Проект: Traffic Light Intelligence

Мы заметили, что зачастую светофоры работают не оптимально. Наш проект должен модернизировать городскую систему светофоров так, чтобы водители ждали впустую как можно меньше времени и добирались до пункта назначения как можно быстрее — в пределах существующей системы светофоров.

Литобзор

• Talking Traffic Проект, посвящённый оптимизации дорожной мобильности. Подразумевает общественное партнёрство, при котором участники каким-то образом способствуют информированию о ситуации на дорогах. Идея схожа, но реализация туманна и неубедительна.

• iVRI Система из 15 умных светофоров в Нидерландах. Похожа на нашу концепцию, но реализует индивидуальный подход — каждый светофор анализирует трафик самостоятельно. Такой подход не позволяет контролировать всю дорожную сеть целиком, но имеет плюсы: например, приоритет для аварийно-спасательного транспорта. Также обеспечивает прозрачность — каждый светофор действует как «регулировщик-стример» в отдельном приложении.

• Habr Обзор развития умных светофоров в США (с 70-х годов) и России. Описания в духе iVRI.

• Yandex Traffic Похожа на iVRI, но с акцентом на интеграцию ИИ и машинного обучения в анализ дорожной ситуации.

📌 Вывод: Идея индивидуального подхода распространена. Наша идея — глобальная система координации светофоров — пока нигде не реализована.

---

Исследовательский вопрос, гипотеза и реализация

Моделирование (Саша)

Мы представляем карту дорог как граф, где:

• Вершины: Locality и Junction
• Рёбра: дороги (Edge)

Типы вершин:

• Locality — населённый пункт без значимых дорог и светофоров (например, микрорайон). Здесь генерируются и «финишируют» машины.
• Junction — перекрёстки и съезды со светофорами.

Структура данных:

• Связи между светофорами: Ключ — вершина, из которой выходит светофор; Значение — список несовместимых направлений (куда нельзя одновременно давать зелёный свет).

• Параметры вершин: Пропускная способность, население, миграционный коэффициент, коэффициент популярности.

• Параметры дорог: Длина, ширина, скоростное ограничение.

Инициализация:

• Алгоритм DFS проверяет на совместимость сигналы.

• Если найдена логическая противоречивость, загрузка карты останавливается с ошибкой.

• Карта хранится в формате JSON.

---

Алгоритм моделирования:

1. Генерация машин в Locality на основе:

   • Населения
   • Коэффициента эмиграции
   • Популярности других узлов
   • Времени суток (F(t) * t, где F — нормальное распределение)

2. Построение маршрутов:

   • Алгоритм A* находит кратчайший путь
   • Вес рёбер — время проезда (зависит от загруженности и скоростного лимита)

3. Движение машин:

   • С соблюдением правил (скорость, сигналы светофора)

---

Оптимизация (Филипп + Никита)

Цель:

Настройка продолжительности зеленого сигнала на каждом светофоре на основе загруженности дорог.

Метод:

1. Из каждой Locality запускается BFS к ближайшим Junction.

2. Для каждого светофора:

   • Рассчитывается нормированный коэффициент загруженности дорог
   • Вычисляется время зелёного сигнала: g = (загруженность) * (длина полного цикла)

3. Если нет зависимостей, r = (полный цикл) - g

4. Если есть зависимости, используем формулу:

   r1 = k * (r2 + g2) - g2
   

   где:

   • r1 — красный сигнал текущего светофора
   • r2, g2 — значения зависимого светофора
   • k — целое число, подбираемое для максимального соответствия длине цикла

Проверка гипотезы:

Сравнение двух запусков модели:

• Без оптимизации
• С оптимизацией

📊 Метрика сравнения: средняя скорость всех машин за всё время. Рассчитываем, сколько времени экономится водителями за одни сутки.

---

Актуальность

Проект актуален для мегаполисов с плотной застройкой и сложной дорожной архитектурой: Москва, Нью-Йорк, Токио и т.д.

Traffic Light Intelligence экономит человечеству самое ценное — время.

Дополнительные плюсы:

• Повышение экологичности (меньше пробок — меньше выхлопов)
• Улучшение производительности бизнеса (меньше опозданий)
• Больше времени на сон и завтрак
• Повышение доступности экстренных служб (скорая, полиция и др.)