Трафик будущего: как исследователь из Китая предсказывает пробки в Ростове-на-Дону

Аспирант из Китая приехал в Ростов-на-Дону с чёткой целью: научить алгоритм видеть пробку за 30 минут до того, как в неё попадут тысячи водителей. За пять лет в Донском государственном техническом университете (ДГТУ) Цзян Цзисяо опубликовал более 18 научных статей, построил гибридные модели прогнозирования трафика и… влюбился в борщ. В интервью Наука.РФ он рассказал, каково быть учёным между двумя культурами, как ИИ учится «читать» дорогу и почему именно Ростов-на-Дону мог бы стать городом будущего.

— Что привело вас именно в Ростов-на-Дону и в ДГТУ? Был ли это осознанный выбор или стечение обстоятельств?

 — Мой выбор Донского государственного технического университета — результат вдумчивого, осознанного решения, а не случайного стечения обстоятельств. Еще на четвертом курсе бакалавриата я посещал специализированные курсы в этом вузе благодаря его тесному сотрудничеству с Шаньдунским университетом транспорта. Для меня это стало уникальной возможностью не только получить теоретические знания, но и сразу же применить их на практике.

Позже я внимательно изучил учебные программы обоих университетов и ознакомился с их текущими проектами. Стало очевидно: здесь передо мной откроется больше перспектив для развития, чем во многих других университетах. Именно поэтому я могу с уверенностью сказать, что этот шаг был абсолютно закономерным.

— Как проходили первые месяцы в России: язык, быт, климат? Что оказалось самым неожиданным?

 — Первые месяцы, конечно, ушли на адаптацию к новой среде, но в целом всё было хорошо. Русский язык и сам по себе непрост, а специальная лексика — особенно такие термины, как «прогнозирование транспортного потока» — потребовала от меня особой собранности. В повседневной жизни меня с непривычки удивлял более скромный, чем в Китае, выбор овощей: здесь, на мой взгляд, лук и картофель — основные продукты. А самым неожиданным открытием стала погода — при всей суровости и холода зимы в России снега выпало меньше, чем я представлял.

— Как различаются подходы к обучению и научной работе в Китае и в России? Что вам ближе?

 — В образовании Китая основной упор — на стандартизированные экзамены и публикации в журналах Q1/Q2. В России же гораздо больше внимания уделяется глубине теории и устным экзаменам, проверяющим не только результат, но и сам ход мысли. Например, мой научный руководитель Анастасия Феофилова даёт мне искать решения самостоятельно, но помогает и всегда направляет, если я захожу в тупик. Я предпочитаю гибридный подход: погружаться в фундаментальные принципы и в то же время эффективно выполнять работу.

— Чем сегодня вы занимаетесь в ДГТУ, в чем суть вашей научной работы?

 — Сейчас я работаю над гибридными моделями машинного обучения для краткосрочного прогнозирования транспортных потоков. В основном это программирование, математика и постоянный анализ данных. Ключевая задача — предсказывать заторы на дорогах на 5–30 минут вперёд точнее, чем традиционные методы. По результатам этой работы мы с научным руководителем уже опубликовали 4 статьи в изданиях, индексируемых в Web of Science, 8 — в Scopus, 6 — в журналах из перечня ВАК и ещё несколько публикаций в РИНЦ.

— Объясните «на пальцах»: как искусственный интеллект может предсказывать транспортные потоки? Что «видит» модель, чего не видит человек?

 — Искусственный интеллект прогнозирует транспортный поток, обучаясь на основе огромных массивов данных о скорости транспортных средств, объеме трафика и времени. В конечном итоге он извлекает из этих данных закономерности, которые трудно распознать человеку интуитивно. Это как если бы вы каждый день ходили одной и той же дорогой — со временем уже знаете, когда пробки, а когда нет. ИИ делает то же самое, только быстрее и точнее.

— Почему для прогнозирования вы используете именно гибридные модели (например, SVM-LSTM, CNN-LSTM)? В чём их преимущество перед «простыми» алгоритмами?

 — Гибридные модели мощнее простых алгоритмов, поскольку они объединяют преимущества различных сетевых структур, решая проблему, из-за которой одна модель не может одновременно обрабатывать сложные закономерности. Например, модель SVM обычно предполагает стационарность данных, поэтому она может улавливать только общую тенденцию изменения транспортного потока.

Гибридные модели решают эту проблему за счёт «разделения труда». Например, в модели SVM-LSTM одна часть — LSTM — отвечает за запоминание временных зависимостей, таких как медленное снижение скорости перед пробкой. А другая часть — SVM — выполняет устойчивую регрессию и корректирует ошибки, чтобы прогноз был точнее. В модели CNN-LSTM сеть CNN помогает извлекать пространственные признаки, например, влияние соседних перекрёстков.

Таким образом, гибридные модели видят то, что не видят простые алгоритмы: скрытые связи между скоростью, временем и местом. Поэтому они дают более точные и стабильные прогнозы, особенно в сложных дорожных условиях.

