mirtrМир транспортаWorld of Transport and Transportation1992-3252Russian University of Transport (RUT)10.30932/1992-3252-2024-22-5-8mirtr-2772Research ArticleУПРАВЛЕНИЕ И ЭКОНОМИКАMANAGEMENT, CONTROL AND ECONOMICSОбучение модели с использованием метода Deep learning для прогноза интенсивности транспортного потокаTraining a Model Using Deep Learning to Predict Traffic Flow Intensityhttps://orcid.org/0000-0003-0345-4350ПугачевИ. Н.PugachevI. N.

Пугачев Игорь Николаевич – доктор технических наук, доцент, заместитель директора по научной работе 

Web of Science Researcher ID: ABY‑8399–2022; Scopus Author ID: 56386223400; РИНЦ AuthorID: 416392.

Хабаровск

Pugachev, Igor N., D.Sc. (Eng), Associate Professor, Deputy Director for Research 

Web of Science Researcher ID: ABY‑8399–2022; Scopus Author ID: 56386223400; Russian Science Citation Index AuthorID: 416392.

Khabarovsk

ipugachev64@mail.ruhttps://orcid.org/0009-0006-3302-5572ШешераН. Г.ShesheraN. G.

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

Web of Science Researcher ID: LCI‑5197–2024; Scopus Author ID: 57209470019; РИНЦ AuthorID: 1033608 

Хабаровск

Sheshera, Nikolay G., Ph.D. (Eng), Associate Professor at the Department of Information and Technical Support of the Internal Affairs Agencies 

Web of Science Researcher ID: LCI‑5197–2024; Scopus Author ID: 57209470019; Russian Science Citation Index AuthorID: 1033608 

Khabarovsk

kolyaka239@mail.ruhttps://orcid.org/0009-0005-4049-9488ГригоровД. Е.GrigorovD. E.

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

Scopus Author ID: 57209470019; РИНЦ AuthorID: 1084181 

Хабаровск

Grigorov, Denis E., Head of the Office of Special Disciplines of the Department of Information and Technical Support of the Internal Affairs Agencies 

Scopus Author ID: 57209470019; Russian Science Citation Index AuthorID: 1084181.

Khabarovsk

glowfisch8lan@gmail.comХабаровский Федеральный исследовательский центр Дальневосточного отделения Российской академии наук (ХФИЦ ДВО РАН)РоссияKhabarovsk Federal Research Center of the Far Eastern Branch of the Russian Academy of Sciences (KhFRC FEB RAS)Russian FederationДальневосточный юридический институт МВД РоссииРоссияFar Eastern Law Institute of the Ministry of Internal Affairs of RussiaRussian Federation2024250620262256071Copyright © Пугачев И.Н., Шешера Н.Г., Григоров Д.Е., 20262026Пугачев 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/2772

Транспортная инфраструктура является важным элементом развития не только населенного пункта, но и страны в целом. Для достижения максимального эффекта в этом направлении необходимо анализировать критерии качества улично-дорожной сети (УДС). Важнейшим из них является интенсивность транспортного потока. Данный показатель – динамический, изменяется под воздействием большого количества характеристик системы «Водитель – Автомобиль – Дорога – Среда» (ВАДС). Сложная система взаимодействия элементов ВАДС затрудняет точное моделирование интенсивности транспортного потока, поэтому, требуется автоматизация процессов обработки данных. Глубокое обучение (deep learning) является одним из наиболее эффективных инструментов в области машинного обучения и искусственного интеллекта, позволяющим создавать модели высокой точности прогнозирования. С использованием нейронных сетей формируется детализированная система взаимосвязей отдельных компонентов влияния независимых переменных на зависимую. На основе обобщения опыта большого количества специалистов предметной области разработана не только структура нейронной сети, но и программа по ее реализации, предусматривающая обучение моделей и прогнозирование. Такой подход к оценке интенсивности транспортного потока применялся впервые и является научной новизной проекта. Целью работы стало исследование по обучению моделей высокого качества методом глубокого обучения для прогноза зависимости интенсивности транспортного потока от погодных условий и характеристик УДС. В работе рассматривается процесс обучения моделей на данных с рубежей контроля транспортного потока системы Интегра КДД г. Хабаровска. Анализируются принципы и правила метода deep learning с целью прогнозирования зависимой переменной. Для каждого рубежа контроля обучена модель, в результате чего появилась возможность комплексной оценки интенсивности транспортного потока. Зависимая переменная характеризуется зависимостью не только от погодных и природных условий, но и от геометрических элементов транспортных сооружений. Качество моделей проверено на заранее подготовленных данных, которые не участвовали в обучении. Графическим путем доказана значимость полученных результатов, которые могут быть важным вкладом в развитие систем управления транспортным движением и повышение эффективности дорожной инфраструктуры.

