, по понятным причинам, ИТС самая сложная и разветвленная.
Мозговой центр интеллектуальной транспортной системы
«Мозги» интеллектуальной системы — 64 сервера, тысячи процессорных ядер и хранилище на 16 терабайт. Это база виртуального облака. Все находится в подвале четырехэтажного здания — в ситуационном центре Центра организации дорожного движения (ЦОДД).
«Железо» собирает информацию со светофоров с датчиками и камер наблюдения. Из нее пишется алгоритм, или динамическая транспортная модель, адаптирующаяся под ситуацию на дорогах
Строятся краткосрочные и стратегические прогнозы. Скажем, собирается статистика типичных для того или иного времени суток пробок на Ленинградском шоссе в течение недели. Это будет краткосрочный прогноз. А когда накопятся данные о пробках за целый сезон, появится стратегический прогноз. Прогнозы и определяют, каким образом интеллектуальной системе управлять дорогами.
Управляет тысячами светофоров и отправляет подмогу
Главный инструмент интеллектуальной системы — светофоры. Система самостоятельно настраивает время работы красного, желтого и зеленого сигналов — фазы. Она же сама переключается между фазами в зависимости от количества машин, которые она посчитала видеокамерами и автоматическими детекторами.
На заре внедрения интеллектуальной системы расписание фаз-сценариев работы светофоров настраивали инженеры, рассчитывая транспортные потоки. Теперь система вольна самостоятельно переключать светофоры.
В Москве стоит 2390 светофоров. Это не сам столб с фонарями, которых в городе около 40 тысяч, а комплекс из контроллера и нескольких столбов. Чтобы было, с чем сравнить: в Лос-Анджелесе — 1170 светофорных объектов. В Торонто — 75. Так что в столице движение сильнее дробится, но и проще регулируется.
Если машин немного, на дороге пускается «зеленая волна» — включается зеленый на нескольких светофорах подряд. Способ работает только не в пиковое время, то есть редко. Чаще всего зеленый свет включается последовательно с интервалами, порционно пропуская автомобили, чтобы пробка хоть как-то двигалась.
Программа каждого светофора настраивается под конкретный перекресток в зависимости от того, что происходит вокруг и на следующих перекрестках.
Система может также понять, когда произошла авария или поломка автомобиля. Например, остановка даже одной машины в тоннеле или на шоссе чревата всеобщей пробкой. Камера автоматически делает скриншот, отмечает красными стрелками остановившиеся автомобили и, если это авария, отправляет ГИБДД сообщение.
Не может обойтись без человека
Система хоть и умная, но без интуиции, знания Москвы и опыта человека не обходится. Ежечасно — и ночью тоже — в ситуационном центре ЦОДД дежурят операторы. У каждого из них на рабочем месте по три монитора. Как ловкие кукловоды, они держат в руках сразу несколько нитей.
Следить за камерами, реагировать на обращения водителей, сообщать в ГИБДД об аварии, устанавливать связь между пробкой в переулке и затором на магистрали — вот неполный список обязанностей оператора.
Информацию о пробках собирают со всех возможных источников. По заголовкам новостей следят, не намечается ли где-то крупный концерт или матч, не надвигается ли шторм или снегопад — потенциальные причины пробок.
— У нас есть помощник — наша система. Она оповещает о нетипичных заторах, — дежурный смены Сергей Стоянов разворачивает «стопку» окон на мониторе. Он показывает реальное изображение с камер и мнемосхемы движения. — Оператор вступает, когда что-то идет не так.
Операторы ситуационного центра могут сами обратиться в ГИБДД и попросить поскорей убрать аварию на важных точках, где препятствия движению чреваты коллапсами. В случаях коллапсов ЦОДД может отправить своего сотрудника или попросить инспецию приехать на место разрулить ситуацию по-старинке — полосатой палочкой.
Дежурные операторы могут управлять поворотом камер видеонаблюдения с помощью джойстика. На фотографии дежурный смены Сергей Стоянов.
Предотвратить «эффект бабочки»
Пойти «что-то не так» может из-за аварии, поломки светофора или машины посреди шоссе. Крупные пробки иногда случаются из-за маленького затора в крохотном переулке, прилегающем к шоссе. Проанализировать такие ситуации и принять решение может только человек.
