Görögország nyugati részén, a 196 kilométeres Ionia Odos (A5) autópályán élesben működik egy mesterséges intelligenciára épülő forgalomirányítási rendszer, amely valós időben dolgozza fel az útszéli szenzorok, a navigációs alkalmazások, a kamerák és az időjárási adatok jelzéseit. A koncessziót üzemeltető Nea Odos a görögországi autópálya-üzemeltetésben elsőként vezetett be ilyen, MI-alapú valós idejű forgalomirányítási rendszert, amely a beavatkozást nem az esemény után, hanem lehetőség szerint még előtte indítja el. Ugyanezekben a hetekben a brit közlekedési minisztérium közzétette a 2025 júniusával záruló egyéves időszakra vonatkozó előzetes közúti baleseti adatait, amelyek jól mutatják, miért nő az érdeklődés az ilyen megoldások iránt.
A brit közlekedési minisztérium, a DfT (Department for Transport) előzetes adatai szerint a 2025 júniusával záruló egy évben Nagy-Britanniában 1579-en vesztették életüket közúti balesetben, a súlyos sérültekkel együtt pedig közel 30 ezren. A halálos áldozatok száma 3 százalékkal csökkent az előző évhez képest, a súlyosan érintettek száma azonban gyakorlatilag egy évtizede változatlanul magas. Külön aggasztó, hogy a motorosok körében 14 százalékkal nőtt az elhunytak száma.
Önmagában mindkét fejlemény rutinszerű iparági hír. Együtt azonban arra mutatnak rá, hogy az közúti közlekedésbiztonság tekintetében egyre inkább a mesterséges intelligencia, az adatfúzió és a prediktív elemzés válik a baleset-megelőzés központi eszközévé. A szektor szakemberei között erősödik az egyetértés: a fizikai infrastruktúra fejlesztése, az ellenőrzés és a járművezető-képzés továbbra is nélkülözhetetlen, de önmagában már nem elegendő.
Az közútkezelők hagyományosan széttagolt adatforrásokra támaszkodtak: kamerák, indukciós hurkok, időjárási állomások, segélyhívások és az ügyeletesek megfigyelései adták a képet. Ezek a rendszerek a torlódást rendszerint csak annak kialakulása után jelezték, a fejlődő kockázatot viszont nehezen érzékelték valós időben. Az adatfúzióra épülő MI éppen ezen a ponton hoz változást: a tanulóalgoritmusok a korábban megismert mintázatok alapján szűrik ki az eltéréseket, előre jelzik a forgalom instabilitását, és még időben figyelmeztetnek, ha egy helyzet veszélyessé válhat.
MI-alapú forgalomfelügyelet: a cél nemcsak a torlódások kezelése, hanem a veszélyes helyzetek korai felismerése. (Forrás: AI generált illusztráció)
Egy autópálya-szakaszon hirtelen lecsökkenő átlagsebesség, romló időjárás és szabálytalan sávváltások együttese percekkel a tényleges ütközés előtt jelezheti a megnövekedett baleseti kockázatot. Az üzemeltető így nem csak akkor reagálhat, amikor a sor már kialakult, hanem előre aktiválhatja a változtatható jelzésképű táblákat (VJT), finomhangolhatja a sebességszabályozást, vagy időben riaszthatja a járőröket. Ezt a megoldást a reaktív kezeléstől a prediktív beavatkozás felé ma a modern forgalomüzemeltetés egyik legfontosabb vívmányának tartják.
A görög példa jelentősége túlmutat egyetlen autópályán. A közel 1,1 milliárd eurós (mintegy 400 milliárd forintos) gyorsforgalmi úthálózati fejlesztés részeként bevezetett rendszer már egy fontos nemzetközi közlekedési folyosón működik. A teljes kiépítést egy korábbi pilotprojekt előzte meg, amely az üzemeltető beszámolója szerint több mint 15 perccel korábbi eseményészlelést és kevesebb téves riasztást eredményezett. „A kísérlet eredményei felülmúlták a várakozásainkat” – fogalmazott Rodianos Antonakopoulos, a Nea Odos vezérigazgatója.
