В статье рассматривается, использование машинного обучения и анализа данных для прогнозирования загруженности дорог и предотвращения пробок в городах. Описывается, как рекуррентные нейронные сети (RNN) могут быть использованы для прогнозирования трафика на дорогах и как можно применить эти прогнозы, чтобы улучшить жизнь людей на транспортной сети. В статье подробно описывается процесс обучения модели RNN на данных о дорожном движении в Москве, а также процесс прогнозирования загруженности дорог на следующие 7 дней. По результатам исследования сделаны выводы, что обученная модель RNN довольно точно прогнозирует загруженность дорог на следующие 7 дней и что эта информация может быть полезна для водителей и пассажиров при планировании поездок с наименьшим количеством или отсутствием пробок, такжесуществуют возможности улучшения модели RNN и ее применения для прогнозирования загруженности дорог в других городах и странах.