עומס בשעות השיא מוסיף 30–40 דקות לנסיעה — וזו לא פסימיות, אלא אתגר ל-AI. אנו מפתחים מערכות חיזוי פקקים שמפחיתות עיכובים ב-15–25%. בליבה עומד שילוב של רשתות נוירונים גרפיות וטרנספורמרים מודעי-אירועים. המודל מתחשב בטופולוגיית הכבישים, בזרימת נתונים מ-300+ חיישנים, ובאירועים (תאונות, מזג אוויר, קונצרטים). הלקוחות שלנו הם ערים ומפעילי תחבורה שצריכים לא רק לחזות פקק אלא גם לפזר מחדש את התנועה בזמן אמת. להלן איך אנחנו עושים זאת: מאיסוף נתונים ועד אינטגרציה עם מכשירי ניווט ורמזורים.
הבעיה עם שיטות קלאסיות היא שהן מתעלמות מטופולוגיית הכבישים ומהדינמיקה של אירועים. לדוגמה, אחרי קונצרט באצטדיון, התנועה מתפזרת בצורה לא-לינארית — 40% מהנהגים בוחרים מסלולים חלופיים. מודל ה-AI שלנו חוזה תרחישים כאלה בדיוק של עד 92% באופק של שעה. לשם השוואה, מודלי LSTM מסורתיים מציגים MAPE של 14–18%, בעוד שהארכיטקטורות שלנו המבוססות על GCN+WaveNet משיגות 8–11%.
אנו משתמשים ב-PyTorch וב-PyTorch Geometric לבניית מודלים גרפיים, ולקידוד אירועים — Temporal Fusion Transformer (TFT). הערכת דיוק מתבצעת על נתונים היסטוריים המפולחים לפי סוג יום. התוצאה היא חיזוי מהירות זרימה עם MAPE <10% באופק של 30 דקות.
איך AI משפר את דיוק חיזוי התנועה
החיזוי מסתמך על ארבע קבוצות נתונים:
- חיישנים: לולאות השראה (כמות, מהירות), גלאי וידאו (סיווג רכבים), רדארי Wavetronix/RTMS.
- נתוני רכב נע: מסלולי GPS מצטברים משירותי ניווט וציים של מוניות.
- תשתית: גרף כבישים (OpenStreetMap), שלבי רמזורים, מעברי חצייה.
- אירועים: מתוכננים (משחקים, קונצרטים) וחריגים (תאונות, עבודות, שלג).
אנו משלבים אותם למודל מרחבי-זמני שבו כל חיישן הוא צומת בגרף והכבישים הם קשתות.
למה רשתות נוירונים גרפיות יעילות יותר מ-LSTM
LSTM מסורתיים מתעלמים מטופולוגיית הכבישים. קונבולוציות גרפיות (GCN) מתחשבות בעובדה שמהירות בצומת שכנה משפיעה על הצומת הנוכחי. השוואת גישות:
| מודל | תלות מרחבית | תלות זמנית | MAPE (30 דקות) | זמן השהיה (inference) |
|---|---|---|---|---|
| LSTM | לא | כן | 14–18% | <1 אלפית השנייה לצומת |
| GCN + LSTM | כן (קשתות סטטיות) | כן | 10–13% | 2–5 אלפיות השנייה לגרף |
| Graph WaveNet | כן (מטריצה אדפטיבית) | כן (קונבולוציה מורחבת) | 8–11% | 3–8 אלפיות השנייה לגרף |
ניתוח השוואתי על נתוני חיישנים עירוניים במשך 12 חודשים אנו משתמשים בארכיטקטורה:
# TrafficGCN — гибрид GCN и LSTM
import torch
from torch_geometric.nn import GCNConv
class TrafficGCN(nn.Module):
def __init__(self, n_nodes, in_features, hidden, out_features):
super().__init__()
self.gcn1 = GCNConv(in_features, hidden)
self.gcn2 = GCNConv(hidden, hidden)
self.lstm = nn.LSTM(hidden, hidden, batch_first=True)
self.fc = nn.Linear(hidden, out_features)
def forward(self, x, edge_index, edge_weight):
# x: [batch, seq_len, n_nodes, n_features]
gcn_out = self.gcn1(x, edge_index, edge_weight).relu()
gcn_out = self.gcn2(gcn_out, edge_index, edge_weight)
lstm_out, _ = self.lstm(gcn_out)
return self.fc(lstm_out[:, -1, :])פרטי ארכיטקטורת TrafficGCN
המודל משתמש בשתי קונבולוציות גרפיות עם חיבורים שיוריים ושכבת LSTM לדינמיקה זמנית. אימון: AdamW, lr=0.001, batch_size=32, 100 אפוקות. גודל גרף — עד 5000 צמתים, 15000 קשתות. הערכת דיוק מתבצעת על קבוצת נתונים מופרדת (20% מהנתונים).ארכיטקטורות מפתח — DCRNN, Graph WaveNet, ASTGCN — נבדלות באופן הטיפול בתלות זמנית. הבחירה תלויה בגודל הגרף ובאופק החיזוי.