Ситуации разные и весьма «человеческие». Две машины «притерлись». Водители встали на дороге и выясняют, кто тут не прав и у кого крепче кулак. Или настроены они мирно, но твердо решили ждать гаишников и запротоколировать царапину на бампере. И стоят они посреди проезжей части, а вслед за ними — все шоссе.
Из-за царапины водителями часами стоят на дороге, ругаясь или боясь покидать место ДТП. Но расценивать «жестянку», как ДТП — все равно что считать физическим уроном, если я вам на ногу наступлю. В Италии за такие простои даже из-за поломки посреди шоссе можно схлопотать штраф.
Или на дорогу выйдет поливальная машина. Коммунальщик по незнанию может выбрать неудачное время — утренний час пик. Едет он себе по шоссе со скоростью 5 километров в час, моет забор, тихо насвистывая под нос любимую мелодию. А за ним тянется вереница злых водителей. Образуется пробка на километры.
Понять, где голова огромной пробки и почему произошла остановка может только оператор. Он выбирает фазу светофора или направляет к истоку проблем один из экипажей «Дорожного патруля».
Операторами центра работают в основном выпускники МАДИ. Сотрудники одеты в специальную форму: для дисциплины и готовности к съемкам.
Почему пробки никуда не делись
По данным правительства Москвы, с 2011 года скорость на магистралях, на МКАД, Садовом и Третьем транспортном кольцах в городе возросла на 12-13 процентов.
— Это средний показатель, так что есть улицы где показатель лучше или хуже, — объясняет значение цифр Евсин.
Но Москва все равно одна из самых пробочных. В рейтингах аналитической компании TomTom столица стоит на 13-м месте среди городов с самыми загруженными дорогами. Пробки занимают 44 процента дорог. А в февральских списках компании Inrix Москва вообще на втором месте — первое у Лос-Анджелеса. Люди тратят в заторах Москвы 91 час в году.
Такие пробки были в Лос-Анджелесе на День благодарения. Скриншот видео на YouTube.
Почему же пробки как были, так и остались? Мы насчитали три причины.
- Количество автомобилей. Их в Москве действительно много. В столичном регионе зарегистрировано 4,6 миллиона машин, а ежедневно по городу передвигается 3,5 миллиона.Большая часть из них формирует час пик. Количество автомобилей маятниково вырастает на 100-200 тысяч в декабре перед Новым годом.
- Не соответствующее дорожное пространство. В центре приоритет отдан общественному транспорту и пешеходам. Тут столица в тренде. Перестраивать и расширять тротуары, вводить выделенные полосы, платные парковки — эволюционный путь современного мегаполиса. Но машинам от этого плохо.
- Водители. Далеко не все соблюдают правила движения, лезут на обочину, «подрезают» друг друга. Аварии из-за неаккуратной езды или слишком трепетного отношения к собственности становятся причинами долгих заторов.
Сейчас есть еще один фактор — «Моя улица». Каждый московский автолюбитель знает, что летом центр лучше объезжать, потому что вдоль улиц стоят раздражающие зеленые заборы, «откусившие» от дорог две-три полосы. Но фактор временный, потому что стройка кончится осенью.
А как у «них»?
Москва, пожалуй, одна из последних внедрила у себя интеллектуальную транспортную систему на дорогах.
- Впервые проект управления движением появился в Мюнхене в 1991 году. Система оценивала нагрузку и прогноз на сутки, оптимизировала работу светофоров. Количество серьезных ДТП и число погибших на дорогах сократилось на 30%
- В городах стран Евросоюза ИТС использовалось для анализа потоков и поиска аварийных мест, постройки навигации и информирования. Названия забавные — CONCERT, CLEOPATRA, COSMOS, EUROSCOPE, TABASCO и другие.
- ИТС есть в Лондоне, Бристоле, Брюсселе, Лионе, Пирее, Саутгемптоне, Тулузе. Они регулируют парковки, пути объезда при авариях, движение в тоннелях, на кольцевых магистралях.
- В США и Канаде все внимание отдано связям города и пригорода. Сети автомагистралей у крупных городов Чикаго, Детройт, Лос-Анджелес, Нью-Йорк и других оснащены автоматизированными системами управления.
Статистика эффективности впечатляет. В перечисленных городах скорость движения выросла от 20 до 40 процентов. Уменьшилось количество простоев, число ДТП, степень загрязнения воздуха. Люди стали чаще пользоваться общественным транспортом.
