Ученые МАДИ разработали новый метод инициализации нейросетей, применяемых для прогнозирования ситуации на дорогах. Подход позволяет искусственному интеллекту ещё до начала обучения учитывать «эффект домино», когда затор на одной улице порождает каскадную пробку на соседних, что значительно повышает точность и скорость прогнозов.
Как это работает?
Традиционные нейросети начинают обучение без понимания структуры дорог, подбирая рабочие параметры методом проб и ошибок. Авторы нового метода предварительно анализируют транспортный граф города, выявляя все прямые и косвенные связи между участками магистралей. На основе этих данных вычисляются специальные показатели — «транзитивные числа», которые отражают доступность узлов, суммарные задержки и каскадные эффекты. Эти значения сразу закладываются в начальную настройку нейросети. В результате ещё до первого этапа обучения модель уже содержит знание о топологии дорожной сети и логике распространения заторов.
В чем новизна и преимущество перед аналогами?
В отличие от стандартных подходов, которые задают начальные параметры нейросети универсальным образом, новая разработка закладывает знание о глобальных взаимосвязях транспортной системы непосредственно в архитектуру модели. Тестирование метода на архитектуре DeepNet Transformer показало существенное ускорение выхода модели на рабочие показатели по сравнению с базовыми алгоритмами. Кроме того, повысилась точность прогнозов за счёт учёта каскадных эффектов, а также улучшилась стабильность обучения: метод обеспечивает устойчивую работу алгоритма на всей глубине сети, предотвращая затухание или взрывной рост градиентов в условиях реального дорожного шума и неопределённости. Разработка выполнена коллективом исследователей МАДИ под руководством доцента Н.Г. Куфтиновой, доклад по её результатам представила молодой учёный О.А. Тётченко.
Где почитать подробнее? Статья с результатами исследования опубликована в мае 2026 года в сборнике трудов международной конференции IEEE WECONF 2026.
Источник: Минобрнауки России
