南乌拉尔国立大学的一位研究人员开发并申请了交通拥堵预测系统的专利。该程序通过分析路口摄像头采集的视频流，识别五类车辆，并能高精度预测拥堵发生的时间与地点。为实现这一成果，该研究者还另外申请了两项辅助程序的专利：其一用于视频处理，其二用于扩充模型训练数据集。
通常情况下，路口的摄像头主要用于违章抓拍。但南乌拉尔国立大学研究员鲁赫绍娜·朱拉耶娃提出了更广泛的用途：让摄像头自动统计车辆数量、按类别分类并评估车流密度。这套新型计算机程序包可通过神经网络算法流水线处理视频数据，即在繁忙路口完成车辆的检测、追踪和分类。操作员可即时获取自动生成的统计表格，其中清晰显示通过的小轿车、出租车、小巴、公交车和卡车的具体数量。
“我的研究核心目标是预测拥堵，而为此首先需要实时评估车流动态，”鲁赫绍娜·朱拉耶娃介绍道，“我在分析中使用了塔吉克斯坦共和国杜尚别市现有路口摄像头的视频流。摄像头本身无需更换或升级，只需在操作员电脑上安装我们的程序即可。第一套模型负责处理视频并统计车辆，同时将其划分为五类。随后，第二套程序对数据进行扩充——添加时间特征，包括具体分钟、小时、星期几、周末或工作日。最后，第叁套模型整合多种最优机器学习算法的结果，预测下一路口在一段时间后是否会发生拥堵。”
这位车里雅宾斯克研究者的发明与同类产物的差异在于其数据处理方式。研究者使用了平行于道路安装的路口摄像头，这些摄像头能够从多个角度同时对整个方向的车流进行分析。此外，朱拉耶娃特别强调了按车辆类别进行统计。她指出，如果数据显示高密度车流主要来自私家车，城市管理部门便可据此做出决策，例如加大公共交通系统的发展力度。
该解决方案的便利之处在于无需更换摄像头——程序直接集成到监控路口交通的操作员电脑中。专业人员可实时获取直观的统计数据与预测结果，随后自行决定是否调整信号灯配时或重新分配车流。
值得重视的是，该研发充分考虑了拥堵的系统性特征：若某一路口形成拥堵，数分钟后下一路口也会出现同样情况。程序可提前做出预测，为操作员留出采取应对措施的时间。这套独特的神经网络程序包可适配至俄罗斯任何城市及其当地路口的条件。