Аналитика пробок компании TomTom
Аналитика пробок компании Inrix
Цифры и зарубежный опыт использования ИТС взяты из книги «Интеллектуальные транспортные системы на автомобильных дорога Федерального значения России»
Старый добрый советский светофор имеет два режима: работает и не работает. Его первая оптимизация — добавить в реле ночной и дневной режимы. Вторая — такая же: добавить утренний, вечерний и дневной, отличающиеся разными задержками таймера переключения ламп. И дальше — всё. Дальше нужны датчики и внешние потоки информации либо вообще связная сеть.
Самый простой пример того, что можно сделать, имея банальную индукционную петлю на дороге или инфракрасный датчик, — не переключать светофор на то направление, где сейчас никого нет. Это очень удобно в схеме «большая основная дорога через город и много второстепенных».
Но мы пошли чуть дальше: в городе Новомосковске (120 тысяч жителей) поставили на светофоры камеры, поменяли все контроллеры и связали всё это в одну сеть. Бюджет у города небольшой, поэтому правила пока эвристические без всякого космоса вроде data mining и машинного обучения, светофорных объектов не очень много (потому что даже поставить 21 камеру уже дорого), но мы смогли добиться вполне конкретных результатов.
Скорость прохождения перекрёстков с нашими «умными светофорами» и обычных перекрёстков рядом увеличилась. Мы научились приоритизировать поток машин утром на крупный завод, считать и обрабатывать транзитные фуры и даже замахнулись на ГЛОНАСС-датчики «скорой», чтобы убирать возможные заторы перед ними.
Интерфейс платформы управления движением.
Как вообще можно бороться с пробками
Есть три базовых подхода по тому, что можно делать с транспортными коллапсами:
- Расширять дороги и строить новую инфраструктуру — самый дорогой способ.
- Точнее регулировать движение: за счёт множества оптимизаций легко выиграть пять–семь процентов, при определённых редких условиях — 25–35 % скорости потока.
- Уменьшать количество машин: это системы общественного транспорта и попытки сделать въезд в города платным (или же косвенно — платные парковки).
Хочу сразу обратить внимание, что «умные светофоры», соединённые в сеть координированного движения, решают не только задачи «чтобы пробок было меньше», но и более специфические. Например, в нашем примере Новомосковска одна из важных задач — чтобы все доехали до завода с утра вовремя. Мы можем создать условия, когда оптимизация ведёт к пропусканию именно этого потока. И аналогично в опытах с приоритизацией «скорой помощи» очевидно, что средняя скорость потока снизится, но машина со срочным пациентом (и все рядом с ней, поскольку мы оперируем кластерами размером примерно с квартал) пройдёт на восемь-девять минут быстрее.
Что за проблемы могут быть в небольшом городе?
Транспортные коллапсы свойственны не только мегаполисам, но и малым городам. Многие наши города перестраивались и перепроектировались по принципам 60-х годов. Инфраструктура дорог просто не была готова к потокам 2010-х. Конечно, чем меньше город, тем меньше обычно вы стоите в пробке, но если можно выиграть 10–15 % времени пути (это практический пример) — то почему бы и нет? Это позволит не расширять дорогу там, где ещё расширить физически невозможно, и это позволит получить ещё массу всякой пользы.
В нашем случае город находится между М4 и М5, и коллапсы бывают как внутри него, так и на выезде. Выезд имеет достаточную пропускную способность, но там случаются ДТП. Внутри города проблемы создают транзитный поток и часы пик.
Конечно, можно поставить побольше постовых (которые фактически как раз принимают те самые решения, которые мог бы делать «умный светофор»), но это не в тренде министерства да и просто экономически нецелесообразно. И тут мы оказываемся в удивительной ситуации, когда маленький город с маленьким бюджетом может решить часть проблемы. В мегаполисе для АСУДД нужна обширная сеть управляемых объектов, да и проблемы там скорее от тотальной перегрузки, чем от неоптимального управления потоками. А вот в городах до 200–300 тысяч жителей основные дороги автоматизируются очень просто. И очень дёшево. Что сыграло решающую роль, конечно. Отдельно отмечу, что сначала администрация очень переживала из-за того, что будет нужен новый специалист для управления и обслуживания АСУДД: это незапланированный «лишний» сотрудник. Однако, по максимуму автоматизировав поддержку принятия решения за счёт интеграции в городскую интеллектуальную платформу, нам хватило просто обучить существующего сотрудника.
Давайте уже к делу. Что за железо, софт, и что они делают?
