Публикация научных статей.
Вход на сайт
E-mail:
Пароль:
Запомнить
Регистрация/
Забыли пароль?
Научные направления
Поделиться:
Разделы: Информационные технологии
Размещена 18.06.2019. Последняя правка: 18.06.2019.

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


Аннотация:
Разработка модели представления зависимости и влияния выделенных факторов и параметров дороги на потенциальное количество нарушений ПДД.


Abstract:
Development of a model for representing dependency and the influence of selected factors and road parameters on the potential number of traffic violations.


Ключевые слова:
анализ данных; статистика; моделирование; графовая модель; нейронная сеть; безопасность дорожного движения; комплекс фото-видео фиксации; параметры дороги

Keywords:
data analysis; statistics; modeling; graph model; neuron network; road movement safety; photo-video fixation complex; road parameters; statistica neural networks


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.

Модель 1

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.


Модель 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.

Библиографический список:

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.




Комментарии пользователей:

Оставить комментарий


 
 

Вверх