Обучение модели с использованием метода Deep learning для прогноза интенсивности транспортного потока

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.

1. Пугачев 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.

2. Бабков В. Ф. Дорожные условия и безопасность движения. – М.: Транспорт, 1993. – 271 с. ISBN 5-27701402-0.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. 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.

24. 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.

25. 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.