Transport infrastructure is an important element in the development of not only a locality, but also the country as a whole. To achieve maximum effect in this direction, it is necessary to analyse the criteria for the quality of the street and road network (SRN). The most important of them is the intensity of traffic flow. This indicator is dynamic and changes under the influence of a large number of characteristics of the Driver – Car – Road – Environment (DCRE) system. A complex system of interaction between DCRE elements makes it difficult to accurately model the intensity of traffic flow, therefore, automation of data processing processes is required. Deep learning is one of the most effective tools in the field of machine learning and artificial intelligence, allowing creating models of high forecasting accuracy. Using neural networks, a detailed system of relationships between individual components of the influence of independent variables on the dependent one is formed. Having generalised the experience of a large number of specialists in the subject area, not only the structure of the neural network was developed, but also a program for its implementation, providing for model training and forecasting. This approach to assessing the intensity of traffic flow was used for the first time and is a scientific novelty of the project. The objective of the work was to study the training of high-quality models using the deep learning method to predict the dependence of traffic flow intensity on weather conditions and SRN characteristics. The paper considers the process of training models on data from the traffic flow control lines of the Integra KDD system in Khabarovsk. The principles and rules of the deep learning method are analysed to predict the dependent variable. Amodel was trained for each control line, as a result of which it became possible to comprehensively assess the intensity of traffic flow. The dependent variable is characterised not only by weather and natural conditions, but also by the geometric elements of transport structures. The quality of the models was tested on pre-processed data that was not involved in the training. The significance of the obtained results, which can be an important contribution to the development of traffic management systems and improving the efficiency of road infrastructure, was proven graphically

