Введение

Высокие темпы урбанизации и постоянное увеличение автопарка Ташкента приводят к регулярным пробкам в 7–8 баллов в часы пик [5, с.6]. Вследствие этих заторов увеличивается время нахождения в пути, потребление топлива и огромное количество выбросов токсичных газов [1, с.6]. Все эти проблемы затрагивают миллионы граждан столицы каждый день. В этой статье мы разберем проблему, уже предпринятые шаги к ее решению, а также возможные варианты эффективного воздействия на нее путем внедрения Искусственного интеллекта (далее ИИ) в ИТС.

Частые транспортные заторы на дорогах несут в себе множество негативных последствий, а именно:

1. увеличение времени, проводимого за рулем,
2. повышенное потребление топлива, что ведет к большим выбросам токсичных химических элементов в атмосферу из автомобильных выхлопных труб, такие как CO, CO2, HC, NO, VOC [2, с.6].

Эффективным решением на проблему заторов является имплементация ИТС в управление и контроль транспортных потоков. Внедрение инновационных технологий (камер, датчиков) в управление транспортными сетями максимизирует эффективность использования дорожных сетей, уменьшает среднее время проведенным на дорогах и минимизирует число остановок, а также улучшается безопасность на дорогах [6, с.6]. Однако, у ИТС все же наблюдаются недостатки в виде необходимости иметь огромный штат сотрудников, которые будут собранные данные, анализировать, и сами принимать решения, что сильно замедляет весь процесс и делает его менее адаптивным к реагированию в настоящем времени. Далее в статье мы рассмотрим, как этот процесс частично автоматизировать и модернизировать с помощью ИИ.

Стоит отметить, что действия к решению данной проблемы уже предпринимались. Например, Хакимов Ш.К [2, с.6] и его командой была произведена симуляция дорожного трафика на улицах Богишамол, улице Университет и на Большой кольцевой дороге с последующей оптимизацией транспортного движения в программе PTV VISSIM.

Прежде чем начинать изменения, они сделали простую таблицу с измерениями, чтобы можно легко было понять неэффективность нынешней системы.

В данном случае Фаза А — это улицы Богишамол и Университета, а соответственно Фаза Б — это Ташкентская большая кольцевая дорога. Строка v — это количество машин, которое проехало по одной полосе за один час. Строка c — это индикатор, сколько машин сможет проехать по одной полосе за один час, если будет гореть зеленый свет. А третья строка — это коэффициент загруженности дороги. Чем выше число, тем более загружена дорога. Как мы можем увидеть, числа разительно отличаются и одна дорога намного является намного более загруженной чем другая дорога.

По итогу, используя формулу Вебстера и компьютерной модернизации перекрестка, количество выбросов уменьшилось на 43,2 %, и оценка загруженности поднялась с F (очень плохо) до B (хорошо) [2, с.6].

Если брать конкретные действия с использованием ИИ, то в 2023 году начальник Департамента цифрового развития Алексей Хен и директор проектного офиса комплексного развития транспортной системы Ташкента Мурад Абидов установили на улице Алишера Навои 8 адаптивных светофоров. Принцип их работы состоит в том, чтобы собирать данные с камер и датчиков, передавать их ИИ, и уже тот на основе данных будет адаптировать светофоры в целях уменьшения заторов на дорогах. Благодаря установке скорость транспорта выровнялась, а время, предназначенное для проезда перекрестка, уменьшилось вдвое [7, с.6].

Самый же масштабный и большой шаг был осуществим 3 декабря 2025 года указом Президента Республики Узбекистан Шавкатом Мирзиеевым. Был создан Центр Оптимизации Дорожного Движения (далее ЦОДД), задачей которого будет создать единое цифровое пространство со всеми данными про дорожные потоки с последующей передачей этих данных ИТС, которые с использованием ИИ будут прогнозировать заторы и эффективно с ними справляться. Но при этом стоит отметить что пока неясно, каким образом ЦОДД будет работать, как он будет имплементировать ИИ в свои процессы и когда, и где начнутся первые реализации их проектов [5, с.6].

Говоря о модернизации транспортных потоков, то здесь нужен системный и поэтапный подход. Сперва, нужно установить камеры и датчики с ИИ, которые соберут данные о количестве проезжаемых машин, в какие часы и дни чаще случаются пробки, где поток плотнее, а где никогда не превышает среднего значения. После этого вся информация отгружается в единую базу данных, где на их основе в ходе машинного обучения будет обучатся ИИ эффективно управлять светофорами в часы пик, на основе прошедших анализов прогнозировать будущие массовые заторы, реагировать на дорожно-транспортные происшествия и перекрытия дорог в реальном времени. Технология машинного обучения сможет идентифицировать паттерны пробок и установить, где и в какие часы больше пробок или меньше. Использование нейронных сетей поможет находить очень трудные паттерны в данных о трафике, например, когда речь идет о мегаполисе с большими и сложными сетями дорог. И вдобавок к этому технология компьютерного зрения поможет собрать визуальные данные с датчиков и радаров, и помочь их трансформировать в форму, чтобы ИИ смогла с ней работать. Такие шаги максимально быстро приведут к желанным результатам и дадут ощутимый эффект [3, с.6].

