Как Big Data с Machine Learning борются с пробками и улучшают дороги

Продолжая тему «умного» города (data-driven city), сегодня мы собрали для вас 5 практических примеров, как в крупнейших мегаполисах по всему миру интернет вещей и большие данные с датчиков, проездных билетов и дорожных камер помогают бороться с пробками и улучшать состояние дорог, повышая уровень их безопасности и удобства использования.

Internet of Things и Big Data на дорогах

Для решения проблемы с дорожными неровностями и сильно вдавленными в асфальт канализационными люками американская компания The New Urban Mechanics разработала мобильное приложение. С ним каждый житель Бостона может сообщить о недостатках дорожного полотна с помощью своего смартфона. Фото- и видеоматериалы автоматически отправляются на сервер коммунальных служб. В частности, в 2010 году городская администрация устранила более 7 000 неровностей. Благодаря оперативному сбору данных о дорожных проблемах, они исправляются на ранних стадиях. Так интернет вещей (IoT, Internet of Things) экономит городским службам существенные средства, а водителям и пассажирам – бесценное время, т.к. каждая неровность – это дополнительный фактор снижения пропускной способности дороги [1].

В Москве IoT-устройства также активно используются для анализа дорожного состояния. Например, в 2018 году внедрена Big Data система, которая определяет участки дороги с высоким риском ДТП. Автоматически собираются данные с видеокамер, установленных на перекрестках, а также внешние факторы (осадки, туман, освещение и температура). Алгоритмы машинного обучения (Machine Learning) анализируют погодные и дорожные условия (ширину и изменение пропускной способности участка дороги, средний балл заторов в городе и скорость потока). Если, с учетом текущей транспортной ситуации и погоды, какой-то участок относится к критическим (авария в этом месте приведет к сильным заторам), то Ситуационный центр ЦОДД присваивает ему наивысший приоритет в случае вызова машин ГИБДД. Например, по МКАД в час пик едет около 10 000 автомобилей. Перекрытие даже одной полосы при ДТП снижает пропускную способность на 20%, что приводит к задержкам личного и общественного транспорта. Оперативная ликвидация аварий существенно экономит время водителей и пассажиров [2].

«Умные» светофоры

В Лос-Анджелесе все городские светофоры объединены в саморегулирующуюся систему. IoT-датчики и камеры передают информацию в единый вычислительный центр, где алгоритмы машинного обучения анализируют дорожную ситуацию. Таким образом, сигналы светофора на крупных перекрестках регулируются динамически, в зависимости от загруженности дорог. В результате внедрения этой системы на основе Big Data и Machine Learning средняя скорость движения в городе увеличилась на 16%, а время ожидания в пробках – сократилось на 12%. Реализация единой системы «умных светофоров» заняла почти 30 лет и стоила около $400 миллионов [1].

Интернет вещей на остановках и в автобусах

В Сеуле на остановках общественного транспорта используются электронные табло, которые показывают прибытие автобусов. В самих автобусах установлены дисплеи, интернет-модемы и GPS-приемники. Благодаря этому каждый пассажир на большом мониторе или экране своего мобильного видит местонахождение транспорта на маршруте и текущие аварии. Ежегодно Южная Корея инвестирует в такие решения около $200 миллионов. Аналогичная IoT-система работает в Москве на многих остановках наземного городского транспорта [1].

Machine Learning для оптимизации транспортных маршрутов

В китайском мегаполисе Нанкин большие данные с IoT-датчиков, установленных на личном и общественном транспорте, ежедневно поступают в Городской Информационный Центр. Эксперты централизованно отслеживают и, в т.ч. с использованием алгоритмов Machine Learning, анализируют сведения о транспортных потоках, а затем отправляют обновления на смартфоны пассажиров. Так оптимизируются транспортные маршруты без строительства новых дорог – благодаря равномерному распределению трафика удается избежать крупных заторов [3].

Подобным образом в Москве были скорректированы маршруты нескольких автобусов: например, между Комсомольской площадью, где находится большой транспортный хаб с тремя вокзалами, и Пушкинской площадью запустили магистральный маршрут автобуса А, а маршрут М3 связал Бауманскую улицу с Охотным Рядом. Статистика о поездках была получена из билетных чипов. Также большие данные, собранные таким способом, были учтены при создании 29 новых маршрутов общественного транспорта в 7 столичных округах и 13 маршрутов для связи с Новой Москвой. Пути проходят через социально значимые объекты (школы, больницы, поликлиники), что позволяет пассажирам без пересадок добраться до них, а также до станций метро и МЦК [2].

Личный мониторинг общественного транспорта

Совсем скоро горожане забудут о долгом ожидании автобусов на остановках — теперь отслеживать прибытие нужного транспорта можно на экране собственного смартфона. Уже сейчас для жителей Москвы, Санкт-Петербурга и Казани Google.Maps в режиме реального времени отображают задержки автобусов, поездов и метро, а также прогноз их загруженности, включая число доступных сидячих мест.  Алгоритмы машинного обучения строят прогнозы на основе отчетов о предыдущих поездках [4].

Аналогичная функция отслеживания транспорта в режиме онлайн доступна в приложении «2ГИС» для жителей Москвы, Санкт-Петербурга, Новосибирска, Казани, Ярославля, Красноярска, Нижнем Новгорода и Челябинска. При нажатии на значок остановки отображается список рейсов и нахождение нужного транспорта на маршруте. Если автобус задержался в пробке или сошел с маршрута, это будет показано на карте всего через 30 секунд [5].

Как работает Big Data на дорогах

Все вышеописанные примеры основаны на оперативном сборе больших данных о местонахождении транспорта и пассажиров с помощью IoT-устройств. Например, в китайском Нанкине, датчики установлены на 10 000 такси, 7 000 автобусов и миллионе частных машин. Так Internet of Things обеспечивает сбор информации о транспортных потоках [3].

В Москве для сбора сведений о пассажирских перемещениях используется технология чипирования проездных билетов, каждый из которых имеет уникальный идентификационный код, считываемый при валидации. Эти данные анонимно, но достаточно точно показывают картину движения пассажиров. В частности, стало известно, что 50% валидаций совершается в наземном транспорте, а каждый пятый московский пассажир не пользуется метро [2].

Информация о транспортной или дорожной ситуации, собранная с помощью видеокамер, билетных чипов, смартфонов или других IoT-датчиков, попадает на сервер информационной системы. Там происходит обработка Big Data и подготовка данных к целевому использованию: прогнозированию пробок с помощью алгоритмов Machine Learning, построению новых маршрутов или автоматическому регулированию светофоров.

Еще больше интересного про большие данные, интернет вещей и машинное обучение на наших практических курсах для руководителей, менеджеров, пользователей, инженеров, администраторов и аналитиков Big Data – специализированный учебный центр «Школа больших данных» в Москве.

Источники

1. http://downtown.ru/voronezh/technology/8847
2. https://www.forbes.ru/tehnologii/368021-umnaya-moskva-kak-big-data-pomogaet-stroit-metro-i-borotsya-s-probkami
3. https://geekbrains.ru/posts/big_cities_big_data
4. https://www.the-village.ru/village/city/news-city/355321-otslezhivat-zaderzhki-avtobusov
5. https://www.the-village.ru/village/city/news-city/354901-real-time-transport