интенсивность транспортного потокаметод глубокого обучения (deep learning)погодные и природные условиянейронные сетимодельtraffic flow intensitydeep learning methodweather and natural conditionsneural networksmodelReferencesПугачев И. Н., Шешера Н. Г., Григоров Д. Е. Исследование интенсивности транспортного потока методом Deep learning // Мир транспорта. – 2024. – Т. 22. – № 2. – С. 12–24. DOI: https://doi.org/10.30932/1992-3252-202422-2-2.Pugachev, I. N., Sheshera, N. G., Grigorov, D. E. Traffic Flow Intensity Research Based on Deep Learning. World of Transport and Transportation, 2024, Vol. 22, Iss. 2, pp. 12–24. DOI: https://doi.org/10.30932/1992-3252-202422-2-2.Бабков В. Ф. Дорожные условия и безопасность движения. – М.: Транспорт, 1993. – 271 с. ISBN 5-27701402-0.Babkov, V. F. Road conditions and traffic safety [Dorozhnie usloviya i bezopasnost dvizheniya]. Moscow, Transport publ., 1993, 271 p. ISBN 5-277-01402-0.Dujuan Wang, Jiacheng Zhu, Yunqiang Yin, Joshua Ignatius, Xiaowen Wei, Ajay Kumar. Dynamic travel time prediction with spatiotemporal features: using a GNN-based deep learning method. Annals of Operations Research, 2023, Vol. 340, pp. 571–591 DOI: 10.1007/s10479-023-05260-2.Dujuan Wang, Jiacheng Zhu, Yunqiang Yin, Joshua Ignatius, Xiaowen Wei, Ajay Kumar. Dynamic travel time prediction with spatiotemporal features: using a GNN-based deep learning method. Annals of Operations Research, 2023, Vol. 340, pp. 571–591 DOI: 10.1007/s10479-023-05260-2.Jiayu Liu, Xingju Wang, Yanting Li, Xuejian Kang, Lu Gao. Method of evaluating and predicting traffic state of highway network based on deep learning. Journal of Advanced Transportation, 2021, Vol. 2021, Article ID 8878494. DOI: 10.1155/2021/8878494.Jiayu Liu, Xingju Wang, Yanting Li, Xuejian Kang, Lu Gao. Method of evaluating and predicting traffic state of highway network based on deep learning. Journal of Advanced Transportation, 2021, Vol. 2021, Article ID 8878494, 9 pages. DOI: 10.1155/2021/8878494.Козак Е. Б. Разработка гибридной нейронной сети с локальными нейронными блоками для задач совместной фильтрации // Промышленные АСУ и контроллеры. – 2021. – № 9. – С. 19–29. DOI: 10.25791/asu.9.2021.1309.Cozac, E. B. Developing a Hybrid Neural Network with Local Neural Units for Collaborative Filtering Tasks. Industrial Automatic Control Systems and Controllers, 2021, Iss. 9, pp. 19–29. DOI: 10.25791/asu.9.2021.1309.Schwetz, O., Smakanov, B., Kovac, L., George, G. Neural network development and training for recognizing the state of a driver // Вестник Казахской академии транспорта и коммуникаций им. М. Тынышпаева. – 2023. – № 2 (125). – С. 186–195. DOI: 10.52167/1609-1817-2023-1252-186-195.Schwetz, O., Smakanov, B., Kovac, L., George, G. Neural network development and training for recognizing the state of a driver. Bulletin of KazATC, 2023, Iss. 2 (125), pp. 186–195. DOI: 10.52167/1609-1817-2023-125-2-186-195.Малахова В. В., Малахов О. В. Анализ статистических данных с использованием математического аппарата искусственного интеллекта // Вестник Луганского государственного университета имени Владимира Даля. – 2023. – № 11. – С. 177–179. EDN: EADYTE.Malakhova, V. V., Malakhov, O. V. Analysis of statistical data using the mathematical apparatus of artificial intelligence [Analiz statisticheskikh dannykh s ispolzovaniem matematicheskogo apparata iskustvennogo intellekta]. Bulletin of the Vladimir Dahl Lugansk State University, 2023, Iss. 11, pp. 177–179. EDN: EADYTE.Хусаинов Р. М., Талипов Н. Г., Катасев А. С. Нейросетевая сверточная модель распознавания объектов дорожной инфраструктуры в интеллектуальных транспортных системах // Вестник НЦБЖД. – 2023. – № 4 (58). – С. 72–79. EDN: HOHQGY.Khusainov, R. M., Talipov, N. G., Katasev, A. S. Neural network convolutional model for recognizing road infrastructure objects in intelligent transport systems [Neirosetevaya svertochnaya model raspoznavaniya obektov dorozhnoi infrastruktury v intellektualnykh transportnykh sistemakh]. Bulletin of NCBZhD, 2023, Iss. 4 (58), pp. 72–79. EDN: HOHQGY.