References

mirtr

Мир транспорта

World of Transport and Transportation

1992-3252

Russian University of Transport (RUT)

10.30932/1992-3252-2024-22-2-2

mirtr-2698

Research Article

ВОПРОСЫ ТЕОРИИ

THEORY

Исследования интенсивности транспортного потока методом Deep learning

Traffic Flow Intensity Research Based on Deep Learning

https://orcid.org/0000-0003-0345-4350

Пугачев

И. Н.

Pugachev

I. N.

Пугачев Игорь Николаевич – доктор технических наук, доцент, заместитель директора по научной работе ХФИЦ ДВО РАН.

Хабаровск

Web of Science Researcher ID ABY-8399-2022; Scopus Author ID 56386223400; РИНЦ Author ID 416392

Igor N. Pugachev - D.Sc. (Eng), Associate Professor, Deputy Director for Scientific Work of Khabarovsk Federal Research Centre of the Far Eastern Branch of the Russian Academy of Sciences (KhFRC FEB RAS).

Khabarovsk

Web of Science Researcher ID ABY-8399-2022; Scopus Author ID 56386223400; Russian Science Citation Index Author ID 416392

ipugachev64@mail.ru

https://orcid.org/0009-0006-3302-5572

Шешера

Н. Г.

Sheshera

N. G.

Шешера Николай Геннадьевич – кандидат технических наук, доцент кафедры информационного и технического обеспечения ОВД.

Хабаровск

Web of Science Researcher ID LCI-5197-2024; Scopus Author ID 57209470019; РИНЦ Author ID 1033608

Nikolay G. Sheshera - Ph.D. (Eng), Associate Professor at the Department of Information and Technical Support of Internal Affairs Bodies of Far Eastern Law Institute of the Ministry of Internal Affairs of Russia.

Khabarovsk

Web of Science Researcher ID LCI-5197-2024; Scopus Author ID 57209470019; Russian Science Citation Index Author ID 1033608

kolyaka239@mail.ru

https://orcid.org/0009-0005-4049-9488

Григоров

Д. Е.

Grigorov

D. E.

Григоров Денис Евгеньевич – начальник кабинета специальных дисциплин кафедры информационного и технического обеспечения ОВД.

Хабаровск

Scopus Author ID 57209470019; РИНЦ Author ID 1084181

Denis E. Grigorov - Head of the Office of Special Disciplines of the Department of Information and Technical Support of Internal Affairs Bodies of Far Eastern Law Institute of the Ministry of Internal Affairs of Russia.

Khabarovsk

Scopus Author ID 57209470019; Russian Science Citation Index Author ID 1084181

glowfisch8lan@gmail.com

Хабаровский Федеральный исследовательский центр Дальневосточного отделения Российской академии наук (ХФИЦ ДВО РАН)РоссияKhabarovsk Federal Research Centre of the Far Eastern Branch of the Russian Academy of SciencesRussian Federation

Дальневосточный юридический институт МВД РоссииРоссияFar Eastern Law Institute of the Ministry of Internal Affairs of the Russian FederationRussian Federation

2024

02012025

2221224

2025

Пугачев И.Н., Шешера Н.Г., Григоров Д.Е.

Pugachev I.N., Sheshera N.G., Grigorov D.E.

Данная работа распространяется под лицензией Creative Commons Attribution 4.0.

This work is licensed under a Creative Commons Attribution 4.0 License.

https://mirtr.elpub.ru/jour/article/view/2698

В гармоничной транспортной системе автомобильные потоки рационально распределяются в зависимости от возможностей дорог и улиц по обеспечению пропускной способности с учетом систем регулирования. При этом не уделяется должного внимания изменениям погодных и природных условий, что в свою очередь значительно корректирует режимы движения, выводя их из стабильного, прогнозируемого состояния. Современные программно-аппаратные комплексы и информационные ресурсы больших городов имеют широкий диапазон регистрируемых показателей, оказывающих влияние на распределение транспортных потоков. Их автоматизированная обработка с использованием алгоритмического инструментария машинного обучения сформировала комплексное представление о закономерностях изменения показателя интенсивности, что является новым этапом повышения безопасности дорожного движения, стремящейся к нулевой смертности.