איך מתחשבים באירועים
התנועה היא לא-לינארית: אחרי משחק כדורגל, השיא מתרחש תוך 30–60 דקות; תאונה מפחיתה קיבולת ב-40–80%; גשם מקטין מהירות ב-10–20%. אנו מוסיפים דגלי אירועים כמאפייני קלט:
event_features = {
'stadium_match_flag': upcoming_match_within_3h,
'weather_rain_intensity': precipitation_forecast,
'roadwork_active': roadwork_on_segment,
'incident_nearby': incident_within_1km_duration,
'holiday_flag': is_holiday,
'school_day': not is_school_holiday
}מאפיינים אלה מוזנים למודל כמשתנים עתידיים (Temporal Fusion Transformer). בלעדיהם, הדיוק בימים חריגים יורד ב-20%.
מה מספקת אופטימיזציית רמזורים מבוססת AI?
מערכות SCOOT/SCATS מסורתיות מגיבות לתנועה הנוכחית ללא חיזוי. אנו מחליפים אותן בסוכן RL: פעולה — תוכניות שלבים, מצב — מהירויות נוכחיות וחזויות, תגמול — עיכוב כולל ברשת. במסדרון של 10–20 צמתים, תיאום יוצר 'גל ירוק'. תוצאה: הפחתה בזמן נסיעה ממוצע ב-10–20%. רמזורים חכמים כאלה המבוססים על RL הם דוגמה למערכות תחבורה מבוססות AI.
יידוע נהגים
החיזויים נשלחים אל:
- שלטים משתנים (זמן נסיעה, עקיפות),
- הודעות push באפליקציות (שירותי ניווט),
- API לשירותי ניווט.
מדדי מערכת:
| מדד | ערך |
|---|---|
| MAPE של מהירות זרימה (15 דקות) | <10% |
| MAPE של זמן נסיעה (30 דקות) | <12% |
| זמן השהיה לזיהוי אירועים | <5 דקות |
| הפחתה בזמן נסיעה ממוצע | 10–25% |
הפחתה של 10–25% בזמן נסיעה ממוצע היא מוחשית לכל נהג. עבור עיר של מיליון תושבים, זה מביא לחיסכון משמעותי בעלויות ציבוריות.
מקרה בוחן: פריסה בעיר עם 2 מיליון תושבים (מהניסיון שלנו)
עבור אחד הלקוחות שלנו — עיר N עם 2 מיליון תושבים — פרסנו את Graph WaveNet עם שכבות מודעות-אירועים. לאחר כיול על נתונים היסטוריים, MAPE של מהירות באופק של 30 דקות היה 7.8% (ימים רגילים) ו-10.2% (ימי אירועים). המערכת משולבת עם מרכז ניהול התנועה המקומי באמצעות פרוטוקול NTCIP 1211. זה אפשר ניתוח פקקים בזמן אמת ותיאום של 500 צמתים.
מה כולל הפיתוח?
- ביקורת נתונים: זמינות חיישנים, איכות FCD, מבנה רשת הכבישים.
- מודל אב-טיפוס: בסיס LSTM תוך 2–3 שבועות.
- מודל GNN + מודע-אירועים מכויל לעיר.
- אינטגרציה עם בקרי רמזורים ושירותי ניווט.
- תיעוד, הכשרת מפעילים, תמיכה באחריות.
ציר זמן: חיזוי בסיסי — מ-5–6 שבועות; מערכת מלאה — 4–5 חודשים. הערכה מדויקת לאחר ניתוח נתונים.
אנו מבטיחים דיוק: MAPE שלא יעלה על ערכי היעד בקבוצת הבדיקה. ניסיון הצוות — מעל 5 שנים ב-ITS (מערכות תחבורה חכמות) ו-20+ פרויקטים בחיזוי תנועה. הפתרונות שלנו נכללים בתחום תחבורה מבוססת AI ולמידת מכונה בתחבורה.
קבלו ייעוץ על ארכיטקטורת המערכת שלכם. צרו קשר להערכת הפרויקט שלכם — נבחר ארכיטקטורה שמתאימה לתקציב ולתשתית העירונית שלכם. הזמינו ביקורת נתונים ראשונית: ננתח את החיישנים הזמינים ונספק הערכת דיוק ראשונית תוך שבועיים.