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., Grigorov, D. E., Sheshera, N. G. 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.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. Program approach to integrated collection and data production on vehicle intensity movements, weather conditions and natural light in hourly intervals. T-Comm: Telecommunication and transport, 2023, Vol. 17, Iss. 10, pp. 43–51. DOI: 10.36724/2072-8735-2023-17-10-43-51.Корягин М. Е., Медведев В. И., Швец Ю. В. Математическая модель распределения автомобилей по дорожной сети по второму принципу Вардропа на основе модели Гриншилдса // Вестник Ростовского государственного университета путей сообщения. – 2023. – № 4 (92). – С. 175–183. DOI: 10.46973/0201-727X_2023_4_175.Koryagin, M. E., Medvedev, V. I., Shvets, Yu. V. Mathematical model of cars distribution along the road network according to the second wardrop principle based on the Greenshields model. Vestnik Rostovskogo gosudarstvennogo universiteta putei soobshcheniya, 2023, Iss. 4 (92), pp. 175–183. DOI: 10.46973/0201727X_2023_4_175.Pugachev, I., Kulikov, Y., Markelov, G., Sheshera, N. Factor Analysis of Traffic Organization and Safety Systems. 12th International Conference «Organization and Traffic Safety Management in large cities», SPbOTSIC‑2016, 28–30 September 2016, St. Petersburg. St. Petersburg, 2017, pp. 529–535. DOI: 10.1016/j.trpro.2017.01.086.Pugachev, I., Kulikov, Y., Markelov, G., Sheshera, N. Factor Analysis of Traffic Organization and Safety Systems. 12th International Conference «Organization and Traffic Safety Management in large cities», SPbOTSIC‑2016, 28–30 September 2016, St. Petersburg. St. Petersburg, 2017, pp. 529–535. DOI: 10.1016/j.trpro.2017.01.086.Taghipour, H., Parsa, A. B., Chauhan, R. S., Derrible, S., Mohammadian, A. K. A novel deep ensemble-based approach to detect crashes using sequential traffic data. IATSS Research, 2022, Vol. 46, Iss. 1, pp. 122–129. DOI: 10.1016/j.iatssr.2021.10.004.Taghipour, H., Parsa, A. B., Chauhan, R. S., DerriblE, S., Mohammadian, A. K. A novel deep ensemble-based approach to detect crashes using sequential traffic data. IATSS Research, 2022, Vol. 46, Iss. 1, pp. 122–129. DOI: 10.1016/j.iatssr.2021.10.004.Diachuk, M., Easa, S. M. Motion planning for autonomous vehicles based on sequential optimization. Vehicles, 2022, Vol. 4, Iss. 2, pp. 344–374. DOI: 10.3390/vehicles4020021.Diachuk, M., Easa, S. M. Motion planning for autonomous vehicles based on sequential optimization. Vehicles, 2022, Vol. 4, Iss. 2, pp. 344–374. DOI: 10.3390/vehicles4020021.Titong Jiang, Yahui Liu, Qing Dong, Tao Xu. Intention-aware interactive transformer for real-time vehicle trajectory prediction in dense traffic. Transportation Research Record, 2023, Vol. 2677, Iss. 3, pp. 946–960. DOI: 10.1177/03611981221119175.Titong Jiang, Yahui Liu, Qing Dong, Tao Xu. Intention-aware interactive transformer for real-time vehicle trajectory prediction in dense traffic. Transportation Research Record, 2023, Vol. 2677, Iss. 3, pp. 946–960. DOI: 10.1177/03611981221119175.Порубов Д. М., Родин А. А., Пинчин А. В., Зарубин Д. Н., Тумасов А. В., Кулепов В. Ф., Орлов Л. Н. Экспериментальные исследования системы контроля полосы движения на основе нейронных сетей // Труды НГТУ им. Р. Е. Алексеева. – 2022. – № 1 (136). – С. 137–147. DOI: 10.46960/1816-210X_2022_1_137.Porubov, D. M., Rodin, A. A., Pinchin, A. V., Zarubin, D. N., Tumasov, A. V., Kulepov, V. F., Orlov, L. N. Experimental studies of traffic lane control systems based on neural networks. Proceedings of NSTU n.a. R. E. Alekseev, 2022, Iss. 1 (136), pp. 137–147. DOI: 10.46960/1816210X_2022_1_137.Балута В. И., Осипов В. П., Рыков Ю. Г., Четверушкин Б. Н. О понятии влияния в концепции когнитивного моделирования при использовании функции активации типа RELU // Информационные технологии и вычислительные системы. – 2023. – № 4. – С. 59–71. DOI: 10.14357/20718632230406.Baluta, V. I., Osipov, V. P., Rykov, Yu. G., Chetverushkin, B. N. On the Concept of Influence in the Concept of Cognitive Modeling when Using the Activation Function of the ReLU Type. Journal of Information Technologies and Computing Systems, 2023, Iss. 4, pp. 59–71. DOI: 10.14357/20718632230406.