Проблемы интеллектуального анализа данных при моделировании транспортных потоков мегаполиса

Рассматриваются проблематика использования в транспортной модели интеллектуального анализа данных как цифровой платформы анализа данных транспортных потоков мегаполиса и предпосылки создания в будущем единых банков данных и интегрированной среды взаимодействия моделей разных уровней как кластеров цифровой экономики, которые будут учитывать все виды транспорта для оценки транспортного спроса и создания проектов организации дорожного движения мегаполиса.

Целью данной работы является исследование процессов получения количественных характеристик объектов транспортного моделирования при создании единой электронной среды с помощью вычисления производных параметров транспортной сети мегаполиса. Количественные пространственные характеристики объекта связаны с вычислением удалённости от центра города и магистральной улицы и определяются с помощью геоинформационных систем, вследствие чего возникает проблема унификации и эффективного хранения данных.

В рамках реализации поставленной цели показано, что для всех первичных транспортных данных необходимо создавать процедуру предобработки, а также валидации, так как источники данных имеют различный формат и пространственную интерполяцию для трековых данных. Для этого рекомендуется использовать различные методы анализа данных на основе ГИС-технологий, цифрового моделирования рельефа, топологии дорожной сети и других объектов транспортной сети мегаполиса, при этом до момента использования интеллектуальных данных требуется проведение работы по форматированию и группировке исходных данных в режиме реального времени. Наиболее распространённые ошибки возникают на этапе итерационного процесса для получения количественных характеристик объектов транспортного моделирования и построения оптимальных с точки зрения времени проезда маршрутов движения по некоторой транспортной сети.

Тенденции роста городов требуют глобальной цифровизации всех объектов транспортной инфраструктуры, учитывающих изменение функций транспортной среды и интенсивности транспортных потоков. Это диктует необходимость дальнейшей разработки и применения новых информационных технологий для обработки данных с помощью нейронных сетей и других цифровых технологий. 

1. ГОСТ Р 56670-2015 Интеллектуальные транспортные системы. Подсистема мониторинга параметров транспортных потоков на основе анализа телематических данных городского пассажирского транспорта. [Электронный ресурс]: http://docs.cntd.ru/document/1200125977. Доступ 20.07.2020.

2. Ваксман С. А. Информационные технологии в управлении городским общественным пассажирским транспортом (задачи, опыт, проблемы) / Под ред. С. А. Ваксмана – Екатеринбург: Изд-во АМБ, 2012. – 250 с.

3. Куфтинова Н. Г. Моделирование динамики автотранспортных потоков с помощью кластерного анализа // Сб. научных трудов по итогам IV международной научно-практ. конференции «Транспортное планирование и моделирование». – СПб., 2019. – С. 106–108.

4. Куфтинова Н. Г. Математическое моделирование транспортных потоков на основе макро- и микроподходов городской транспортной системы // Сб. научных трудов по итогам III международной научнопракт. конференции «Транспортное планирование и моделирование. Цифровое будущее управления транспортом» / Под ред. д-ра техн. наук, профессора С.В. Жанказиева. – М.: МАДИ, 2018. – С 67–76.

5. Куфтинова Н. Г. Интеллектуальная транспортная инфраструктура мегаполиса на основе геоанализа и геомоделирования автотранспортных систем // Логистический аудит транспорта и цепей поставок: материалы международной научно-практической конференции. – Тюмень: ТИУ, 2018. – С. 76–82.

6. Куфтинова Н. Г. Общая характеристика транспортных моделей для оценки дорожной сети на городских территориях // Сб. научных трудов по итогам III международной научной конференции «Scientific Discoveries», Карловы Вары – Москва. – М., 2018. – С. 47–60. ISBN978-5-00090-133-5.

7. Marcus, G., Davis, E. Eight (No, Nine!) Problems With Big Data. [Электронный ресурс]: https://www.nytimes.com/2014/04/07/opinion/eight-no-nineproblems-with-big-data.html?_r=0. Доступ 20.07.2020.

8. Chenyang Xu; Changqing Xu; Trieu-Kien Truong. Mining the spatio-temporal pattern using matrix factorisation: A case study of traffic flow. IET Intelligent Transport Systems, 2020, Vol. 14, Iss. 10, pp. 1328–1337. DOI: http://dx.doi.org/10.1049/iet-its.2019.0705. Доступ 23.10.2020.

9. Alam, O., Kush, A., Emami, A., Pouladzadeh, P. Predicting irregularities in arrival times for transit buses with recurrent neural networks using GPS coordinates and weather data. Journal of Ambient Intelligence and Humanized Computing, 2020. DOI: https://doi.org/10.1007/s12652-020-02507-9. Доступ 23.10.2020.

10. Guerreiro, G., Figueiras, P., Silva, R., Costa, R., Jardim-Goncalves, R. An architecture for big data processing on intelligent transportation systems. An application scenario on highway traffic flows. 2016 IEEE 8th International Conference on Intelligent Systems (IS), 2016, pp. 65–72. DOI: 10.1109/IS.2016.7737393. Доступ 20.07.2020.

11. Kohan, M., Ale, J. M. Discovering Traffic Congestion through Traffic Flow Patterns Generated by Moving Object Trajectories. Computers, Environment and Urban Systems, March 2020, Vol. 80, Article 101426. DOI: 10.1016/j.compenvurbsys.2019.101426. Доступ 20.07.2020.

12. Kumar, B. A., Vanajakshi, L., Subramanian, S. C. A Hybrid Model Based Method for Bus Travel Time Estimation. Journal of Intelligent Transportation Systems, 2018, Vol. 22, Iss. 5, pp. 390–406. DOI: 10.1080/15472450.2017.1378102. Доступ 20.07.2020.

13. Taamneh, M., Alkheder, S., Taamneh, S. DataMining Techniques for Traffic Accident Modeling and Prediction in the United Arab Emirates. Journal of Transportation Safety & Security, 2017, Vol. 9, Iss. 2, pp. 146–166. DOI: https://doi.org/10.1080/19439962.20 16.1152338. Доступ 20.07.2020.

14. Norris, D. RapidMiner – a potential game changer. November 15, 2013. [Electronic resource]: https://www.bloorresearch.com/2013/11/rapidminer-a-potentialgame-changer/. Доступ 17.07.2020.

15. Якубович А. Н., Куфтинова Н. Г., Рогова О. Б. Информационные технологии на автотранспорте: Учеб. пособие. Московский автомобильно-дорожный государственный технический университет (МАДИ). – М., 2017. – 252 с. [Электронный ресурс]: http://www.lib.madi.ru/fel/fel1/fel17E429.pdf. Доступ 17.07.2020.

16. Mousa, S.R., Mousa, R.M., Ishak, S., Radwand, L. Modeling Speed-Density Relation for Highways in Developing Countries with No Lane Discipline: A Case Study in Egypt. 2017 ASCE India Conference, 2018, pp. 725–735. DOI: 10.1061/9780784482025.074. Доступ 17.07.2020.

17. Kong, X., Das, S., Jha, K., Zhang, Y. Understanding Speeding Behavior From Naturalistic Driving Data: Applying Classification Based Association Rule Mining. Accident Analysis and Prevention, September 2020, Vol. 144. DOI: https://doi.org/10.1016/j.aap.2020.105620. Доступ 23.10.2020.