ИИ в управлении транспортными узлами: вокзалы, аэропорты и системы общественного транспорта

Московское метро перевозит >9 миллионов пассажиров в сутки — больше, чем население многих европейских столиц. Управлять такими потоками без AI в современном масштабе — всё сложнее. Каждый неправильно скорректированный интервал движения или неверное распределение состава — тысячи недовольных пассажиров.

Кейс 1. Московское метро — AI для управления поездами и пассажиропотоком

Инструменты

• ML-прогноз пассажиропотока по станциям и часам
• Автоматическое регулирование интервалов движения (ATO)
• CV-мониторинг наполненности вагонов на платформе
• AI-информирование: умные экраны с актуальным расписанием и загрузкой

Что происходит

Московское метро использует алгоритмы управления интервалами движения в зависимости от нагрузки: в час пик — минимальный интервал на перегруженных линиях, в ночные часы — экономия энергии и ресурса подвижного состава.

CV-система на платформах: камеры считают пассажиров, ожидающих поезд. Если платформа переполнена → интервал сокращается, дополнительный состав добавляется. На экранах отображается информация: «Следующий поезд через 2 мин. Ожидаемая загрузка: высокая. Рекомендуем пройти в головные вагоны».

Биометрия: Московское метро первым в мире запустило массовую оплату проезда по лицу (Face Pay) — AI-идентификация при проходе через турникет.

Результаты

• Face Pay: >250 миллионов поездок оплачено биометрией с момента запуска (2021)
• Время прохода через турникет с Face Pay: <1 секунды (vs ~5 секунд с картой)
• Равномерность загрузки вагонов с CV-системой: улучшение на ~15%
• Энергопотребление системы тяги с AI-оптимизацией: снижение на ~8%

Кейс 2. Singapore MRT — образец AI-управления метро

Инструменты

• Predictive Maintenance для всей инфраструктуры (1 700+ компонентов)
• ML-управление расписанием в реальном времени
• AI-интеграция с городским трафиком (светофоры, автобусы)
• Passenger Flow Analytics: прогноз по станциям на 7 дней вперёд

Что происходит

Singapore MRT — один из наиболее пунктуальных метрополитенов мира: >99.9% поездов прибывают вовремя. Это достигается в том числе через предиктивное обслуживание: каждая рельса, шпала, дверь вагона отслеживается датчиками. ML предсказывает необходимость замены за 2–4 недели.

AI-интеграция с наземным транспортом: когда ML предсказывает перегруженность на станции Orchard в 18:30 — дополнительные автобусы направляются к этой станции заблаговременно.

Результаты

• Punctuality Singapore MRT: >99.9% — один из лучших показателей в мире
• Незапланированные задержки из-за технических проблем: снижение на ~70% за 5 лет с AI-ТО
• Операционные расходы на ТО: снижение на ~20% при лучшей надёжности
• Singapore LTA: открыто делится данными с другими метрополитенами мира

Кейс 3. AI-оптимизация городского общественного транспорта

Применения в российских городах

«Мосгортранс» (Москва):

• ML-оптимизация маршрутной сети автобусов (данные о пассажиропотоке + трафик)
• AI-диспетчеризация: реальное время движения всех автобусов
• Предиктивное ТО автобусного парка
• Электронное расписание с ML-корректировкой под реальный трафик

«Пассажиравтотранс» (Санкт-Петербург):

• Оптимизация расписания с учётом исторических данных о пиках нагрузки
• Мониторинг расхода топлива через IoT + ML-аномалии

AI для городского транспортного планирования:

• ГИС-анализ + ML: где нужны новые маршруты или изменения существующих
• ЦОДД Москвы: ML-управление светофорами под транспортный поток

Типичные результаты внедрения

| Применение | Экономический эффект | |---|---| | AI-диспетчеризация автобусов | Снижение интервалов на 20%, рост удовлетворённости | | Предиктивное ТО парка | Снижение внеплановых ремонтов на 30%, экономия 15% бюджета ТО | | ML-оптимизация расписания | Снижение холостого пробега на 10–15% | | Оптимизация маршрутной сети | Охват +5–8% при том же бюджете |

Источники: Московский метрополитен отчёты, LTA Singapore Annual Report, «Мосгортранс» пресс-релизы, UITP «AI in Urban Mobility 2024».