Дорожные пробки являются серьёзной проблемой в большинстве городов мира, приводя к огромным задержкам, увеличению потерь топлива и денег. Кроме того, выхлопные газы наносят значительный урон окружающей среде. В отличие от обычных компьютерных сетей, которые испытывают перегрузки из-за чрезмерного трафика, в дорожно-транспортных сетях могут возникать спонтанные пробки из-за всплесков трафика в коротких временных рамках. Они воздействуют на плотность транспортного потока на других улицах (и даже районах), способствуя образованию новых заторов за пределами пороговой плотности.

Плохое управление дорожным движением может спровоцировать продолжительные периоды пробок на дорогах, что наблюдается в большинстве мегаполисах мира. В 10 крупнейших городах с наихудшим уровнем транспортных потоков среднее количество часов, потраченных впустую на одного пассажира в год, превышает 150 часов. А учёные-урбанисты доказали, что, когда это количество превышает 35 часов в год, это отрицательно влияет на экономику. Это обстоятельство остаётся важным барьером на пути экономического развития этих регионов, особенно развивающихся, с плохо управляемыми дорожными сетями и автострадами. Сокращение времени простоя транспорта улучшает качество жизни, в том числе за счёт улучшения качества воздуха.

Несмотря на то, что сами пробки на дорогах — это плохо, но специалисты всё-таки подразделяют их на «хорошие» и «плохие». Определённый уровень плотности транспортного потока, особенно в густонаселённых городских районах, может указывать на процветание и бурное экономическое развитие, как и во многих крупных городах. Вопреки общепринятому мнению, что заторы на дорогах возникают из-за чрезмерного трафика, ситуации парализованного движения на продолжительные периоды времени, например, несколько часов, на самом деле могут быть вызваны небольшими всплесками трафика в других транспортных развязках и в небольших временных масштабах.

Основная причина пробок связана не с недостаточной пропускной способностью дорог, а с «эффектом спирали», вызванным небольшим всплеском, который подталкивает дорожно-транспортную сеть к сходу с точки равновесия — то есть провоцируя понижение пропускной способности. Возникает другая точка равновесия — перегруженности, и вот она, как, раз очень стабильна, а единственный способ выйти из неё — резко уменьшить входной поток транспорта. Пропускная способность транспортного канала является переменной и зависит от плотности трафика на любом другом совмещающемся канале, а любой входной поток, превышающий оптимальную рабочую скорость в течение короткого времени, приводит к тому, что плотность превышает критический порог, автоматически вызывая эффект спирали, инициирующий возникновение внезапного транспортного коллапса. Следует отметить, что это явление спирали отличается от явления распространения возмущений, которое приводит к фантомным пробкам, поскольку это особенность кривой дорожного движения, а не микроскопические возмущения, возникающие спонтанно.

Эксплуатационная скорость выхода из канала со свободным потоком, которая определяет, насколько быстро канал опустошается, зависит от плотности трафика. Каждый канал достигает оптимальной пропускной способности при соответствующей оптимальной рабочей плотности, за пределами которой скорость выхода быстро падает. Заторы можно уменьшить, если контролировать скорость въезда транспортных средств до того, как она достигнет критической точки. Развивающиеся страны инвестируют большие суммы в модернизацию интеллектуальных систем управления дорожными сетями в городах для решения этой проблемы.

Концепция кривых трафика, которая очень популярна в сетях автомобильного движения, доказывает, что ситуации возникают из-за отсутствия хорошей организации дорожного движения и хаотичного вождения с высокой плотностью автомобилей. Если такой коллапс, вызванный внезапным всплеском, возникает, то потом всей инфраструктуре будет очень трудно восстановиться в течение нескольких часов, если не будет тщательно контролироваться входящий транспортный поток. Существует два основных способа моделирования транспортных потоков — макроскопические (континуальные) модели и микроскопические (следующие за автомобилем). В первом случае связь между плотностью движения и скоростью устанавливается в виде уравнения в частных производных. Это позволяет определять пробки именно как события типа «остановка-движение». Однако для этого требуются высококачественные данные о плотности дорожного движения, тогда как на практике большинство доступных данных от существующих приборов в городах или от навигаторов самих транспортных средств представляют собой информацию о времени в пути, либо данные о скорости движения. Последняя характеристика ещё сложнее для корректного построения модели, из-за большого количества параметров. Но такие модели работают только для организации движения с повторяющейся цикличностью закономерностей.

Краткосрочное прогнозирование трафика — это смежная тема, имеющая долгую историю в академическом сообществе. Задача состоит в том, чтобы определить модели транспортных потоков в какой-то будущий небольшой момент времени — обычно от одной до пяти минут, но обычно от одной минуты до часа. Большая часть основополагающих работ в области краткосрочного трафика исходит из моделей, основанных на анализе временных рядов. Тут используется подход машинного обучения, моделирующий регрессию с использованием опорных векторов, нейронных сетей и сопоставления графических моделей с эталоном. Прежние системы более субъективны и основаны на множестве человеческих суждений, например, анализируют изображения с дорожных камер, чтобы определить загруженность дороги, либо используют видеопотоки для точной оценки скорости и плотности трафика, иногда используют стратегически расположенные передатчики Wi-Fi для мониторинга состояния трафика. Однако общей чертой этих систем является необходимость получения данных из базового набора данных. То есть происходит оценка плотности трафика в данный момент времени, без возможности краткосрочного точного прогнозирования.

Одной из альтернатив является использование информации о скорости каждого транспортного средства для определения общего состояния дорожного движения во всём районе. Для этого требуется другой процесс установления уровней обслуживания, поскольку значение скорости зависит от понятия свободного потока в данной точке. Помимо основной информации, измерения сопровождаются временной меткой и двумя типами данных о скорости: средней скоростью автомобиля на участке и средним временем, необходимым для прохождения участка. Теоретически каждый сигнал является непрерывным — его временная метка представляет собой моментальный снимок. На практике и из-за ограничений опроса информация обновляется каждую минуту. Таким образом, хотя метка времени имеет степень детализации в секундах, её можно преобразовать до минутной детализации без потери общности. Для обработки такого массива входящей информации нужны значительные мощности центров обработки данных (ЦОД). Но зато, на такой точечной информации, нейросети способны производить расчёты краткосрочного прогнозирования транспортного коллапса в пределах большого района. А системы управления транспортной сетью, уже на основе поступающих данных, могут заранее менять период переключения светофоров на въезде в город/район.