Пензенский государственный университет
Студент
Финогеев А.А., кандидат технических наук, доцент кафедры САПР, Пензенский государственный университет
УДК 004
Аварийность на автомобильном транспорте наносит огромный материальный и моральный ущерб как обществу в целом, так и отдельным гражданам. Из года в год в Российской Федерации в результате дорожно-транспортных происшествий погибают и получают ранения свыше 270 тысяч человек. Обеспечение безопасности дорожного движения (БДД) является составной частью национальных задач обеспечения личной безопасности, решения проблем демографических, социальных и экономических, а также повышения качества жизни и содействия развитию регионов [1].
Одна из важнейших задач центра организации дорожного движения (ГКУ ЦОДД) – предупреждение правонарушений в области дорожного движения, а также сокращение числа дорожно-транспортных происшествий, связанных с нарушениями ПДД. Успешно решать данную задачу позволяют установленные на дорогах страны автоматические комплексы фото-видео фиксации.
Актуальность выбранной темы и значимость проведения данного научного исследования подтверждается содержанием данных нормативных документов. В частности, среди задач, утверждённых в паспорте Национального проекта "Безопасные и качественные автомобильные дороги" содержатся следующие пункты: «Разработка методики перераспределения мест размещения камер фото-видео фиксации нарушений правил дорожного движения» со сроком реализации до 01.10.19, а также последовательное ежегодное (до 2024 года) увеличение количества стационарных камер фото-видео фиксации на автомобильных дорогах различного значения вплоть до 211% от базового количества.
Целью данной научно-исследовательской работы является оценка влияния различных особенностей дороги на количество нарушений и поиске критериев для определения мест с наибольшим числом нарушений и выделении данных критериев с учетом коэффициентов влияния на число нарушений.
Научная новизна. В рамках данной работы было проведено исследование влияния различных факторов на количество административных правонарушений в области дорожного движения. Было проанализированы данные статистики правонарушений и дорожно-транспортных происшествий в РФ и по Пензенской области на основе на основе [2] и [3]. В соответствии с этим и диаграммой из [4] выделены наиболее значимые факторы:
Для наглядного представления исследуемого явления была разработана модель (рисунок 1), представляющая собой ориентированный граф G = (V, E), где V – конечное множество вершин: N, F1,F2,F3,F4,F5,F6,F7,F8,F9,F10,F11, F12 где вершина N – количество нарушений на участке за отрезок времени, а вершины F1-F12 соответствуют предварительно выделенным факторам.
Рисунок 1. Графовая модель изучаемой зависимости
Дуги на графе отображают связи влияния факторов F1-F8 на количество нарушений.
Пунктирными прямоугольниками на модели выделены группы факторов схожие по своей «природе». Факторы первой группы можно охарактеризовать, как геометрические параметры дороги, устанавливаемые на этапе проектирования дорожного участка или в процессе последующего его ремонта или расширения. Вторую группу факторов можно условно объединить понятием «характеристики дорожного покрытия», которые могут изменяться с течением времени под из-за внешнего воздействия. Группу факторов третьей группы назовём «погодно-временными». Это факторы случайного внешнего воздействия, никак не зависящие от человека.
Пунктирные дуги указывают возможные влияния факторов друг на друга, причем как на отдельные параметры, так и на выделенные группы в целом.
Будем рассматривать задачу выбора конечных входных параметров модели с точки зрения решения задачи по определению потенциально эффективного места расположения комплекса автоматической фото-видео фиксации нарушений. Тогда, на данном этапе, можно сказать о нецелесообразности принятия во внимание факторов погодно-временной группы. Это связано с тем, что комплексы фиксации работают постоянно, и не выключаются в зависимости от времени суток или погодных условий, а сами погодные явления носят больше вероятностный характер и не могут быть заданы, как входной параметр для прогнозирования. Также, в рамках данной работы, факторы «Удалённость от населенного пункта» и «Дополнительные скоростные ограничения» также было решено исключить из окончательного набора и оставить на рассмотрение в рамках дальнейших дополнительных исследований и доработок по расширению и усовершенствованию модели данной предметной области.
