Новая платформа искусственного интеллекта может помочь городам планировать движение в будущем

Пробки на дорогах обычно рассматриваются как проблема, которую необходимо измерить после их образования. Антон Рожков и его коллеги исследуют другой подход: предоставить планировщикам самые современные инструменты, которые могут предвидеть заторы, определять, где они наиболее вероятны, и переводить сложные модели дорожного движения в понятные инструкции.

В новом исследовании, опубликованном в специальном выпуске Transactions in GIS об этичном и объяснимом GEOAI, Рожков, Пранав Нитин Мотарвар и Рудра Патил, все из Нью-Йоркского университета Тандон, разработали платформу геопространственного искусственного интеллекта (GEOAI), которая сочетает в себе прогнозирование трафика, пространственное картографирование и локально размещенную модель большого языка.

Рожков руководил проектом и разработал структуру, Мотарвар руководил работой по прогнозированию, а Патил - пространственным анализом. Система была протестирована с использованием данных о дорожном движении в Нью-Йорке за 15 лет.

Мотивация частично возникла из бесед Рожкова с практиками городского планирования. По его словам, города все чаще хотят внедрять искусственный интеллект в свою работу, но отделам планирования может не хватать технических знаний для создания специализированных систем. Они также могут неохотно загружать конфиденциальные транспортные данные в коммерческие модели и чат-ботов.

"Мы начали с идеи: что, если мы разработаем нашу собственную платформу искусственного интеллекта, которую можно было бы разместить локально и которая была бы безопасной, интуитивно понятной и удобной для проектировщиков в их повседневной работе", - сказал Рожков.

Дорожное движение стало полезным тестовым примером, поскольку в Нью-Йорке в открытом доступе находятся обширные данные о транспортировке. Исследователи проанализировали данные наблюдений за дорожным движением за 2009-2024 годы и протестировали два метода прогнозирования будущих объемов перевозок. Одним из них была ARIMA, традиционный метод статистического прогнозирования. Другой была нейронная сеть с долговременной кратковременной памятью, или LSTM, которая может идентифицировать нелинейные паттерны, распространяющиеся на длинные последовательности данных.

Мотарвар, который занимался разработкой моделей прогнозирования, сравнил эти два подхода друг с другом. "ARIMA учитывает сезонность, и это правда, но не вся история", - сказал он. "LSTM выявляет те части шаблона, которые не повторяются полностью, и именно в этом заключается основная причина улучшения".

По ранее не публиковавшимся данным за 2021-2024 годы, LSTM показал лучшие результаты. Средняя ошибка прогнозирования составила около 343 автомобилей в день по сравнению с примерно 418 для ARIMA, что примерно на 18% больше. Затем модель спрогнозировала увеличение среднесуточного трафика с 12 540 автомобилей в 2025 году до 19 680 в 2029 году, хотя эти цифры приводятся с существенными интервалами прогнозирования и должны пониматься как прогнозы, а не как несомненные факты.

But forecasting was only one piece of the project. Patil led the spatial component, mapping traffic onto Uber's H3 system, which divides geographic space into nested hexagonal cells. Unlike citywide averages, this approach allows planners to examine congestion at multiple scales, from borough-level patterns down to localized hot spots.

Clustering algorithms then identified areas where heavy traffic repeatedly accumulated. Unsurprisingly, Manhattan emerged as the highest-congestion borough in the analysis, followed by Brooklyn and Queens.

"A citywide average doesn't help the city planners," Patil said. "What they need to know is which corridors are badly impacted, and those turn out to be consistent year after year. That is what the hexagonal mapping and clustering were designed to explore."

The final component turns those analytical results into something closer to a conversation. Building on the forecasts and congestion maps, the researchers built a customized portal using Meta's LLaMA model connected to a project-specific knowledge base containing forecasts, congestion locations and other traffic information. A planner could ask, for example, how a highway expansion near LaGuardia Airport might affect Queens traffic or what could happen if one-way streets in Lower Manhattan were converted to two-way streets.

Crucially, the system is designed to run locally. Agencies could keep sensitive transportation information "behind their own firewall," Rozhkov said, rather than sending it to an outside AI service, even if the capabilities of commercial models might sometimes be better.

"A general chatbot gives you a reasonable-sounding generic paragraph about congestion," Motarwar added. "Planners need an answer that comes from their own data. We saw this as much a data problem as a model problem."

The researchers are not claiming that the platform can solve congestion on its own. Nor has it yet undergone a large-scale trial with working planners. Rozhkov hopes to test future versions with smaller municipalities and other planning datasets.

Instead, the project demonstrates how several emerging tools can be combined into a single planning workflow. Rather than asking AI to make urban decisions, the researchers envision it as an interface between planners and increasingly complicated datasets.

That distinction also explains why the paper appeared in a special issue devoted to ethical and explainable GeoAI. For Rozhkov, the question is not simply whether cities can use increasingly powerful AI. It is how they can use it while keeping the underlying data, assumptions and decisions under local control, ultimately benefiting local residents.