— На каких данных «учится» ваша модель? Это данные с китайских дорог, российских или международные датасеты?

 — Данные, на которых «обучается» моя модель, в основном поступают из открытых наборов данных о европейских дорогах. Эти данные включают реальные записи о транспортном потоке, скорости и плотности движения в таких городах, как Париж, Турин и Берлин. Таким образом, обучение модели основано на поведении водителей и дорожных условиях в крупных европейских городах. В настоящее время она не обучается напрямую на данных о дорогах Китая или России, но структура и методология модели универсальны, и после переобучения с использованием локальных данных в будущем она сможет адаптироваться к дорожным условиям обеих стран.

— Может ли ваша разработка работать в реальном времени? Представьте: пробка на Малиновского в Ростове — как ИИ может помочь её разгрузить?

 — Да, моя разработка основана на MATLAB и способна работать в режиме реального времени. Представьте себе внезапную пробку на главной улице. Придорожные детекторы мгновенно фиксируют резкое снижение скорости движения транспортных средств и передают эти данные в прогностическую модель. Модель может подтвердить наличие затора в очень короткие сроки и спрогнозировать тенденцию его развития в ближайшие 5-15 минут. Затем интеллектуальная транспортная система автоматически выполняет три действия: через навигационные приложения уведомляет водителей сзади о необходимости выбора альтернативных маршрутов, продлевает зеленую фазу светофоров на путях объезда и отправляет в дорожную полицию местоположение и предполагаемую продолжительность затора.

— С какими главными сложностями вы столкнулись при создании модели: технические, методологические, организационные?

 — Трудности, с которыми я столкнулся при создании модели, можно разделить на три аспекта — технический, методологический и организационный.

С точки зреняи технического аспекта самой большой проблемой было обеспечение одновременно высокой скорости и точности модели. Высокоточные модели часто являются вычислительно сложными и медленными, поэтому мне нужно было найти баланс между точностью прогнозирования и скоростью вычислений.

Самой сложной в методологической части было определение того, какой фактор оказывает наибольшее влияние на точность прогнозирования. Однако благодаря обширному анализу с помощью моделирования, я в конечном итоге подтвердил, что скорость является ключевым фактором, и определил её вес в 38,7%.

И, наконец, организационный аспект. В идеале обучение модели следовало бы строить на локальных данных, но получить их оказалось сложно, поэтому пока я использовал международный набор данных. В перспективе я планирую переобучить модель, все же используя локальные, — это позволит адаптировать её к реальным условиям российских дорог.

— Есть ли у вашей работы практические перспективы внедрения? Кто может быть заинтересован: городские администрации, логистические компании, разработчики навигаторов?

 — Думаю, проект может быть интересен городским администрациям. Например, администрация Ростова-на-Дону и департамент транспорта могли бы использовать мои модели для управления светофорами в реальном времени, быстрого реагирования на аварии и предотвращения заторов. Система может заранее прогнозировать, где возникнет пробка, и рекомендовать оптимальные действия: изменить режим светофоров, предупредить водителей через электронные табло или направить патрули. Это снижает транспортную нагрузку и повышает эффективность управления дорожным движением без дорогостоящей инфраструктуры.

— Как вы относитесь к этическим вопросам использования ИИ в транспортных системах: приватность данных, ответственность за решения алгоритма?

 — Это очень важный вопрос, и я отношусь к нему крайне серьезно.

Во-первых, это конфиденциальность данных. Моя модель использует агрегированные и анонимизированные данные, такие как общая скорость движения или количество транспортных средств на участке дороги, а не личную информацию отдельных водителей. Это снижает риск нарушения конфиденциальности.

Во-вторых, это подотчетность. Я рассматриваю искусственный интеллект как вспомогательный инструмент; окончательное решение всегда должно оставаться в руках человека. Алгоритмы отвечают за прогнозы и предложения, но окончательные действия по-прежнему принимаются людьми.

В-третьих, это прозрачность. Модель основана на математических формулах, а результаты могут быть интерпретированы и проверены. Это имеет решающее значение для завоевания доверия граждан.

— Куда, на ваш взгляд, движется сфера интеллектуальных транспортных систем? Что будет через 5–10 лет?

 — Я вижу несколько ключевых тенденций. На мой взгляд, в ближайшие 5-10 лет беспилотные автомобили получат широкое распространение, и интеллектуальные транспортные системы перейдут к управлению не только потоками, но и каждым отдельным транспортным средством. ИТС будут интегрированы с интеллектуальными светофорами, системами парковки, системами общественного транспорта и даже системами экстренного реагирования. Города будут управляться как единое целое.

Одновременно с этим значительно возрастет роль больших данных и искусственного интеллекта: более мощные модели смогут предвидеть пробки на дорогах не за минуты, а за часы до их возникновения. Моя текущая работа — лишь первый шаг в этом направлении. В итоге уже в ближайшее десятилетие ИТС станут умнее, безопаснее и удобнее, количество дорожно-транспортных происшествий сократится, пропускная способность дорог возрастет, а поездки станут более предсказуемыми.

