sibadiНаучный рецензируемый журнал "Вестник СибАДИ"The Russian Automobile and Highway Industry Journal2071-72962658-5626The Siberian State Automobile and Highway University10.26518/2071-7296-2026-23-2-240-253HZPUWKsibadi-2211Research ArticleТРАНСПОРТTRANSPORTМетодика выявления аварийно-опасных зон на основе пространственной кластеризации данных о дорожно-транспортных происшествияхMethodology for identifying accident-prone zones based on spatial clustering of road accident datahttps://orcid.org/0000-0002-9949-4404ХамитовР. М.KhamitovR. M.

Хамитов Ренат Минзашарифович – канд. техн. наук, доц. кафедры «Информационные технологии и интеллектуальные системы»

420066, г. Казань, ул. Красносельская, д. 51

AuthorID: 464622

Scopus Author ID: 57222149321

Researcher ID: ADQ-3954-202

Khamitov Renat M. – Candidate of Technical Sciences, Associate Professor, Information Technologies and Intelligent Systems Department

51, Krasnoselskaya St., Kazan, 420066

Author ID: 464622

Scopus Author ID: 57222149321

Researcher ID: ADQ-3954-2022

hamitov@gmail.comКазанский государственный энергетический университетРоссияKazan State Power Engineering UniversityRussian Federation202606052026232240253Copyright © Хамитов Р.М., 20262026Хамитов Р.М.Khamitov R.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sibadi.org/jour/article/view/2211

Введение. Повышение безопасности дорожного движения требует разработки методов проактивного выявления участков с повышенной концентрацией дорожно-транспортных происшествий. Существующие подходы недостаточно используют потенциал анализа исторических пространственно-временных данных для прогнозирования зон повышенного риска.Материалы и методы. В работе использованы данные о 16 247 ДТП за период 2015–2024 гг. по г. Казани, предоставленные ГИБДД. Применен метод пространственной кластеризации по фиксированному радиусу (100 м) с порогом плотности 20 ДТП на зону. Для обработки данных использованы библиотеки Python (pandas, haversine), для визуализации – folium и GeoJSON.Результаты. Разработаны методика и алгоритм выявления аварийно-опасных зон, включающая этапы предварительной обработки геоданных, кластеризации по радиусу, оценки плотности аварий и характеристики зон по доминирующим типам ДТП. Выявлено 127 аварийно-опасных зон, из которых 50 наиболее значимых характеризуются концентрацией от 21 до 87 ДТП. Установлено, что 78% зон локализованы на перекрестках и участках с интенсивным движением. Временной анализ выявил пик аварийности в вечерние часы (17:00–20:00) и увеличение количества ДТП на 23% в осенне-зимний период.Обсуждение и заключение. Предложенная методика позволяет объективно идентифицировать аварийно-опасные зоны, выявленные алгоритмом кластеризации с учетом пространственной концентрации происшествий. Результаты могут быть интегрированы в навигационные системы для формирования контекстно-зависимых предупреждений водителям. Практическая значимость подтверждена разработкой прототипа мобильного приложения на платформе Android с использованием Yandex MapKit SDK. Практическое значение: методика обеспечивает снижение трудозатрат на выявление проблемных участков дороги и повышает эффективность распределения ресурсов дорожно-эксплуатационных служб.Разработан прототип мобильного приложения на платформе Android с использованием Yandex MapKit SDK, обеспечивающий визуальное и звуковое предупреждение водителей при приближении к аварийно-опасным зонам.Оригинальность/ценность: комплексный подход, объединяющий пространственный анализ данных ГИБДД с возможностью оперативной визуализации и интеграции в мобильные навигационные сервисы для проактивного предупреждения водителей.