Научная новизна предлагаемого исследования заключается в приемах и подходах к исследованию погодно-климатических характеристик и факторов улично-дорожной сети, их предварительной обработке с использованием современных статистических и логических методов нормализации и исключения случайных выбросов.

Метод глубокого обучения открывает широкие возможности для анализа интенсивности транспортного потока. Путем обработки больших объемов данных такие алгоритмы способны выявлять сложные паттерны и взаимосвязи, что позволяет улучшить прогнозирование движения транспорта и оптимизировать управление его потоками. Для корректной работы нейронной сети по обучению модели и исследования интенсивности транспортного потока разработан комплекс программных инструментов по предварительной обработке данных, который включает поэтапный анализ структур массивов с последующей заменой значений или исключением ошибок.

После предварительной очистки данных в соответствии с синтаксисом программной логики и правилами статистического анализа был применен метод поиска и исключения аномалий – метод изолированного леса.

Данное направление вошло в состав большого исследования интенсивности транспортного потока, а продемонстрированные результаты являются совокупностью решений на основе системного взаимодействия разработанных авторами программ и методик статистических и аналитических преобразований.

In a harmonious transport system, traffic flows are rationally distributed depending on the capacity of roads and streets to ensure transit capacity, considering the traffic light control systems. At the same time, due attention is not paid to changes in weather and natural conditions, which in turn significantly adjusts driving regimes, taking them out of a stable, predictable state. Modern software and hardware systems and information resources of large cities have a wide range of recorded indicators that affect distribution of traffic flows. Their automated processing using algorithmic machine learning tools has formed a comprehensive understanding of the patterns of change in the traffic intensity indicator, which is a new stage of improving road traffic safety, striving for zero mortality.

The scientific novelty of the study refers to the techniques and approaches to studying the weather and climate characteristics and factors of the street-and-road network, their preliminary processing using modern statistical and logical methods of normalisation and eliminating random outliers.

The deep learning method opens wide opportunities for analysing the intensity of the road traffic flow. By processing large amounts of data, such algorithms are able to identify complex patterns and relationships, which improves traffic forecasting and optimises traffic management. For correct operation of the neural network for training the model and studying the road traffic flow intensity, a set of software tools for preliminary data processing has been developed, which includes a step-by-step analysis of array structures with subsequent replacement of values or elimination of errors.

Preliminary data cleaning in accordance with the syntax of the program logic and the rules of statistical analysis is followed by application of a method for searching and eliminating anomalies was used, i.e. the isolation forest method.

This research direction was part of a large study on road traffic flow intensity, and the described results are a set of solutions based on the system interaction of software and methods of statistical and analytical transformations developed by the authors.

транспортные системыинтенсивность транспортного потокаметод глубокого обученияпогодные и природные условиянейронные сетимодель

transport systemstraffic flow intensitydeep learning methodweather and natural conditionsneural networksmodel

References1

Бабков В. Ф. Дорожные условия и безопасность движения. – М.: Транспорт, 1993. – 271 с. ISBN 5-277-01402-0.

Babkov, V. F. Road conditions and traffic safety [Dorozhnie usloviya i bezopasnost dvizheniya]. Moscow, Transport publ., 1993, 271 p. ISBN 5-277-01402-0.

Pavlyuk, D. Robust and Responsive Learning of Spatiotemporal Urban Traffic Flow Relationships. IEEE Transactions on Intelligent Transportation Systems, 2022, Vol. 23, Iss. 9, pp. 14524–14541. DOI: 10.1109/TITS.2021.3130146.

Oktarina, Yu., Sastiani, D. Z., Dewi, T. Simulation Design of Artificial Intelligence Controlled Goods Transport Robot. Computer Engineering and Applications Journal, 2022, Vol. 11, Iss. 2, pp. 155–165. DOI: 10.18495/COMENGAPP.V11I2.411.

