Использование нейронной сети для учёта и анализа показателей работы транспортного предприятия

В последнее время возрастает актуальность вопроса определения фактических значений пассажиропотока на городском общественном и пригородном транспорте на каждом участке маршрута в режиме реального времени, которые оказывают значительное влияние на планирование и организацию, а также на показатели работы транспортного предприятия.
Оценить реальные размеры пассажиропотока по числу оформленных пассажирам проездных документов не представляется возможным из-за большого количества неучтённых пассажиров (несоответствия числа оформленных проездных документов реальному значению перевезённых пассажиров).
Целью исследования, результаты которого приводятся в статье, является разработка интеллектуальной системы для расчёта и анализа показателей работы транспортного предприятия, которая в автоматическом режиме позволяет собирать, обрабатывать и анализировать информацию о пассажиропотоках, рассчитывать коэффициент сменности пассажиров на маршруте, составлять оптимальные графики и расписание движения автобусов, корректировать интервалы движения транспортных средств, определять потребность в подвижном составе с целью минимизации вероятности отказа пассажиру в посадке, повышения качества обслуживания пассажиров и снижения эксплуатационных расходов транспортного предприятия.
Подсчёт значений пассажиропотока в режиме реального времени по каждому транспортному средству на маршруте городского общественного транспорта осуществляется количественным методом, основанным на технологии искусственной нейронной сети, позволяющим в автоматическом режиме обрабатывать большой объём информации с камер видеонаблюдения, которыми оборудуются салоны транспортных средств.
С использованием теоретических методов исследования и с помощью интеллектуальной системы выполнены анализ и сравнение числа оформленных проездных документов с фактическим числом перевезённых пассажиров на маршруте городского общественного транспорта Самары с выводом результатов в графический интерфейс пользователя. Получены зависимости числа неучтённых пассажиров на маршруте от величины пассажиропотока и времени суток. Отмечена возможность использования предлагаемой интеллектуальной системы в пригородных электричках при условии оборудования вагонов камерами видеонаблюдения.

1. Қорганбай, А. Ж. Л., Сарсенов А. Е. Результаты исследования качественных показателей работы городского пассажирского транспорта // Современные научные исследования и инновации. – 2021. – № 1 (117). – С. 10. [Электронный ресурс]: https://elibrary.ru/item.asp?id=44655068. Доступ 28.02.2023.

2. Kbilashvili, D., Chogovadze, Ju., Gogiashvili, P., Lekveishvili, G. Analysis of the results of a pilot study of problems existing in passenger traffic by urban passenger transport. Bulletin of Science and Practice, 2018, Vol. 4, No 5, pp. 231–238. DOI: 10.5281/zenodo.1246177.

3. Чумаченко И. В., Давидич Ю. А., Галкин А. С., Давидич Н. В. Оценка качества перевозки пассажиров городским транспортом при различном количестве транспортных средств, работающих на маршруте // Наука и техника. – 2017. – Т.16. – № 5. – С. 415–421. DOI: 10.21122/2227-1031-2017-16-5-415-421.

4. Fadeev, A. I. The task of determining the actual routes in the traffic control system using satellite navigation. IOP Conf. Series: Materials Science and Engineering, 2019, Vol. 537, Iss. 2, 022043. DOI: 10.1088/1757-899X/537/2/022043.

5. Fadeev, A. I., Alhusseini, S. Passenger trips analysis determined by processing validation data of the electronic tickets in public transport. IOP Conference Series: Materials Science and Engineering, International Conference Aviation Engineering and Transportation (AviaEnT 2020), 21st‑26th September 2020, Irkutsk, Russia, Vol. 1061, 012001. DOI: 10.1088/1757-899X/1061/1/012001.

6. Леонова С. А. Обеспечение безопасности на городском общественном транспорте // Проблемы безопасности на транспорте: материалы ХII Междунар. науч.-практ. конф., посвящ. 160‑летию Бел.ж.д. (Гомель, 24–25 ноября 2022 г.): в 2 ч. Ч.2 / М-во трансп. и коммуникаций Респ. Беларусь, Бел.ж.д., Белорус. гос. ун-т трансп.; под общ. ред. Ю. И. Кулаженко. – Гомель: БелГУТ, 2022. – 447 с. – С.131–133. ISBN 978-985-891-071-6 (ч. 2). [Электронный ресурс]: https://www.elibrary.ru/download/elibrary_49904770_88286874.pdf. Доступ 28.02.2023.

7. Дерр Е. С., Киселёв В. А., Горячкина И. Н. Методы и способы обследования пассажиропотока // Современные автомобильные материалы и технологии (САМИТ‑2020): Сборник статей XII Международной научно-технической конференции, посвящённой 25‑летию кафедры технологии материалов и транспорта, Курск, 23 октября 2020 года. – Курск: Юго-Западный государственный университет, 2020 – С.98–101. [Электронный ресурс]: https://elibrary.ru/item.asp?id=44160578. Доступ 28.02.2023.

8. Колебер Ю. А. Методы обследования маршрутных пассажиропотоков на пассажирском транспорте общего пользования в городах // NovaInfo.Ru. – 2018. – № 87.– С.38–43. [Электронный ресурс]: https://novainfo.ru/res/ojrm7bjocp.pdf. Доступ 28.02.2023. [Полный текст выпуска журнала].

9. Hui, Bo; Yan, Da; Chen, Haiquan; Ku, Wei-Shinn. TrajNet: A Trajectory-Based Deep Learning Model for Traffic Prediction. KDD ‘21: Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining, August 2021, pp. 716–724. DOI: https://doi.org/10.1145/3447548.3467236 [ограниченный доступ].

10. Weiming Liu, Xiaorui Du, Qinghua Geng, Jingning Li, Haiyu Li, Lan Liu. IOP Conference Series: Materials Science and Engineering, Vol. 688, Iss. 4, 044025. DOI: 10.1088/1757-899X/688/4/044025.

11. Liu, G., Yin, Z., Jia, Y., Xie, Y. Passenger flow estimation based on convolutional neural network in public transportation system. Knowledge-Based Systems, 2017, Vol. 123, pp. 102–115. DOI: https://doi.org/10.1016/j.knosys.2017.02.016.

12. Menezes de, Á. L. L., Almeida de, R. C, Almonfrey, D., Nunes, R. B. Using Artificial Intelligence for Obtaining Vehicle Occupancy Using Security Cameras. 2021 14th IEEE International Conference on Industry Applications (INDUSCON), São Paulo, Brazil, 2021, pp. 635–639. DOI: 10.1109/INDUSCON51756.2021.9529418.

13. Velastin, S. A., Fernández, R., Espinosa, J. E., Bay, A. Detecting, Tracking and Counting People Getting On/Off a Metropolitan Train Using a Standard Video Camera. Sensors, 2020, Vol. 20, Iss. 21, 6251. DOI: https://doi.org/10.3390/s20216251.

14. Bernardin, K., Stiefelhagen, R. Evaluating Multiple Object Tracking Performance: The CLEAR MOT Metrics. Eurasip Journal on Image and Video Processing, 2008, Art. 246309. DOI:10.1155/2008/246309.

15. Brunetti, A., Buongiorno, D., Trotta, G. F., Bevilacqua, V. Computer vision and deep learning techniques for pedestrian detection and tracking: A survey. Neurocomputing, 2018, Vol. 300, pp. 17–33. DOI: https://doi.org/10.1016/j.neucom.2018.01.092.