Introduction. Improving road safety requires the development of methods for proactive identification of areas with an increased concentration of road accidents. Existing approaches do not sufficiently use the potential of analyzing historical spatiotemporal data to predict accident-prone zones.Materials and methods. The work uses data on 16,247 road accidents for the period from 2015 to 2024 in Kazan, provided by the State Traffic Safety Inspectorate. The method of spatial clustering over a fixed radius (100 m) with a density threshold of 20 accidents per zone has been applied. Python libraries (pandas, haversine) have been used for data processing, folium and GeoJSON for visualization.Results. Methodology and algorithm for identifying accident-prone zones have been developed, including the stages of preprocessing geodata, clustering by radius, accident density estimation and zone characteristics by dominant types of accidents. 127 accident-prone zones have been identified, 50 most significant are characterized by concentrations from 21 to 87 accidents. 78% of these zones were found to be located at intersections and areas with heavy traffic. A temporal analysis revealed a peak accident rate in the evening (5:00 p.m. – 8:00 p.m.) and an increase in the number of accidents by 23% in the autumn-winter period.Discussion and conclusion. The proposed methodology makes it possible to identify objectively accident-prone zones found by the clustering algorithm, taking into account the spatial concentration of incidents. The results can be integrated into navigation systems to generate context-sensitive warnings to drivers. The practical significance is confirmed by the development of a prototype mobile application on the Android platform with the use of Yandex MapKit SDK.Practical value: The technique gives an ability to reduce labor costs for identifying problem sections of the road and increases the efficiency of resource allocation for road maintenance services. A prototype of an Android-based mobile application has been developed with the use of Yandex MapKit SDK, which provides visual and audible warnings to drivers approaching accident-prone zones.Originality/value: An integrated approach combining spatial analysis of State Traffic Safety Inspectorate data with the ability to visualize quickly and integrate into mobile navigation services for proactive driver warnings.

