Сотрудники Московского автомобильно-дорожного государственного технического университета (МАДИ) разработали новый метод инициализации нейросетей для прогнозирования дорожной ситуации. Об этом Науке Mail сообщили в пресс-службе Минобрнауки России.
Традиционные модели начинают обучение без понимания структуры дорог и подбирают параметры методом проб и ошибок. Авторы предложили предварительно анализировать транспортный граф города и выявлять связи между участками магистралей. На основе этих данных авторы вычисляют специальные показатели — транзитивные числа. Они отражают доступность узлов, суммарные задержки и каскадные эффекты. Авторы сразу закладывают эти значения в начальную настройку нейросети. Еще до первого этапа обучения модель уже содержит знание о топологии дорог и логике распространения заторов.
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. Учет каскадных эффектов повысил точность прогнозов. Метод предотвращает затухание или взрывной рост градиентов в условиях реального дорожного шума и обеспечивает устойчивую работу алгоритма на всей глубине сети, отмечают исследователи. Статья опубликована в сборнике трудов международной конференции IEEE WECONF 2026.
Ранее Наука Mail писала о том, что ученые МАДИ автоматизировали расчет безопасности дорожного движения.