Самое важное — каждый светофорный объект имеет контроллер и может иметь какие-то датчики, чаще всего в нашем случае — камеру. Благодаря специализированному ПО видеокамеры распознают регистрационные знаки транспортных средств, определяют плотность и среднюю скорость потока. Собранные данные передаются на контроллер, который принимает решения по сокращению или продлению длительности зелёного сигнала светофора. Дальше накопленная за пятиминутный интервал статистика передаётся в центральный пункт для обработки. После анализа статистических данных система автоматически принимает решение о включении нужных программ координации на светофорных объектах. Так автоматический режим позволяет эффективно управлять транспортными потоками, повышая качество «зелёных волн». При этом остаётся возможность ручного управления светофорными объектами для приоритетного проезда транспортных средств экстренных и специальных служб («зелёная улица»).
Можно использовать разные виды датчиков: оптический кабель в дорожном полотне, индукционные петли, лазерные датчики наличия автотранспорта (похожие на приборы измерения скорости), разные датчики потока (похожие на очень упрощённые полуслепые камеры с обрезанными интерфейсами) и так далее. Но мы использовали камеры достаточного разрешения, чтобы автоматически распознавать госномера, и планируем определять тип автотранспорта (легковой, автобус, грузовой, непонятный).
В силу ограниченности бюджета мы выделили те перекрёстки (кластер регулирования на перекрёстке называется «светофорный объект»), которые оказывают наибольшее влияние на движение. Их получилось порядка 30 %, в основном как раз на дороге через город, где проходит транзитный трафик. Затем мы расставили свои устройства так, чтобы обеспечить наибольшее влияние на поток, ведь камеры можно втыкать не везде, а по данным двух перекрёстков восстанавливать состояние «слепого» перекрёстка между ними.
В итоге был определён минимальный комплект оборудования для первой части проекта. Вот что использовали, например:
Пересечение ул. Трудовые резервы — ул. Куйбышева (адресный ориентир: д. 15а, ул. Куйбышева)
Примеры конкретных моделей: контроллер, видеокамера, вариофокальный телеобъектив, другая камера (тип 2).
Что делает софт АСУДД?
Через камеры мы видим наличие транспорта, измеряем скорость потока, определяем загруженность каждой полосы. На основании этого можно принимать решения о том, как переключать светофоры.
Каждый светофор имеет failsafe-программу на контроллере для автономной работы, но в нашем внедрении основное управление идёт через центральный узел — сервер координации движения. То есть все данные стекаются в одну модель, а дальше на основе них принимается решение, как и что регулировать.
Где-то здесь я бы мог сказать слова про собираемые большие данные, про нейросети и прочие вещи, но, напомню, бюджет был строго ограничен. Поэтому мы использовали встроенные нейросети сотрудников дорожных служб. Они сидели со статистикой, аккуратно пробовали разные режимы регулирования на бумаге, а потом — на практике, и приходили к определённым выводам, что и как нужно делать. Получился набор из 24 эвристик для разных ситуаций.
Фактически первые два месяца рассчитывались (либо интуитивно подбирались) и подтверждались оптимальные длительности фаз светофоров в каждой ситуации: в туман утром, в дождь на выходных, в хорошую погоду в понедельник вечером и так далее. Нашли основные фазы для светофоров без детекторов, которые меняются четыре раза в сутки.
Видно статистику.
Какие ещё плюшки даёт такая система?
- Камеры распознают номера. Мы передаём эти данные (как и видеопоток) в систему «Умный (Безопасный) город». И вот здесь произошла первая магия проекта: через три месяца эксплуатации мы начали слышать от местных жителей, что количество угонов в городе существенно уменьшилось. Сами сотрудники МВД, естественно, не очень хотели делиться своими профессиональными секретами, но, кажется, им очень помогли камеры на выездах из города. Я не очень понял связь между тем, что теперь они знают, куда выехала машина, и уменьшением количества угонов, но с их слов разница теперь — минимум на порядок (кроме редких случаев угона внутри города, по ним статистика не поменялась особо).
- Увеличилась скорость движения потока. Мы сначала никак не могли понять, почему растёт только минимальная скорость движения потока, но почти не меняется максимальная. Потом провели опыты и выяснили, что двигаться при определённой погоде выше какой-то скорости просто нельзя. Есть места, где поворот должен проходиться на скорости потока 35 километров в час, а на скорости 42 уже можно улететь в кювет. Максимум там от хорошего или плохого регулирования никуда не денется. А вот минимальная скорость очень плотно зависит от качества управления движением, и она как раз стала расти.