безопасность дорожного движенияаварийно-опасные зоныпространственная кластеризациядорожно-транспортные происшествиягеоинформационные системынавигационные сервисыанализ данныхинтеллектуальные транспортные системыпредупреждение ДТПмобильные приложенияroad safetyaccident-prone zonesspatial clusteringroad accidentsgeoinformation systemsnavigation servicesdata analysisintelligent transport systemsaccident preventionmobile applicationsReferencesКурбатов Д.С., Старостенко А.В. Инновационные подходы к организации дорожного движения на основе цифровых двойников автомобильных дорог // Вестник СибАДИ. 2025; 22(5): 772–785. DOI: 10.26518/2071-7296-2025-22-5-772-785Kurbatov D.S., Starostenko A.V. Innovationnye podhody k organizacii dorozhnogo dvizheniya na osnove cifrovyh dvojnikov avtomobil’nyh dorog. The Russian Automobile and Highway Industry Journal. 2025;22(5):772–785. (in Russ.) DOI: 10.26518/2071-7296-2025-22-5-772-785Трофименко Ю.В., Шашина Е.В. Влияние человеческого фактора на обеспечение безопасности дорожного движения // Безопасность жизнедеятельности. 2016;1(181):24–27. EDN VIUSCP.Trofimenko Yu.V., Shashina E.V. Vliyanie chelovecheskogo faktora na obespechenie bezopasnosti dorozhnogo dvizheniya. Bezopasnost’ zhiznedeyatel’nosti. 2016;1(181):24–27. EDN VIUSCP. (in Russ.)Reason J. Human error: models and management. BMJ. 2000; 320(7237):768–770. DOI: 10.1136/bmj.320.7237.768Reason J. Human error: models and management. BMJ. 2000; 320(7237): 768–770. DOI: 10.1136/bmj.320.7237.768Vaa T. Cognition and emotion in driver behaviour models: some critical viewpoints. Institute of Transport Economics. Oslo; 2007. p. 48–59.Vaa T. Cognition and emotion in driver behaviour models: some critical viewpoints. Institute of Transport Economics. Oslo; 2007. p. 48–59.Ermagun A. Transit access and urban spacetime structure of American cities. Journal of Transport Geography. 2021;93:103066. DOI: 10.1016/j.jtrangeo.2021.103066Ermagun A. Transit access and urban spacetime structure of American cities. Journal of Transport Geography. 2021;93:103066. DOI: 10.1016/j.jtran-geo.2021.103066Szakonyi P., Makó E. Defining Correlation between the Modal Split of Inhabitants and Students and the Location of Housing Areas and Schools with the Analysis of Travel Plans. Transportation Research Procedia. 2014;4:271–285. DOI: 10.1016/j.trpro.2014.10.007Szakonyi P., Makó E. Defining Correlation between the Modal Split of Inhabitants and Students and the Location of Housing Areas and Schools with the Analysis of Travel Plans. Transportation Research Procedia. 2014;4:271–285. DOI: 10.1016/j.tr-pro.2014.10.007Ильина И.Е., Витвицкий Е.Е. Индексы для оценки уровня безопасности дорожного движения в регионах России // Вестник СибАДИ. 2025; 22(1): 68–77. DOI: 10.26518/2071-7296-2025-22-1-68-77Il’ina I.E., Vitvickij E.E. Indeksy dlya ocenki urovnya bezopasnosti dorozhnogo dvizheniya v regionah Rossii. The Russian Automobile and Highway Industry Journal. 2025;22(1):68–77. (in Russ.) DOI: 10.26518/2071-7296-2025-22-1-68-77Якунин Н.Н., Якунина Н.В., Фаттахова А.Ф., Постникова А.А., Янучков М.Р. Методика прогнозирования транспортной потребности населения городов с высоким туристическим потенциалом в пиковые сезоны // Вестник СибАДИ. 2024; 21(2): 256–269. DOI: 10.26518/2071-7296-2024-21-2-256-269Yakunin N.N., Yakunina N.V., Fattahova A.F., Postnikova A.A., Yanuchkov M.R. Metodika prognozirovaniya transportnoj potrebnosti naseleniya gorodov s vysokim turisticheskim potencialom v pikovyye sezony. Vestnik SibADI. 2024;21(2):256–269. (in Russ.) DOI: 10.26518/2071-7296-2024-21-2-256-269Акчурин А.В., Кондратова Ю.Н. Определение областей повышенной дорожно-транспортной опасности на карте города с помощью кластеризации данных // Математическое моделирование, компьютерный и натурный эксперимент в естественных науках. 2023; (4): 45–52.Akchurin A.V., Kondratova Yu.N. Opredeleniye oblastej povyshennoj dorozhno-transportnoj opasnosti na karte goroda s pomoshch’yu klasterizacii dannyh. Matematicheskoe modelirovanie, komp’yuternyj i natural’nyj eksperiment v estestvennyh naukah. 2023;(4):45–52. (in Russ.)