Индия: Дели, Майсур, Сурат Индийские исследователи предложили «кластерный» подход на основе глубокого обучения для прогнозирования времени прибытия автобусов. Метод протестирован на данных трёх городов с разными условиями движения: Дели (смешанный поток, высокая изменчивость времени в пути), Майсур (смешанный поток, низкая изменчивость) и Сурат (система BRT с выделенными полосами). Суть подхода состоит из двух шагов. Сначала с помощью временного анализа отбираются значимые временные признаки, а не произвольно взятые или доступные по умолчанию данные. Затем участки маршрута группируются методом глубокой встроенной кластеризации по схожим пространственно-временным характеристикам времени хода. Для каждого кластера строится отдельная модель вместо одной общей на весь маршрут. В каждом кластере сравнивались три архитектуры: LSTM, сверточная LSTM (ConvLSTM) и ConvLSTM с механизмом внимания. Результаты показали, что разбиение маршрута на однородные группы повышает точность прогноза за счёт снижения неоднородности и лучшего учёта локальных закономерностей. При этом ни одна архитектура не оказалась универсально лучшей: выбор модели зависел от характера трафика и условий эксплуатации конкретного города. Авторы рассматривают это как практическое руководство по подбору моделей прогнозирования под городскую специфику. Исследователи оговаривают ограничения: выводы основаны на данных только трёх городов, а качество прогноза зависит от полноты исходных данных. Источник: Singh R., Garg M., Kumar B.A. Cluster-aware deep learning framework for bus arrival time prediction in Indian cities. Scientific Reports, 2026.