A kutatások szerint az új MI-alapú megoldások nemcsak ott használhatók, ahol sűrű és korszerű szenzorhálózat működik. Akkor is képesek hálózati szintű forgalmi előrejelzést adni, ha az útmenti érzékelők ritkábban állnak rendelkezésre, mert ezeket az adatokat a járművekből, navigációs rendszerekből és más digitális forrásokból érkező információkkal egészítik ki. Ez különösen azokban az országokban lehet fontos, ahol a közúti infrastruktúra nagy kiterjedésű, de egy része már elöregedett. Ilyenkor nem feltétlenül az egész útszéli eszközpark cseréje jelenti az első lépést: az üzemeltetők a meglévő rendszerekre építhetnek rá egy új, elemző szoftveres réteget. Így a mesterséges intelligencia nem kiváltja, hanem okosabban használhatóvá teszi a már meglévő infrastruktúrát.
A brit „okos autópályák” példája jól mutatja, mekkora lehetőség van a technológiában, de azt is, mennyire érzékeny területről van szó. Az elmúlt évtizedben a brit gyorsforgalmi utak több szakaszán vezettek be úgynevezett okos autópályás megoldásokat: dinamikus sávkezelést, változtatható sebességhatárokat és az álló járművek észlelésére szolgáló rendszereket. Ezek azonban komoly vitákat is kiváltottak, főként azért, mert sokan az események felismerésének megbízhatóságát és a beavatkozás gyorsaságát kérdőjelezték meg. A prediktív MI-rendszerek ezen javíthatnak, mert többféle adatforrást vetnek össze, így az üzemeltetők gyorsabban és pontosabban azonosíthatják a veszélyes helyzeteket.
A piaci lendület gyorsul: a Valerann 2025-ben egy 3,6 millió eurós (mintegy 1,3 milliárd forintos) az Európai Űrügynökség (ESA) által támogatott szerződést is elnyert egy olyan, hálózati szintű forgalommegfigyelő platform fejlesztésére, amely műholdas és földi adatforrásokat is felhasznál. A logika egyszerű: az útszéli rendszerek erősen helyhez kötött képet adnak, a műholdas és a járműadatok viszont szélesebb hálózati kontextust nyújtanak, együtt pedig teljesebb üzemeltetési képet rajzolnak ki.
Mindez különösen aktuális most, amikor Európa-szerte egyre nagyobb figyelem irányul a közlekedésbiztonság javítására.Az előzetes adatok szerint 2025-ben az EU-ban mintegy 19 400-an haltak meg közúti balesetben, ami 3 százalékos csökkenés 2024-hez képest, de még mindig messze elmarad a Vision Zero hosszú távú céljától. Az MI önmagában ugyanakkor nem oldja meg az közúti közlekedésbiztonság kihívásait: az adatminőség, a rendszerek együttműködési képessége, a kiberbiztonság és az irányítási kérdések egyaránt kritikusak maradnak, a prediktív rendszerek pedig alapos üzemeltetési validálást igényelnek, hogy elkerülhetők legyenek a téves riasztások és az, hogy az üzemeltetők túlságosan rábízzák magukat az automatizált rendszerekre.
Miért érdekes mindez Magyarország számára?
Magyarországi szempontból mindez azért érdekes, mert a nagy forgalmú gyorsforgalmi utak, alagutak, hidak és városi bevezető szakaszok biztonsága nálunk is egyre inkább adatvezérelt megközelítést igényel. Az autópálya-hálózat üzemeltetése és a közlekedésbiztonsági célok az uniós Vision Zero irányvonalhoz igazodnak, ahol a hangsúly egyre inkább a teljes rendszer optimalizálásán van, nem csupán a vezetői magatartás szabályozásán. A görög példa azt mutatja, hogy a meglévő infrastruktúrára ráépített elemzői réteg a teljes hálózat cseréje nélkül is javíthatja az eseménykezelést, ami a hazai, részben elöregedő forgalomtechnikai eszközpark mellett kézenfekvő irány lehet. A prediktív megközelítés a logisztikai folyosók mentén is felértékelődhet, hiszen Magyarország fontos tranzitország, ahol a torlódások és az események gyors kezelése közvetlenül érinti a teherforgalmat. A téma hazai vonatkozásait az Autószektor több írásban is körüljárta. Arról, hogy a mesterséges intelligencia miként lép át a puszta megfigyelésből az aktív forgalomirányítási döntéshozatalba, a Nem csak figyel: az AI most tényleg átveszi a város irányítását? című elemzés ad képet. Hogy az adatvezérelt forgalomirányítás kisebb városokban is gyors eredményt hozhat, azt az Egy kisváros, amely lekörözte a nagyokat a forgalomirányításban című esettanulmány mutatja be, kifejezetten Debrecen, Győr vagy Szeged léptékére vetítve. Az ellenőrzés oldaláról pedig a Túl a rendszámfelismerésen: új korszakba lépett az AI-alapú közlekedésellenőrzés című cikk jelzi, milyen messzire jutott már a technológia.