Затем, было проанализировано более 2 млн. данных с ряда комплексов фото-видео фиксации по Пензенской области и подготовлены выборки по этим данным.
В качестве составляющих конечной модели, в рамках текущей работы, были выделены факторы из модели на рисунке 1, за исключением вышеуказанных. Их эмпирическим оценкам были поставлены в соответствие и назначены числовые коэффициенты.
Были полученны коэффициенты корреляции по данным модели, которые в общем виде отражают начальное предположение о значимости выделенных параметров. Поэтому было решено дополнить ими конечную модель путём использования в качестве весовых коэффициентов дуг графа. Полученная модель представлена на рисунке 2.
Рисунок 2. Полученная модель
Чтобы получить возможность практического применения модели и на основе новых наборов исходных данных о дороге получать прогноз о потенциальной аварийности участка и возможном количестве нарушений, на наборе выделенных данных в программном пакете STATISTICA Neural Networks были обучены несколько нейронных сетей различной архитектуры и выбрана, и отображена наиболее оптимальная по размерности и производительности.
Исходя из анализа чувствительности НС, можно сделать вывод о том, что наибольшее влияние на количество нарушений для данной сети оказывают факторы: количество проездов на участке (интенсивность потока), состояние дорожного полотна, а так же геометрические параметры дороги (количество, ширина полос и наличие разделения полос встречного и попутного движения), что совпадает с предварительным предположением на основе анализа данных с комплексов фото-видео фиксации.
Данная обученная нейронная сеть представляет интерес и с точки зрения её практического применения, так, с её помощью можно предсказать возможное количество нарушений на участке, введя необходимые параметры дороги и данные по количеству проездов, а следовательно, сделать предварительные выводы о потенциальной эффективности работы комплекса фото-видео фиксации на данном участке дороги.
Результаты работы сети по предсказанию количества нарушений по пользовательским входным данным оказались следующими: при изменении в «худшую сторону» от обучающего значения состояния дорожного полотна наблюдается ожидаемое изменение конечного возможного количества нарушений в меньшую сторону.
Полученную сеть можно так же сохранить в удобном формате для дальнейшего использования на других наборах данных, например, встроить, как модуль в программное обеспечение АРМ специализированного сотрудника.
Прогон проверочной выборки дал ожидаемо верные результаты, следовательно, сеть была обучена качественно.
Результаты данного исследования могут быть использованы, как ГИБДД в процессе разработки мероприятий по снижению аварийности на участках автомобильных дорог, так и специализированными частными организациями для принятия решения об установке комплекса фото-видео фиксации путём анализа его потенциальной эффективности на определенном участке дороги.
Рецензии:
28.08.2019, 8:30 Сулейманова Лилия Ирфановна
Рецензия: В рецензируемой работе описано применение нейронных сетей с целью предупреждения правонарушений в области дорожного движения.
Тема машинного обучения, интеллектуальных алгоритмов и искусственного интеллекта чрезвычайно актуальна в наше время.
Нейронные сети имеют ряд достоинств:
- нейронные сети способны корректно функционировать, даже если на входе данные зашумлены;
- нейронные сети могут подстраиваться под изменяющуюся окружающую обстановку;
- нейронные сети способны нормально функционировать даже при достаточно серьезных повреждениях;
- нейронные сети решают задачи быстрее большей части других алгоритмов.
В работе приведено описание практического обучения нескольких нейронных сетей различной архитектуры. Проведен анализ и выбрана наиболее оптимальная по размерности и производительности нейронная сеть. Приведены рекомендации по области применения обученной нейронной сети.
Вывод: рецензируемая работа может быть рекомендована к опубликованию . К.т.н., Сулейманова Л.И.
Комментарии пользователей:
Оставить комментарий