Пугачев И. Н., Щеглов В. И. Реализация программ комплексного развития транспортных инфраструктур агломераций и соседствующих субъектов Российской Федерации на основе создания информационной системы // Транспорт и сервис. – 2021. – № 9. – С. 7–16. EDN: AMDQXT.

Pugachev, I. N., Shcheglov, V. I. Implementation of programs for integrated development of transport infrastructures of agglomerations and neighbouring entities of the Russian Federation based on creation of an information system [Realizatsiya program kompleksnogo razvitiya transportnykh infrastruktur aglomeratsii i sosedstvuyushchikh subektov Rossiiskoi Federatsii na osnove sozdaniya informatsionnoi sistemy]. Transport and service, 2021, Iss. 9, pp. 7–16. EDN: AMDQXT.

Lugbade, S., Ojo, S., Imoize, A. L., Isabona, J., Alaba, M. O. A Review of Artificial Intelligence and Machine Learning for Incident Detectors in Road Transport Systems. Mathematical and Computational Applications, 2022, Vol. 27, Iss 5, 77. DOI: 10.3390/mca27050077.

Москвитин В. М., Семенова Н. И. Влияние шума на рекуррентные нейронные сети с нелинейными нейронами // Известия высших учебных заведений. Прикладная нелинейная динамика. – 2023. – Т. 31. – № 4. – С. 484–500. DOI: https://doi.org/10.18500/0869-6632-003052.

Moskvitin, V. М., Semenova, N. И. Noise influence on recurrent neural network with nonlinear neurons. Izvestiya VUZ. Applied Nonlinear Dynamics, 2023, Vol. 31, Iss. 4, pp. 484–500. DOI: https://doi.org/10.18500/0869-6632-003052.

Пугачев И. Н., Тормозов В. С. Разработка нового метода детектирования и классификация транспортных средств по спутниковым изображениям // Дороги и мосты. – 2023. – Вып. 49–1. – С. 199–221. [Электронный ре сурс]: https://rosdornii.ru/upload/iblock/de5/4m83hirrtm29nzdyiknu9vg4rse3q7me/11.-Pugachev-Razrabotka-novogo-metoda.pdf. Доступ 29.12.2023.

Pugachev, I. N., Tormozov, V. S. Development of a new method for detection and classification of vehicles using satellite images [Razrabotka novogo metoda detektirovaniya i klassifikatsiya transportnykh sredstv po sputnikovym izobrazheniyam]. Dorogi i mosty, 2023, Iss. 49–1, pp. 199–221. [Electronic resource]: https://rosdornii.ru/upload/iblock/de5/4m83hirrtm29nzdyiknu9vg4rse3q7me/11.-Pugachev-Razrabotka-novogo-metoda.pdf. Last accessed 29.12.2023.

Пугачев И. Н., Скрипко П. Б., Шешера Н. Г. Программный подход к комплексному сбору и подготовки данных об интенсивности движения транспортных средств, погодных условий и естественной освещенности в часовых интервалах // T-Comm: Телекоммуникации и транспорт. – 2023. – Т. 17. – № 10. – С. 43–51. DOI: 10.36724/2072-8735-2023-17-10-43-51.

Pugachev, I. N., Skripko, P. B., Sheshera, N. G. A software approach to the integrated collection and preparation of data on vehicle traffic intensity, weather conditions and natural light in hourly intervals [Programmniy podkhod k kompleksnomu sboru i podgotovki dannykh ob intensivnosti dvizheniya transportnykh sredstv, pogodnykh uslovii i estestvennoi osveshchennosti v chasovykh intervalakh]. T-Comm: Telecommunications and transport, 2023, Vol. 17, Iss. 10, pp. 43–51. DOI: 10.36724/2072-8735-2023-17-10-43-51.