- Контроллеры стали «говорить» о неполадках светофоров. Раньше, если светофор не работал, его замечал какой-нибудь сознательный водитель, доезжал до дома, отзванивался куда-то в городские службы (часто не по адресу), и только на следующий день его выезжали чинить. Многие светофоры по факту проверялись сотрудниками ДПС при обычном движении по городу или постфактум при разборе ДТП, произошедшего из-за неисправности. Контроллерные светофоры знают, когда перегорает лампа, знают про сбои электроэнергии и прочее. В дашборд оператора АСУДД приходят алерты о состоянии каждого, и сразу с причиной, если удаётся её установить. Это оказалось очень полезным для города.
- Тот самый поток до завода. С шести до семи часов мы пропускаем машины, которые едут туда. Это означает, что дорога до важного завода стала более предсказуемой, и опозданий должно стать меньше. Ну, по крайней мере, если до этого они были вызваны тем, что среднее время и фактическое каждый раз могли сильно отличаться. Раньше это решалось бы «зелёной волной», но наш подход даёт выигрыш и тем, кто едет по перпендикулярным к этому потоку дорогам.
- Пересчитали весь транзитный грузовой поток. Не статистически, а прямо конкретно по «номер такой-то заехал, через 20 минут тот же номер выехал». Это оказалось очень важным для администрации, потому что, во-первых, грузовики повреждают дороги очень сильно, и от их количества зависит частота ремонтов. А во-вторых, вроде бы появился аргумент для обоснования большего бюджетирования, поскольку примерно на 60 % центральной дорогой пользуются не жители этого муниципального образования.
- Пересчитали рабочие ТС. Для статистики по организации общественного транспорта (вроде автобусных маршрутов или железнодорожных станций) очень важно знать, сколько людей в городе ездят работать за его пределы. То же самое распознавание номеров вместе с правилом «выезжает четыре-пять раз в неделю и возвращается через 8–14 часов» позволило понять, что там в деталях и с направлениями.
Все данные системы складываются, и когда-нибудь их можно будет обрабатывать более сложными методами. Сейчас, например, трафик рабочей смены внутри города оценивался людьми и для оптимизации, и для оценки нужного количества и частоты автобусов, но можно будет ещё делать это постоянно автоматически. Плюс данные пригодятся для планирования расширения дорог в городе и в регионе, когда это понадобится.
Эксперименты
- На сервер координации дорожного движения заводим данные о расположении машин экстренных служб, сейчас — «скорой помощи». Они передают свои координаты ГЛОНАСС, а у самих служб есть статусы: просто движется, на вызов, и если это «скорая» — можно вытащить срочность и адрес. Зная цель движения, мы можем поднять приоритет на том плече движения, которое используется «скорой» на вызове: это не значит, что мы включим зелёный на всём пути её движения, а значит лишь то, что сможем частично расчистить за счёт естественного движения дорогу впереди. В наших моделях часто перевести на зелёный пару светофоров по маршруту на 15 секунд раньше может означать решение проблемы — успеть прибыть, не останавливая при этом весь остальной город. И, главное, для этого не нужен оператор. Пока застряли в согласованиях с разными службами: к сожалению, здесь нужно «подружить» очень много ведомств, а это медленно.
- При необходимости можно с лёгкостью развернуть систему фотовидеофиксации нарушений правил дорожного движения на перекрёстках, добавив камеры и используя существующую инфраструктуру.
- Начали использовать детекторы движения для определения пешеходов. Есть в городе один проблемный нерегулируемый переход, где часто происходят ДТП вечером и ночью. Проблема в том, что он находится в парковой (лесной) зоне на въезде в город, где скорость движения транспорта ещё магистральная, и почти всегда пустой, но нет-нет да кто-то и выскочит (трафик где-то 800 человек за сутки). А водители уже привыкают не снижать скорость перед ним. Пробовали накопать «лежачих», сделать знаки поярче, осветить переход получше, но не дало нужного результата. Мы сделали огромный светильник с надписью «ВНИМАНИЕ, ПЕШЕХОД!» сверху на удалении и включаем его при наличии пешехода. Можно подключить туда что угодно: и проектор сетки, и софит на пешехода, и болларды даже, как в Амстердаме, но у нас пока в эксперименте — табло.