Бояршинов М. Г., Вавилин А. С. Влияние транспортного затора на продолжительность движения автомобилей по ограниченному участку дороги // Модернизация и научные исследования в транспортном комплексе. – 2022. – Т. 1. – С. 216–220. EDN: XJGFEO.Boyarshinov, M. G., Vavilin, A. S. The Impact of Traffic Jams on the Duration of Vehicle Movement on a Limited Section of the Road. Modernization and Scientific Research in the Transport Complex, 2022, Vol. 1, pp. 216–220. EDN: XJGFEO.Лысов Г. М., Приходько Ф. Н., Коновалова А. А., Тимошенко К. А. Исследование метода прогнозирования временных рядов на транспорте с помощью рекуррентных нейронных сетей // Дневник науки. – 2023. – № 1 (73). – Ст. 16. DOI: 10.51691/2541-8327_2023_1_6.Lysov, G. M., Prikhodko, F. N., Konovalova, A. A., Timoshenko, K. A. Research of the method of forecasting time series in transport using recurrent neural networks [Issledovanie metoda prognozirovaniya vremennykh ryadov na transporte s pomoshchyu rekurrentnykh neironnykh setei]. Science Diary, 2023, Iss. 1 (73). 3), Ser. No. 16. DOI: 10.51691/2541-8327_2023_1_6.Аламир Х. С., Заргарян Е. В., Заргарян Ю. А. Модель прогнозирования транспортного потока на основе нейронных сетей для предсказания трафика на дорогах // Известия ЮФУ. Технические науки. – 2021. – № 6 (223). – С. 124–132. DOI: 10.18522/2311-3103-20216-124-132.Alamir, H. S., Zargaryan, E. V., Zargaryan, Yu. A. Transport flow forecasting model based on neural networks for traffic prediction on roads. Izvestiya SFedU. Engineering sciences, 2021, Iss. 6 (223), pp. 124–132. DOI: 10.18522/23113103-2021-6-124-132.Шленских Д. А., Белокопытов М. Л., Анохин Д. В., Иванов И. Г. Метод синтеза данных для повышения эффективности обучения нейронных сетей // Журнал радиоэлектроники. – 2024. – № 3. – Ст. 10. DOI: 10.30898/1684-1719.2024.3.8.Shlenskih, D. A., Belokopytov, M. L., Anohin, D. V. A method of data synthesis to improve the effectiveness of neural network training. Journal of Radio Electronics, 2024, Iss. 3, Ser. No. 10. DOI: 10.30898/16841719.2024.3.8.Пугачев И. Н., Шешера Н. Г. Влияние величины продольного уклона на ДТП с травматизмом // Наука и Техника в дорожной отрасли. – 2020. – № 3 (93). – С. 4–7. EDN: HLQTEZ.Pugachev, I. N., Sheshera, N. G. The influence of the longitudinal slope on road accidents with injuries [Vliyanie velichiny prodolnogo uklona na DTP s travmatizmom]. Science and Technology in the Road Industry, 2020, Iss. 3 (93), pp. 4–7. EDN: HLQTEZ.Пугачев И. Н., Шешера Н. Г., Каменчуков А. В. Совершенствование методов оценки качества и безопасности дорожного движения. – Хабаровск: Изд-во Тихоокеан. гос. ун-та, 2018. – 160 с. ISBN: 978-5-7389-2708-9.Pugachev, I. N., Sheshera, N. G., Kamenchukov, A. V. Improving methods for assessing the quality and safety of road traffic [Sovershenstvovanie metodov otsenki kachestva i bezopasnosti dorozhnogo dvizheniya]. Khabarovsk, Publishing house of Pacific State University, 2018, 160 p. ISBN: 978-5-7389-2708-9.Пугачев И. Н., Шешера Н. Г. Применение методики коэффициентов травматизма в целях контроля качества будущих и эксплуатируемых дорог // Качество и жизнь. – 2016. – № 1 (9). – С. 58–61. EDN: TKUNAG.Pugachev, I. N., Sheshera, N. G. Application of the technique of coefficients of the injury in order to control the quality of future and existing roads. Quality and life, 2016, Iss. 1 (9), pp. 58–61. EDN: TKUNAG.Паклин Н. Логистическая регрессия и ROC-анализ – математический аппарат // BaseGroup Labs. Технологии анализа данных: сайт. Рязань, 2017. [Электронный ресурс]: https://basegroup.ru/community/articles/logistic. Доступ 25.04.2024.Paklin, N. Logistic Regression and ROC Analysis – Mathematical Apparatus. BaseGroup Labs. Data Analysis Technologies: website. Ryazan, 2017. [Electronic resource]: https://basegroup.ru/community/articles/logistic. Last accessed 25.04.2024.

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