Project Green Light. Отдельно хотелось бы отметить проект Green Light от компании Google. Используя ИИ, сервис предлагает городам уменьшить количество заторов путем анализа потока автомобилей из истории приложения навигации Google Maps. Вместо того, чтобы всю эту работу делать самим, покупая дорогостоящее оборудование и тратя большое количество времени на реализацию, Green Light является более доступным решением. Проект уже реализован в 13 городах, среди таких как Манчестер, Рио-Де-Жанейро, Абу-Даби и другие. По итогу работы в городах устанавливаются адаптивные светофоры со встроенным ИИ. В результате настроек ИТС они снижают количество остановок на 30 % и объем выброшенных газов на 10 %. Это первый крупный интернациональный проект, который при помощи ИИ уменьшает количество пробок на дорогах [4, с.6].

Но при всех оптимистических прогнозах внедрения ИИ в ИТС, могут быть и некоторые трудности. Например, массовые установки камер и GPS-трекеров и массивный сбор данных будет иметь полную информацию об передвижении каждого человека. И тут встает вопрос, кто будет иметь доступ к этим данным, насколько информация будет конфиденциальна и не будет ли она использоваться в целях слежки [1, с.6]. Также есть вероятность неправильной интерпретации данных ИИ, что может сказаться на результате автоматического управления.

Выводы

Проблема частых заторов в Ташкенте приводит к негативным экологическим последствиям и нуждается в постепенном подходе к его решению. ИТС, хоть и являются одними из самых распространенных решений и являются хорошим инструментом, но если в них основную часть занимают люди, то эта система довольно медленная и неповоротливая. Однако, при внедрении ИИ большую часть процессов можно автоматизировать, что является эффективным шагом к уменьшению пробок на дороге. Путем сбора данных и обучению модели ИИ, можно будет ставить адаптивные светофоры и учить их снижать пробки на дорогах. В Ташкенте уже было установлено 8 светофоров с ИИ, которые показали отличные результаты. Даже несмотря на потенциальные опасности данной системы, такие как конфиденциальность данных и прозрачность, преимущества намного перекрывают возможные недостатки. В реалиях Ташкента самым разумным решением внедрение проекта Green Light от компании Google, так как они имеют обширные данные и весомый опыт работы с другими городами, так что для города это будет первым уверенным шагом вперед в будущий Ташкент без пробок. Однако в долгосрочной перспективе стоит.

Литература:

1. Dikshit S., et al. The use of artificial intelligence to optimize the routing of vehicles and reduce traffic congestion in urban areas. London, EAI Endorsed Transactions on Energy Web, 2023, pp. 1–13. https://pdfs.semanticscholar.org/512c/88cb74771cd52d0dc2fc72a93324633ebbe0.pdf .
2. Хакимов Ш. К., и др. Снижение количества выхлопных газов транспортных средств путём компьютерного моделирования перекрёстка. М., Экономика и социум, 2022, с. 715–724. https://cyberleninka.ru/article/n/snizhenie-kolichestva-vyhlopnyh-gazov-transportnyh-sredstv-putyom-kompyuternogo-modelirovaniya-perekrestka/viewer
3. Pillai A. S. Traffic management: Implementing AI to optimize traffic flow and reduce congestion. New Delhi, Journal of Emerging Technologies and Innovative Research, 2024. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4916398
4. Google Research. (2024). Project Green Light: Using AI to reduce traffic emissions and optimize traffic signals. https://sites.research.google/gr/greenlight/ (дата обращения: 06.01.2026)
5. President of the Republic of Uzbekistan. (2025, December 3). Рассмотрены вопросы развития системы транспорта и сокращения пробок в столице. https://president.uz/ru/lists/view/8731 (дата обращения: 06.01.2026)
6. Авдеев В. В. Интеллектуальные транспортные системы в структуре государственного управления. Москва: Современная наука, 2025. С. 8–11. https://cyberleninka.ru/article/n/intellektualnye-transportnye-sistemy-its-issledovanie-vozmozhnostey-primeneniya-its-dlya-upravleniya-potokami-monitoringa-dorozhnoy/viewer
7. Gazeta.uz. Умные светофоры Ташкента. Ташкент: Gazeta.uz, 2023. URL: https://www.gazeta.uz/ru/2023/02/27/traffic-light/ (дата обращения: 06.01.2026)