Kopp, T., Weitemeyer, R., Beyer, J., Ziegler, D., Hess, R. Entscheidungsunterstützung in Leitstellen des Personennahverkehrs – Technische und sozio-technische Herausforderungen [Artificial Intelligence for Decision Support in Local Public Transport Control Centers– Technical and Socio-technical Challenges]. HMD Praxis der Wirtschaftsinformatik, 2023, Vol. 60, Iss. 6, pp. 1156–1173. DOI: https://doi.org/10.1365/s40702-023-00996-8.

Пугачев И. Н., Шешера Н. Г. Применение методов статистического анализа для оценки параметров транспортных потоков и характеристик улично-дорожной сети // Дальневосточный юрид. ин-т МВД России. – Хабаровск: РИО ДВЮИ МВД России, 2020. – 108 с. ISBN 978-5-9753-0313-4.

Pugachev, I. N., Sheshera, N. G. Application of statistical analysis methods for assessing the parameters of traffic flows and characteristics of the street and road network [Primenenie metodov statisticheskogo analiza dlya otsenki parametrov transportnykh potokov i kharakteristik ulichno-dorozhnoi seti]. Far Eastern Law Institute of the Ministry of Internal Affairs of Russia. Khabarovsk, RIO DVUI MVD of Russia, 2020, 108 p. ISBN 978-5-9753-0313-4.

Черных В. С., Жихарев А. Г., Федосеев А. Д., Мартон Н. А. Сравнение эффективности различных методов обучения нейронных сетей // Научный результат Информационные технологии. – 2023. – Т. 8. – № 1. – С. 83–93. DOI: 10.18413/2518-1092-2022-8-1-0-8.

Chernih, V. S., Zhikharev, A. G., Fedoseev, A. D., Marton, N. A. Comparison of efficiency of different methods of training neural networks. Research Result Information Technologies, 2023, Vol. 8, Iss. 1, pp. 83–93. DOI: 10.18413/2518-1092-2022-8-1-0-8.

Михалев О. Н., Янюшкин А. С. Автоматизация технологических процессов на основе нейронной сети. Автоматизация. Современные технологии. – 2022. – Т. 76. – № 4. – С. 147–152. EDN: DIEMHO.

Mikhalev, O. N., Yanyushkin, A. S.Automation of technological processes based on neural network [Avtomatizatsiya tekhnologicheskikh protsessov na osnove neironnoi seti]. Automation. Modern technologies, 2022, Vol. 76, Iss. 4, pp. 147–152. EDN: DIEMHO.

Nguyen, H. T., Nguyen, L. T., Afanasiev, A. D., Pham, L. T. Classification of Road Pavement Defects Based on Convolution Neural Network in Keras. Automatic Control and Computer Sciences, 2022, Vol. 56, Iss. 1, pp. 17–25. DOI: https://doi.org/10.3103/S0146411622010084.

Сокерин Д. Д. Введение в искусственные нейронные сети // Информация и образование: границы коммуникаций. – 2023. – № 15 (23). – С. 284–286. EDN: WKHNMZ.

Sokerin, D. D. Introduction to Artificial Neural Networks [Vvedenie v iskusstvennie neironnie seti]. Information and Education: The Frontiers of Communication, 2023, Iss. 15 (23), pp. 284–286. EDN: WKHNMZ.

Пугачев И. Н., Шешера Н. Г., Щеглов В. И. Анализ геометрических элементов дорог с помощью современных геоинформационных систем при оценке их аварийности // Вестник гражданских инженеров. – 2021. – № 3 (86). – С. 127–133. DOI: 10.23968/1999-5571-2021-18-3-127-133.

Pugachev, I. N., Sheshera, N. G., Shcheglov, V. I. Analysis of geometric elements of roads when assessing their accident rate by means of modern geoinformational systems. Bulletin of civil engineers, 2021, Iss. 3 (86), pp. 127–133. DOI: 10.23968/1999-5571-2021-18-3-127-133.

Аррыкова Г. К., Эзизова С. Э., Гараев Г. Б., Ходжакаева Д. М. Искусственный интеллект и нейронные сети: современные технологии в решении ключевых проблем. Ceteris Paribus, 2023, Iss. 12, pp. 16–18. [Электронный ресурс]: https://sciartel.ru/arhiv-journal/CP-2023–12.pdf?ysclid=m06mw02bpt288436451 [полный текст выпуска]. Доступ 29.12.2023.