- На всех 12 светофорных объектах установлены умные контроллеры, управляются из АСУДД. 30 % перекрёстков, и все въезды-выезды в город оснащены видеодетекцией транспорта, есть сервер координации движения (увы, пока недублированный).
- Минимальная скорость потока увеличилась на 4 км/ч. Оптимизирован поток в часы пик.
- По неофициальным данным, снизилось число угонов.
- Город получил точную возможность учитывать рабочий и транзитный транспорт.
- Представители городских служб обучены самостоятельно работать с системой и развивать её. Администратор системы — человек, который со стороны города вошёл в команду внедрения. Он использует ноутбук для доступа к управлению через сервер АСУДД.
- Система в эксплуатации уже около полугода и продолжает развиваться.
Выявление проблем дорожной сети с помощью Яндекс. Пробок. Лекция в Яндексе
Яндекс. Пробки и связанные с ними функции в Навигаторе и Картах работают благодаря данным о скорости машин на разных участках дорог. Это совсем не новая, но по-прежнему эффективная схема. Вопрос, возникший уже по мере развития Пробок — можно ли использовать указанные данные как-нибудь ещё?
Аналитик Карт Леонид Медников рассказал о примере такого использования на конференции Яндекса «Пути Сообщения 2016». Под катом — расшифровка доклада и большинство слайдов.
Тема моего рассказа – выявление проблемных мест на дороге при помощи данных, которые у нас есть. Вначале расскажу, почему это так важно, и потом мы увидим, насколько просто при помощи Яндекс. Пробок находить проблемные места, которые и создают заторы в городе.
Итак, начну с теории. Довольно простой.
Вот у нас есть дорога, дороги состоят из полос, по одной полосе в теории не может проехать более 1,5 тыс. автомобилей, около того, за час. Это связано с тем, что они держать дистанцию друг за другом где-то в две секунды. Если мы хотим перевозить больше людей, там либо надо больше людей в один автомобиль помещать, либо все-таки сажать туда автобус, чтобы он ехал. Очень здорово, что общественный транспорт развивается.
Но если мы говорим про автомобилистов, то всё, 1,5 тыс. автомобилей и не больше. Проблема только в том, что может быть меньше. С этим хочется что-то делать.
Из-за чего может быть меньше автомобилей? Первый самый распространенный случай – просто столько автомобилей нет. Проезжает меньше автомобилей, дороги пустуют. С этим отлично борется Яндекс. Навигатор, если какая-то дорога пустует, он отправит туда всех водителей, чтобы они поскорее ее заняли и объехали существующую пробку.
Проблема в том, что как раз существующие пробки – это второй фактор, который снижает пропускную способность дороги. Может, это не очень очевидный факт, заключающийся в том, что если мы собрали пробку, то мы теперь эту дорогу используем менее эффективно. Про это хочу подробнее поговорить на примере графика.
По горизонтальной оси мы видим скорость движения в км/ч, по вертикали – количество машин, которое может проехать, если скорость потока такая. Что здесь важно? Здесь есть зона высоких скоростей, где пропускная способность дороги мало меняется. Это важный практический факт. Он говорим о том, что если у нас разрешенная скорость 60 км/ч, мы можем сделать ее 100, 50 или 40 км/ч, пропускная способность дороги сильно не изменится. Это высокие скорости.
Но на скоростях где-то ниже 20 км/ч, ситуация прямо противоположна. Здесь каждый км/ч отнимает пропускную способность дороги очень заметно. Если мы с 60 км/ч снизили скорость до 7 км/ч по какой-то причине, то мы потеряли в два раза пропускную способность дороги. То есть построили двухполосную дорогу, а едет как будто однополосная.
Продемонстрирую, как это работает. Предположим, есть поток машин определенный. Если у нас скорость выше границы по этому графику, выше 20 км/ч, то спокойно дорога справляется, машины едут. Если по какой-то причине замедлились машины, значит, уже пропускная способность стала ниже той, которая требуется от дороги, и это значит, что машины начинают скапливаться. В данном случае у нас 1200 машин проезжает в час, а выехать может на такой скорости только 1000. Значит, мы собираем 200 машин в час, при длине машины в 5 метров это у нас уже километровая пробка.
Почему же снижаются скорости? Что с этим можно делать?
Первое – когда весь поток останавливается светофором или лежачим полицейским, разбитой дорогой, по какой-то причине дорога есть, но все движутся медленнее.
