Игорь Николаевич Пугачев, д-р техн. наук, доц., зам. руководителя
680000; ул. Дзержинского, 54; Хабаровск
Igor N. Pugachev, Dr. of Sci. (Engineering), Associate Professor, Head
680000; 54 Dzerzhinsky str.; Khabarovsk
Николай Геннадьевич Шешера, канд. техн. наук, доц.
кафедра ИиТО ОВД
680020; пер. Казарменный, д. 15; Хабаровск
Nikolay G. Sheshera, Cand. of Sci. (Engineering), Associate Professor
Department of Information and Technical Support of Internal Affair Agencies
680020; 15 Kazarmennyi lane; Khabarovsk
Денис Евгеньевич Григоров, начальник кабинета
кафедра ИиТО ОВД; кабинет специальных дисциплин
680020; пер. Казарменный, д. 15; Хабаровск
Denis Yе. Grigorov, head of the office of Department
Department of Information and Technical Support of Internal Affair Agencies; office of special disciplines
680020; 15 Kazarmennyi lane; Khabarovsk
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.
Introduction. The complicated system of characteristic interaction between the Driver-Car-Road-Environment (DCRE) is the research subject for the scientists around the world. If we explain the patterns of phenomena present during road accidents, we will be able to model some transport processes. To do this, we need to consider a large number of characteristics, dividing them into static and dynamic. Particular attention is paid to the latter, due to the instability of the features. This category includes traffic flow intensity and weather conditions. There are a lot of methods for increasing the accuracy of predictive models, but this method has been used for the first time. Logicaland statistical validity of the selection automation of interval rages are the main feature of this method. This is necessary not only for grouping features, but also for increasing their value in a joint analysis. For example, for the intensity of traffic flows the index number can be 100 vehicles/hour (0-100, 101-200, 201-300, etc.), but it will not be effective from a prognostic point of view for the temperature interval index of 5°C (-25 - -20, -19 -15, -14 - 10,etc.).
Accordingly, the goal of the work was to determine the effective forecasting of the interval’s width of traffic flow intensity (dependent feature) and weather conditions (independent features).
Materials and methods. This work is a continuation of a large project on improving road traffic safety, in which similar studies have already been conducted to determine the effective interval coefficients using Spearman’s rank correlation. The values at which temperature regimes (air, soil and dew point) best describe the intensity of the traffic flow were established. For a comprehensive characterization, additional analysis was necessary to conduct of the remaining independent features. New algorithmic structures were created using the Python programming language, in which the established feature interval ranges were sequentially compared in such a way as to process all possible combinations. Each result was subjected to correlation analysis, and the probability of error was calculated.
Results. As a result of the experimental selection of interval ranges, the most effective of them were determined. The selection criterion was the subsequent correlation analysis. The coefficient values greater than 0.7 or less than -0.7 were accepted. The probability of error was also calculated, and values less than 0.05 were accepted. Thus, a large number of combinations were obtained that meet the necessary conditions. Further, for each feature, the interval width was selected at which it is more often intersected with others, and in the case of the same number of intersections, it is the smallest of them.
Conclusion. As a result, effective interval widths were determined in which the investigated features had been analyzed. This study in subsequent works contributed to the high-quality training of the model using the deep learning method. Thanks to this research, a program to predict the intensity of the traffic flow, depending on weather conditions with using neural networks was created.
The authors declare that there are no conflicts of interest present.