Исследования интенсивности транспортного потока методом Deep learning

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.

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

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

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

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.