Вторая причина – сужение дороги из-за конструктивных особенностей, ремонта и так далее. На втором примере хочу чуть подробнее разобраться с поиском проблемных мест.
Типичная картинка, здесь она немного гипертрофирована, дорога по какой-то причине сужается. Проблема в том, что пропускная способность всей дороги определяется тем местом, где она самая низкая. Как цепь рвется по самому слабому звену, так и здесь пропускная способность всей дороги определяется одним место. До и после у нас есть пять полос, они бесполезны. У нас реально есть одна полоса. Но самое худшее еще и то, что у нас нет даже этой одной полосы, потому что только что мы выяснили, что если у нас в самом узком месте машины двигаются медленно, то здесь пропускная способность дороги теряется. У нас на вид пятиполосная дорога, по факту – 0,5 полос. Таких ситуаций допускать совсем не хотелось бы.
Что с этим можно сделать? Какие есть идеи? Везде сделать одну полосу. Казалось бы, парадокс. Давайте уберем эти полосы, или если это какое-то временное явление, просто обеспечить плавное сужение дороги. Нельзя давать водителям в последний момент перестраиваться, они в этот момент теряют скорость в самом узком месте, это недопустимо. Нужно дать возможность достаточного расстояния, чтобы машины перестроились и не теряя скорости проехали узкое место.
Казалось бы, простая теория, но я покажу пару примеров, как это используется или не используется.
Это, слава богу, исторический снимок в Москве, но он имел место быть. Съезд с внешней стороны МКАД на Ленинградское шоссе в сторону области. Думаю, многие там стояли. Рам сейчас реконструируют, все-таки уже не совсем всё так. Что здесь важно, что мы особенно остров видим? Здесь создана ситуация, когда машины вынуждены снижать скорость. Потому что три полосы врезаются в основной поток, невозможно это сделать неаварийно, если ты не один глубокой ночью, то есть ты вынужден снижать скорость, другие машины снижают скорость, дорога потом сужается, и мы в самом узком месте получаем снижение скорости, и без того в сложной ситуации мы получаем еще снижение пропускной способности.
Второй пример, тоже реальный снимок из того же космоса. Та же ситуация: основная дорога даже более узкая, на съезде у нас не три полосы, а две, но что сделано? Когда происходит слияние, машины, в принципе, друг друга не чувствуют, две полосы параллельно встали. Одни другой не мешают. И дальше у них есть полкилометра на то, пока у них отнимут одну полосу, и еще полкилометра, пока отнимут вторую полосу. Как раз на скорости у них есть возможность перестроиться. Конечно, можно и на такую развязку подать такой поток машин, что она не справится, потому что полос становится меньше, но до определенного предела мы здесь не получим пробку и позволим полной пропускной способности дороги работать.
Хочу подвести итог первой части. На дорогах существуют так называемые бутылочные горлышки, узкие места, которые и определяют пропускную способность дороги, они создают пробки, и если мы хотим что-то с этим делать – два вывода. Надо лечить здесь и не надо лечить больше нигде. Потому что если мы вспомним пятиполосную магистраль, можно ее в любом другом месте расширить до 10 полос, сузить до двух, пригласить ремонтников – никакой проблемы, ничего не поменяется.
Но вот это одно единственное узкое место задает параметры всей трассы.
Мой дальнейший рассказ будет посвящен выяснению того, где же эти места. И не всегда решение проблемы дорогостоящее, не всегда надо строить лишнюю развязку. Иногда надо отнять лишнюю полосу, или если там стоит светофор – может, перенастроить его навсегда или в зависимости от времени дня. Решения необязательно какие-то суперсложные и дорогостоящие.
Как же мы находим эти узкие места? Достаточно просто. Этих данных у Яндекс. Пробок нет, сколько там полос, что и как, но мы можем видеть скорость движения, а она имеет совершенно понятный паттерн: сначала машины едут медленно, потом быстро. И видя такую картинку, особенно если пробка крупная, мы можем сказать, что в этом месте есть какая-то проблема. Какая? Надо идти на место и изучать.
Давайте посмотрим, как можно находить на реальных примерах, где же у нас узкие места. Это Шоссе Энтузиастов, одна из лучших трасс для иллюстрации пробок в Москве. Здесь типичные ежедневные пробки, в начале этой пробки мы должны смотреть, что здесь происходит.