Az út, amerre a szektor halad, egyre világosabb. Az üzemeltetők ma már nem elégednek meg azzal, hogy értik, mi történt korábban a hálózatukon: tudni akarják, mi zajlik most, és egyre inkább azt is, mi várható a következő percekben. A brit baleseti adatok és a görögországi MI-alapú autópálya-üzemeltetési példa ugyanarra mutatnak rá: a közlekedésbiztonságban egyre nagyobb szerepet kapnak azok a rendszerek, amelyek nemcsak utólag kezelik, hanem előre jelzik a kockázatos helyzeteket. Azaz elmondható, hogy az intelligens közlekedésben az előrejelzés gyorsan a megelőzés szinonimájává válik.
Fogalmak:
ITS (Intelligent Transportation Systems): intelligens közlekedési rendszerek, amelyek szenzorok, adatok és szoftverek segítségével támogatják a forgalom irányítását, a torlódások kezelését és a közlekedésbiztonság javítását.
Vision Zero: uniós közlekedésbiztonsági célkitűzés, amely hosszú távon a közúti halálesetek és súlyos sérülések számának nullára csökkentését tűzi ki célul.
Valerann: izraeli közlekedéstechnológiai vállalat, amely mesterséges intelligenciára épülő forgalomelemző és esemény-előrejelző rendszereket fejleszt autópályák és közúthálózatok számára.
VJT (Változtatható Jelzésképű Tábla): elektronikus közúti információs tábla, amely a forgalmi helyzetnek megfelelően változtatható sebességkorlátozást, sávhasználati utasítást, figyelmeztetést vagy egyéb közlekedési információt jeleníthet meg.
DfT (Department for Transport): az Egyesült Királyság közlekedési minisztériuma. A brit kormány központi szerve, amely a közlekedési szakpolitikáért, szabályozásért és országos közlekedésbiztonsági statisztikák publikálásáért felel.
Prediktív mesterséges intelligencia (Predictive AI): olyan MI-alapú technológia, amely a rendelkezésre álló adatok elemzésével előrejelzi a várható eseményeket vagy kockázatokat. A közlekedésben például torlódások, balesetek vagy veszélyes forgalmi helyzetek korai felismerésére használható.
Mozgó járműből gyűjtött forgalmi adat (Floating Car Data, FCD): a közlekedésben részt vevő járművekből – például navigációs rendszerekből vagy flottakövető eszközökből – származó anonim helyzet- és sebességadat, amely valós idejű képet ad a forgalom állapotáról.
Okos autópálya (Smart Motorway): olyan autópálya-szakasz, ahol digitális forgalomirányítási eszközök – például változtatható sebességhatárok, dinamikus sávkezelés és automatikus eseményészlelés – segítik a forgalom biztonságosabb és hatékonyabb lebonyolítását.
Forrás: Intertraffic – Predict and prevent: how AI traffic intelligence is reshaping road safety (intertraffic.com); Nea Odos S.A. és Valerann közös sajtóközleménye; UK Department for Transport – Reported road casualties in Great Britain, provisional estimates: year ending June 2025 (gov.uk). A cikk alapjául az Intertraffic közlekedésbiztonsági híre szolgált; a görögországi Nea Odos–Valerann-projekt egyes műszaki és beruházási részleteihez további háttérként az ITS International beszámolója használható. A képek illusztrációk, egyes esetekben mesterséges intelligencia által generáltak.