Проект направлен на разработку программного модуля, предназначенного для повышения эффективности логистики в городской среде за счет внедрения адаптивных алгоритмов маршрутизации. Предполагаемый план проекта строится из нескольких этапов.

На первом будет проводится фундаментальное исследование алгоритмических подходов, включающее сравнительный анализ и модификацию классических методов теории графов, таких как алгоритм Дейкстры, A* и мультиагентные системы, с целью их адаптации к динамической городской среде. Основная задача этого этапа — выбор и адаптация алгоритма, обеспечивающего оптимальный баланс между вычислительной сложностью и точностью в условиях реального времени.

Далее осуществляется проектирование архитектуры данных, в рамках которого разрабатывается эффективная модель организации и хранения пространственной и временной информации. Это предполагает работу с графами дорожной сети, включая их топологию, ограничения и пропускную способность, интеграцию данных с датчиков IoT, таких как камеры и сенсоры потока, а также учет статических данных, включая расписания транспорта и точки интереса для туристов. Для реализации этой части проекта планируется использование геоинформационных систем (GIS) и стандартов, таких как GTFS.

На этапе разработки и внедрения машинного обучения создается predictive-модуль, основанный на методах машинного обучения, например, графовых нейронных сетях (GNN), который анализирует исторические данные и текущие события для прогнозирования загруженности дорог и оптимизации маршрутов в режиме, близком к реальному времени. Завершающей фазой является верификация и апробация прототипа модуля на синтезированных данных и реальных кейсах города-партнера, где эффективность системы оценивается по ключевым метрикам: снижение среднего времени в пути, уменьшение километража пробега транспорта и снижение нагрузки на дорожную сеть в часы пик.

На страницу проекта