Статья опубликована в №71 (июль) 2019
Разделы: Информационные технологии
Размещена 18.06.2019. Последняя правка: 18.06.2019.
Просмотров - 2141

РАЗРАБОТКА МОДЕЛИ КОНТРОЛЯ И АНАЛИЗА ДОРОЖНОГО ТРАФИКА С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМА НЕЙРОННЫХ СЕТЕЙ

Кириллова Яна Геннадиевна

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:

• интенсивность движения;
• характеристики видимости дороги (уклоны, повороты);
• состояние дорожного покрытия;
• наличие разметки;
• ширина и количество полос;
• дополнительные скоростные ограничения на данном участке;
• погодные условия;
• время суток и сезонность;
• удалённость от населенного пункта;
• назначение дороги (федерального/местного)
• наличие разделительной полосы.

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.

1. Керимов М.А. Методологические основы эффективного функционирования систем автоматической фиксации нарушений ПДД с целью повышения безопасности дорожного движения. Известия ТулГУ. Технические науки. / Р.Н. Сафиуллин, А.В. Марусин, Д.Д. Беликова. 2015. Вып. 5. Ч. 1 c.100-107.
2. Дорожно-транспортная аварийность в Российской Федерации за 9 месяцев 2018 года. Научный центр безопасности дорожного движения. Москва, 2018 г.
3. Показатели состояния безопасности дорожного движения. Госавтоинспекция. [Электронный ресурс] – URL: http://stat.gibdd.ru/ (Дата обращения - 20.04.19).
4. Пугачёв И.Н. Организация и безопасность дорожного движения : учебное пособие для студ. высш. учеб. заведений / А.Э. Горев, Е.М. Олещенко. - М.: Издательский центр «Академия», 2009. - 272 стр.

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