— Планируете ли вы продолжать работу в России?

 — Да, я планирую продолжить свою работу в России. Как говорил ранее, я уже начал исследования в ДГТУ под руководством профессора Анастасии Феофиловой. Результаты исследований показывают, что мои модели могут быть применены к российским городам. Я считаю, что существует большой потенциал для сотрудничества с российскими муниципальными департаментами и научно-исследовательскими центрами. Меня глубоко увлекает эта область и ее многообещающее будущее.

— С какими стереотипами о России вы приехали, и какие из них разрушились, а какие, наоборот, подтвердились?

 — До приезда в Россию я, как и многие, находился во власти стереотипов. Например, я думал, что там очень холодно, люди серьёзные и отчуждённые, а вся кухня сводится к борщу и пельменям. Действительность, как водится, оказалась сложнее и многограннее. Частично, конечно, эти впечатления подтвердились: зимы действительно были морозными, но Ростов-на-Дону оказался не таким холодным, как я себе представлял. Борщ и пельмени — восхитительны, но русская кухня — гораздо больше, чем просто лепёшки, салат Оливье, холодный суп и так далее. Главное — мои представления о людях рассыпались полностью. Вместо серьезной отчужденности я встретил искреннее тепло и желание помочь: преподаватели тепло меня приняли и поддерживали, когда я сталкивался с трудностями. Так я пришёл к простому, но очень точному выводу, что Россия — страна с богатой культурой и добрыми людьми, и увидеть это своими глазами гораздо лучше, чем верить стереотипам.

— Как вы выстраивали круг общения? Кто помог вам освоиться — русские коллеги, другие иностранные студенты, преподаватели?

 — После приезда в Россию вокруг меня постепенно сложился свой круг общения, и начилось все с моего наставника — профессора Владимира Зырянова. С самых первых дней они окружили меня огромной поддержкой не только в учебе, но и в повседневной жизни. Российские коллеги показывали мне город, терпеливо помогали разбираться с документами и переводили, когда мой русский был еще не очень хорош. За все это я им безмерно благодарен.

— Что вас больше всего удивило в российском менталитете?

 — Меня удивило, что русские кажутся серьёзными и редко улыбаются, но когда узнаёшь их ближе, оказывается, что они очень душевные. Просто не улыбаются без повода. Привычка говорить прямо меня тоже сначала удивляла, но потом я понял, что это признак уважения к собеседнику. Это произвело на меня большое впечатление.

— Что бы вы посоветовали молодым исследователям из Китая, которые думают об учёбе в России? И наоборот — российским студентам, которые хотят работать с ИИ?

 — Я бы посоветовал молодым исследователям из Китая как можно быстрее осваивать русский язык. Да, русский язык очень сложный, но даже базового уровня достаточно, чтобы учиться и заниматься наукой. К тому же в российском образовании сильная база — математика и теория преподаются на высоком уровне, и к этому надо быть морально готовым. Поначалу может быть трудно, но именно это и есть основа для работы в сфере ИИ.

А российским студентам, которые хотят заниматься искусственным интеллектом, я советую больше практиковаться и работать с реальными данными. В России отличная математическая и компьютерная школа — это огромное преимущество. Но не зацикливайтесь только на теории: пробуйте внедрять модели и идеи в реальные задачи, например, в дорожное движение, логистику, беспилотные системы.

— Если бы у вас была возможность запустить один пилотный проект с вашей моделью в реальном городе — какой город вы бы выбрали и почему?

 — Если бы у меня была возможность запустить пилотный проект в реальном городе, я бы выбрал Ростов-на-Дону. Во-первых, я здесь живу и учусь уже пять лет. Я хорошо знаю местные дороги, транспортные проблемы и типичные часы пик. Это поможет мне лучше настроить модель. Во-вторых, пробки здесь — обычное дело, особенно в центре города. Моя модель вполне может помочь с этой проблемой. В-третьих, у Шаньдунского транспортного университета налажены тесные связи с ДГТУ, что сильно упростит запуск проекта.

— О чём вы мечтаете как учёный? Какой результат вашей работы стал бы для вас личной победой?

 — Как учёный, я мечтаю о том, чтобы моя модель прогнозирования транспортных потоков применялась в реальных городах, а не оставалась только нааучной статей. Для меня самая большая награда — увидеть, как водители экономят 10–15 минут своего драгоценного времени каждый день благодаря умным светофорам и своевременным предупреждениям о пробках, которые приходят через GPS. Если моя модель поможет снизить дорожные заторы хотя бы на несколько процентов, это уже будет для меня победой. Ещё одна моя мечта — чтобы мои научные результаты применялись одновременно и в Китае, и в России. Я хочу разработать алгоритм, который легко адаптируется к дорожным условиям любой страны. А величайшим достижением для меня станет то, что спустя годы я увижу, как моя эффективная и лёгкая концепция модели используется в реальных транспортных системах.

Привлечение иностранных студентов и ученых в Россию осуществляется, в том числе, благодаря национальному проекту «Молодежь и дети».