Ученые ПНИПУ разработали инструмент для оценки транспортной доступности городских кварталов с учетом особенностей их планировки
То, как устроены районы и кварталы современных городов, напрямую влияет на качество жизни людей. От планировки зависит, сколько времени они тратят на дорогу до работы, насколько им доступны школы, поликлиники и другие повседневные сервисы. Проблема в том, что сегодня нет инструментов, которые бы показывали, как именно перестроить улицу или квартал, чтобы в нем было комфортно жить и быстро добираться в другую часть города. В результате при принятии решений, например, о строительстве новых дорог, нельзя заранее определить их эффективность. Это значит, что значительные средства могут быть потрачены впустую, без улучшения качества жизни горожан. Ученые Пермского Политеха впервые в России создали нейросетевую модель, которая позволяет прогнозировать транспортную доступность кварталов по характеристикам планировки и оценивать, как изменение в ней отразится на доступности. С ее помощью можно не только продумывать новую застройку, но и улучшать уже существующие районы городов.
Статья опубликована в журнале «Научные проблемы архитектуры, градостроительства и архитектуры».
Современные города стремительно разрастаются: появляются новые районы, застройка становится все более рассредоточенной, а вместе с ними увеличиваются и транспортные потоки. В этих условиях доступность — то есть способность жителя за приемлемое время добраться до работы, школы или больницы — становится главным показателем комфорта и качества жизни.
При этом планировка и расположение территории напрямую влияют на стоимость жилья. Районы и кварталы с удобными транспортными связями всегда ценятся больше. И напротив, в местах, куда долго и сложно добираться, городская инфраструктура — магазины, спортивные центры или детские сады — развита слабее. В итоге жители окраин тратят на дорогу больше времени и денег, при этом имеют меньше возможностей для работы и досуга.
Именно поэтому транспортная доступность сегодня находится в центре внимания городских властей, архитекторов и застройщиков. Однако любые ошибки в планировке обходятся крайне дорого: переделывать уже построенные участки или прокладывать дополнительные дороги — это миллиардные траты. Это значит, что необходимо уметь предсказывать последствия градостроительных решений еще на этапе проектирования.
До сих пор главными инструментами оценки транспортной доступности оставались навигационные сервисы вроде «Яндекс.Карт» или Google Maps, а также специальные математические модели, учитывающие распределение рабочих мест по городу.
Однако у них есть принципиальное ограничение: они показывают только текущую ситуацию («как долго ехать от точки А до точки Б»). Эти инструменты не отвечают на главные вопросы: почему время в пути именно такое и что конкретно нужно изменить в устройстве улиц и кварталов, чтобы сократить его. Это значит, что с их помощью невозможно понять, на какие именно факторы нужно воздействовать, чтобы ускорить поездки.
Кроме того, доступность сильно зависит не только от удаленности от центра, но и от планировки. Например, от плотности улиц, количества перекрестков и тупиков, извилистости проездов. Два района на одинаковом расстоянии от центра могут сильно различаться именно из-за этих параметров. В результате власти тратят бюджет на решения, которые не всегда дают ожидаемый эффект: к примеру, строят новые дороги, но поездки не становятся быстрее.
Это касается не только новых районов, но и уже существующих. Во многих из них доступность страдает из-за неудачной планировки. При этом выявить такие проблемные места и понять, что именно нужно исправить, без специального инструмента невозможно.
Ученые Пермского Политеха создали нейросетевую модель — компьютерную программу, которая не просто измеряет транспортную доступность, а объясняет, от чего она зависит. Она позволит прогнозировать, какие изменения в устройстве улиц действительно повлияют на скорость передвижения, а какие окажутся бесполезными.
Чтобы создать модель, исследователи проанализировали реальный российский город с разными типами застройки — исторической, советской и современной. Его разбили на кварталы и для каждого собрали данные о планировке: плотность улиц, количество перекрестков, тупиков, извилистость проездов.
Также ученые рассчитали количество рабочих мест в разных районах — ведь чем их больше находится поблизости, тем чем быстрее до них добраться. Кроме того, эксперты рассчитали модельное время поездок между кварталами с учетом не просто расстояния, а типов улиц. Например, на широких магистралях скорость выше, а на узких дворовых проездах — ниже, что сказывается на общем времени поездки.
На основе этих данных для каждого квартала был рассчитан единый показатель — индекс транспортной доступности. Его вычисляли стандартным способом, учитывая количество рабочих мест, достижимых в пределах 45 минут. Именно столько, согласно строительным нормам, составляет максимально допустимое время поездки до места работы. Чем выше индекс, тем лучше район связан с остальной частью города и тем легче его жителям добираться до важных объектов.
— Сегодня знать фактический уровень доступности недостаточно — с этим справляются и традиционные методы. Нужен инструмент, который мог бы заранее оценивать изменения в планировке. Для этого на основе двух наборов данных — планировочных параметров кварталов и их индексов — мы создали нейросетевую модель. Она умеет прогнозировать транспортную доступность и показывать, какие изменения в устройстве улиц повлияют на удобство поездок. Это позволит проанализировать не только еще не построенные территории, но и уже существующие, — рассказала Екатерина Савельева, старший преподаватель кафедры «Архитектура и урбанистика» ПНИПУ.
Модель обучили на реальных данных: расстояние до центра города, параметры всех кварталов и соответствующие им индексы. Она изучила эти примеры и научилась связывать планировку с уровнем доступности. После обучения модель стала работать как калькулятор: нужно только ввести характеристики территории, включая удаленность от центра, и получить оценку. При этом можно менять разные параметры — например, увеличить извилистость проездов — и увидеть, как при этом изменится прогнозируемая доступность.
Чтобы убедиться, что решение работает корректно, ученые загрузили параметры всех кварталов города, получили индексы и сравнили их с реальными, которые рассчитали вручную. Модель показала высокую точность прогноза: показатель качества составил 95%. Это означает, что она правильно воспроизводит реальную ситуацию и ее можно использовать для оценки.
— Однако главное преимущество разработки по сравнению с традиционными методами в том, что она не просто выдает индекс, но и показывает, какие именно характеристики и как сильно на него влияют. Модель делает это с помощью анализа важности признаков. Она оценивает вклад каждого параметра в итоговый прогноз и показывает, изменение какого из них даст наибольший эффект. Например, если в двух кварталах на одинаковом расстоянии от центра доступность различается, наша модель может показать: в первом случае проблему создает излишняя извилистость улиц, а во втором — недостаток перекрестков. Это дает архитекторам и планировщикам четкое понимание, на что именно нужно воздействовать, — отметила Екатерина Савельева.
Разработка пермских ученых позволяет принимать обоснованные решения еще на этапе проектирования, избегая дорогостоящих ошибок. Но у нее есть и другое важное применение — она помогает находить проблемные участки в уже существующей застройке, те места, где доступность снижена именно из-за неудачной планировки, а не удаленности от центра. Такой инструмент не только позволит властям эффективнее расходовать бюджет, направляя средства лишь на те проекты, которые действительно сделают города удобнее, но и в конечном счете повысит качество и комфорт жизни людей по всей стране.