次の5時間に少なくとも1回、3つ以上のポイントが予想される場合に表示されます。 測定値は10分ごとに更新されます。 この機能は、多くの場合と同様に、仮説から生まれました。夜間の渋滞は、曜日、月、および朝の渋滞に直接依存します。
仮説をテストするために、ニューラルネットワークを使用することにしました。 単純な場合、ニューラルネットワークは一種の「ブラックボックス」であり、既知の要因と条件を知っているので、それらを処理して問題の解決策を発行します。 より深刻な定義は辞書にあります。 このようなネットワークは、たとえば、サーバー間でWebトラフィックを配信したり、都市の信号を制御したりするために使用されます。
実験では、人工ニューラルネットワークの公開ライブラリFANNを使用しました 。 2年間のYandex.Corkアーカイブを使用してネットワークをトレーニングし、最初の結果を得ました。 予測と現実を比較した後、仮説が確認されたことが明らかになりました。 そして、会話は天気に変わりました。 しかし、すべてのトピックが使い果たされたからではありません。
降水量が都市の道路状況に影響することは秘密ではありません。 雨や雪が降ると、ドライバーはトラブルを予想します。 気象アーカイブを取得し、2年にわたる降水量、気温、気圧を考慮してネットワークを再訓練しました。 ところで、スコアの予測を研究する過程で、一見驚くべき事実に気付きました。
降水量に関する情報は、水銀のミリメートル数と摂氏よりも予報の精度にはるかに影響しません。 降水量はこれら2つの指標に依存しており、指標自体は「ある場所の雨」よりもはるかに正確であるため、実際には論理的です。
気象データを追加した後、予測の精度が向上し、製品自体について考えました。 最初は、朝の夜間の渋滞のみを予測していました。 しかし、彼らはそれが狭すぎると思った。 そして、朝から5時間先まで-終日予測することにしました。
エラーの可能性を減らすために、互いに別々にトレーニングされた3つの独立したニューラルネットワークで予測をすぐに計算します。 結果の丸められた算術平均は、メインページに表示されます。
もちろん、この情報提供者は正確な測定装置ではありません。 状況がどの方向に発展するかを示しています。 ポイントツーポイントを予測する確率は、平均で60〜77％の範囲で変化します。未来が現在に近いほど、推測しやすいことがわかります。