Важный практический нюанс: мы видим, что красное переходит в желтое, а потом в зеленое. Скорее всего, проблема где-то на границе желтого и зеленого. Если у нас есть два узких места, если мы упираемся во второе, то бесполезно расширять первое. Мы расширим первое, и сразу же вся пробка перенесется дальше, в данном случае на 100 метров, поэтому надо смотреть второе узкое место, там стоит светофор, ну и в целом, например, если мы хотим решить проблему пробок, и знаем, что где-то неровная дорога, в первую очередь ее надо здесь выравнивать. Если мы хотим перенастроить светофор, надо в первую очередь посмотреть здесь. Если хотим посмотреть, что там с ограждениями, в первую очередь надо смотреть здесь, в узком месте.
Аналогичная ситуация в обратную сторону. Пробка, легко определяем узкое место, все то же самое.
Не только на эти вопросы можно ответить благодаря поиску узких мест.
В некоторых случаях можно даже ответить на вопрос, стоит ли строить дорогу или нет. Это можно делать не всегда, но иногда можно.
Вот пример из Новосибирска. Здесь предлагалось построить новую дорогу. Случай интересен тем, что она проходит параллельно существующей, поэтому получается достаточно простая аналитика.
Посмотрим пробки в утренний и вечерний час-пик, где у нас узкие места.
Типичная картина пробок в утренний час-пик. Здесь есть затруднение, которое упирается в этот перекресток. Все едут влево – вниз, на юге центр города, с утра. Возможно, надо дать больше приоритета тем, кто едет на юг на этом перекрестке в утренний час-пик.
Вторая проблема здесь – интересный пример, заключающийся в том, что дальше идет сплошная желтая линия почти чуть ли не до самого центра, и это значит, что уже всё, здесь проблема может быть нерешаемой. Когда все упираются в центр, здесь уже не расширишь, здесь опять слава общественному транспорту, потому что когда все пробки упираются в центр, таким способом проблему не решить. Дорога здесь не причем, она никак не расширяет узкое место, значит, никак не ситуацию с пробками не повлияет. Может быть, людям будет удобнее ездить, быстрее, все что угодно, в смысле комфортнее проезжать этот участок, но пробки она не изменит.
Картинка в вечерний час-пик, то же самое, узкие места, возможно, надо дать больший приоритет людям, поворачивающим на север из центра. Здесь какая-то проблема, тут можно дать приоритет тем, кто едет на север, но новая дорога проблему пробок не решит. Простой анализ можно сделать на сервисе за пять минут.
Говоря про сервис, в заключение хочу напомнить: посмотреть типичную карту пробок может любой человек, энтузиаст или мэр, достаточно зайти на Яндекс. Карты, включить Пробки, есть секретная кнопка с часиками, она является машиной времени, вы переключаетесь на статистику пробок, выбираете любой день недели, любое время. Обычно это будни – 8:30 утра, утренний пик, и где-то 18:30 – вечерний пик. И смотрим на пробки.
Вот здесь в Нижнем Новгороде можно выделить какие-то основные места на выезде в пятницу из города, где реально решать проблему и помогать автомобилистам легче выезжать.
Последний практический трюк на примере узкого места:
Те, кто выезжают из центра, на самом деле проходят ряд пробок. Бесполезно решать проблему в первой пробке, мы просто всех автомобилистов отправим удлинять вторую. Либо надо решать все, либо если по одной, то надо решать с последней, как здесь и выделено, потому что дальше уже автомобилисты поедут свободно, но в первых трех они постоят.
Как вариант, можно сказать, что мы проблему не решаем, она такая, здесь слишком много пока сложностей. Но решать только первую и ожидать, что мы что-то улучшим, к сожалению, не приходится.
Все это можно сделать самостоятельно, но если вы готовы влиять на ситуацию и изучать подробнее, то мы в этом готовы вам помочь. Можно через меня спросить. Мы можем не только глазами, но и автоматом находить узкие места, предоставлять такие данные.
Если вы готовы менять ситуацию, мы готовы посчитать уже по этим узким местам время проезда в течение дня, дней недели, и когда будут внесены какие-то изменения, это может быть изменение режима работы светофора, посмотреть, что стало.
Для тех, кто совсем серьезно хочет погружаться в аналитику, невозможно на все вопросы ответить только изучением узких мест. Есть Yandex Data Factory, это отдельное подразделение Яндекса, которое как раз занимается платной аналитикой, к ним уже на коммерческой основе можно приходить за более глубоким анализом, за автоматическими отчетами и тому подобным.
На этом у меня всё.