Arrykova, G. K., Ezizova, S. E., Garayev, G. B., Khodzhakaeva, D. M. Artificial intelligence and neural networks: modern technologies in solving key problems [Iskusstvenniy intellect i neironnie seti: sovremennie tekhnologii v reshenii klyuchevykh problem]. Ceteris Paribus, 2023, Iss. 12, pp. 16–18. [Electronic resource]: https://sciartel.ru/arhiv-journal/CP-2023–12.pdf?ysclid=m06mw02bpt288436451 [full text of the issue]. Last accessed 29.12.2023.

Шашев Д. В., Шатравин В. В. Реализация сигмоидной функции активации с помощью концепции перестраиваемых вычислительных сред // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. – 2022. – № 61. – С. 117–127. EDN: PDIJZM.

Shashev, D. V., Shatravin, V. V. Implementation of the sigmoid activation function using the concept of reconfigurable computing environments [Realizatsiya sigmoidnoi funktsii aktivatsii s pomoshchyu kontseptsii perestraivaemykh vychislitelnykh sred]. Bulletin of Tomsk State University. Management, Computer Science and Information Technology, 2022, Iss. 61, pp. 117–127. EDN: PDIJZM.

Дулесов А. С., Байшев А. В., Карандеев Д. Ю., Дулесова Н. В., Карандеева И. Ю. Предварительная обработка статистических данных о состоянии однородных технических объектов // Научно-технический вестник Поволжья. – 2023. – № 4. – С. 80–83. EDN: EFIDGU.

Dulesov, A. S., Baishev, A. V., Karandeev, D. Yu., Dulesova, N. V., Karandeeva, I. Yu. Preliminary processing of statistical data on the state of homogeneous technical objects [Predvaritelnaya obrabotka statisticheskikh dannykh o sostoyanii odnorodnykh tekhnicheskikh obektov]. Scientific and Technical Bulletin of Volga Region, 2023, Iss. 4, pp. 80–83. EDN: EFIDGU.

Резова Н. Л., Казаковцев Л. А., Шкаберина Г. Ш., Цепкова М. И. Предварительная обработка данных для анализа поведения сложных систем // Системы управления и информационные технологии. – 2022. – № 2 (88). – С. 40–45. EDN: BYGESB.

Rezova, N. L., Kazakovtsev, L. A., Shkaberina, G. Sh., Tsepkova, M. I. Preliminary data processing for analysing the behaviour of complex systems [Predvaritelnaya obrabotka dannykh dlya analiza povedeniya slozhnykh system]. Control Systems and Information Technologies, 2022, Iss. 2 (88), pp. 40–45. EDN: BYGESB.

Акимов А. А., Валитов Д. Р., Кубряк А. И. Предварительная обработка данных для машинного обучения // Научное обозрение. Технические науки. – 2022. – № 2. – С. 26–31. EDN: GWGJSK.

Akimov, A. A., Valitov, D. R., Kubryak, A. I. Preliminary data processing for machine learning [Predvaritelnaya obrabotka dannykh dlya mashinnogo obucheniya]. Scientific review. Technical sciences, 2022, Iss. 2, pp. 26–31. EDN: GWGJSK.

Безменов И. В. Метод очистки измерительных данных от выбросов: поиск оптимального решения с минимальным количеством отбракованных результатов измерений // Измерительная техника. – 2023. – № 1. – С. 16–23. EDN: KISWIN.

Bezmenov, I. V. Method of cleaning measurement data from outliers: search for an optimal solution with a minimum number of rejected measurement results [Metod ochistki izmeritelnykh dannykh ot vybrosov: poisk optimalnogo resheniya s minimalnym kolichestvom otbrakovanykh resultatov izmerenii]. Measuring equipment, 2023, Iss. 1, pp. 16–23. EDN: KISWIN.

The authors declare that there are no conflicts of interest present.