Публикации автора

Введение. Сложная система взаимодействия характеристик системы Водитель-Автомобиль-Дорога-Среда (ВАДС) является предметом исследований ученых всего мира. Если объяснить закономерности явлений, присутствующих при совершении ДТП, то можно смоделировать некоторые транспортные процессы. Для этого необходимо рассмотреть большое количество признаков, разделяя их на статические и динамические. Особое внимание уделяется последним, из-за нестабильности состояния характеристик. К этой категории относятся интенсивность транспортного потока и погодные условия. Существует немало методов по повышению точности прогностических моделей, но такой применяется впервые. Главная особенность данного метода – логическая и статистическая обоснованность автоматизации подбора широт интервалов. Это необходимо не только для группировки признаков, но и для повышения их значения при совместном анализе. Например, для интенсивности транспортных потоков ширина может быть 100 авт/час (0-100, 101-200, 201-300 и т. д.), но она не будет эффективна с прогностической точки зрения для ширины интервала температуры воздуха 5°С (-25 - -20, -19 -15, -14 - 10 и т. д.). Соответственно, целью работы стало определение эффективных прогностических широт интервалов интенсивности транспортного потока (зависимый признак) и погодных условий (независимые признаки).

Материалы и методы. Данная работа является продолжением большого проекта по повышению безопасности дорожного движения, в котором уже проводились подобные исследования, для определения эффективных широт интервалов с использованием ранговой корреляции Спирмена. Установлены значения, при которых температурные режимы (воздуха, почвы и точки росы) лучше всего описывают интенсивность транспортного потока. Для комплексной характеристики потребовалось провести дополнительный анализ оставшихся независимых признаков. Созданы новые алгоритмические структуры с использованием языка программирования Python, в которых последовательно сравнивались установленные широты интервалов признаков таким образом, чтобы отработать все возможные их комбинации. Каждый результат подвергался корреляционному анализу, и рассчитывалась вероятность ошибки.

Результаты. В результате экспериментального подбора широт интервалов определены самые эффективные из них. Критерием отбора стал последующий корреляционный анализ. Принимались значения коэффициента больше 0,7 или меньше -0,7. Также рассчитывалась вероятность ошибки, принимались значения меньше 0,05. Таким образом, получено большое количество комбинаций, отвечающих необходимым условиям. Далее для каждого признака подобрана та ширина интервала, при которой она чаще встречается с другими, а в случае одинакового количества встреч является наименьшей из них.

Заключение. В результате проделанной работы определены эффективные широты интервалов, в которых анализировались исследуемые признаки. Эта работа в последующих трудах способствовала качественному обучению модели. Благодаря чему была создана программа по прогнозу интенсивности транспортного потока, зависящей от показателей погодных условий, с использованием нейронных сетей.

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. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.