Алексеева А.А., Волчатова И.В. Анализ пространственного распределения ДТП с использованием ГИС-технологий. Безопасность-2025 // Проблемы техносферной безопасности. 2025:79.Alekseeva A.A., Volchatova I.V. Analiz prostranstvennogo raspredeleniya DTP s ispol’zovaniyem GIS-tehnologij. Bezopasnost’–2025. Problemy tekhnosfernoj bezopasnosti. 2025:79. (in Russ.)Загидуллин Р.Р. Повышение эффективности дорожного движения динамическим управлением скоростью движения транспортных средств на примере г. Казани // Вестник СибАДИ. 2025; 22(6): 940-951. DOI: 10.26518/2071-7296-2025-22-6-940-951Zagidullin R.R. Povysheniye effektivnosti dorozhnogo dvizheniya dinamicheskim upravleniyem skorosti dvizheniya transportnyh sredstv na primere g. Kazani. The Russian Automobile and Highway Industry Journal. 2025;22(6):940–951. (in Russ.) DOI: 10.26518/2071-7296-2025-22-6-940-951Mishra M., Kumar A. ADAS Technology. In: Advanced Driver Intention Anticipation and Ecodriving Assistance Systems. CRC Press; 2022. p. 415–435. DOI: 10.1201/9781003048381-21Mishra M., Kumar A. ADAS Technology. In: Advanced Driver Intention Anticipation and Ecodriving Assistance Systems. CRC Press; 2022. p. 415–435. DOI: 10.1201/9781003048381-21Лазарев Д.А. Многокритериальный метод оценки уровня безопасности дорожного движения на участке улично-дорожной сети // Вестник СибАДИ. 2025; 22(6): 952–965. DOI: 10.26518/2071-7296-2025-22-6-952-965Lazarev D.A. Mnogokriterial’nyj metod ocenki urovnya bezopasnosti dorozhnogo dvizheniya na uchastke ulichno-dorozhnoj seti. The Russian Automobile and Highway Industry Journal. 2025; 22(6): 952–965. (in Russ.) DOI: 10.26518/2071-7296-2025-22-6-952-965Aleksa M., Schaub A., Erdelean I. et al. Impact analysis of Advanced Driver Assistance Systems (ADAS) regarding road safety – computing reduction potentials. European Transport Research Review. 2024; 16:39. DOI: 10.1186/s12544-024-00654-0Aleksa M., Schaub A., Erdelean I. et al. Impact analysis of Advanced Driver Assistance Systems (ADAS) regarding road safety – computing reduction potentials. European Transport Research Review. 2024; 16:39. DOI: 10.1186/s12544-024-00654-0Рыбин А.Л., Кретов В.А. Результаты оценки эффективности мероприятий по повышению безопасности дорожного движения методом выгод и затрат // Дороги и мосты. 2020; (1): 46–62.Rybin A.L., Kretov V.A. Rezul’taty ocenki effektivnosti meropriyatij po povysheniyu bezopasnosti dorozhnogo dvizheniya metodom vygod i zatrat. Dorogi i mosty. 2020; (1): 46–62. (in Russ.)Lin J.L. Generalizing local density for densitybased clustering. Symmetry. 2021; 13(2): 185. DOI: 10.3390/sym13020185Lin J.L. Generalizing local density for density-based clustering. Symmetry. 2021; 13(2): 185. DOI: 10.3390/sym13020185Богданович С.В., Капский Д.В. Анализ возможностей применения методов машинного обучения и анализа больших данных для выявления факторов риска в управлении безопасностью дорожной инфраструктуры // Современные технологии в транспортной отрасли. 2024:114–117. EDN UJTJHC.Bogdanovich S.V., Kapskij D.V. Analiz vozmozhnostej primeneniya metodov mashinnogo obucheniya i analiza bol’shih dannyh dlya vyyavleniya faktorov riska v upravlenii bezopasnost’yu dorozhnoj infrastruktury. Sovremennye tehnologii v transportnoj otrasli. 2024:114–117. EDN UJTJHC. (in Russ.)Неволин Д.Г., Цариков А.А., Сорогин И.Г. Сезонная неравномерность дорожно-транспортных происшествий на автомобильных дорогах Свердловской области // Автотракторостроение и автомобильный транспорт. 2023;2:4–10. EDN SBFNTB.Nevolin D.G., Carikov A.A., Sorogin I.G. Sezonnaya neravnomernost’ dorozhno-transportnyh proisshestvij na avtomobil’nyh dorogah Sverdlovskoj oblasti. Avtotraktorostroenie i avtomobil’nyj transport. 2023;2:4–10. EDN SBFNTB. (in Russ.)Zervou M. Python Data Cleaning and Preparation Best Practices. Birmingham: Packt Publishing; 2024. 456 p.Zervou M. Python Data Cleaning and Preparation Best Practices. Birmingham: Packt Publishing; 2024. 456 p.Suma K.G., Sunitha G., Avanija J., Galety M.G., Varna C.P. Geospatial Data Visualization With Folium. In: Geospatial Application Development Using Python Programming. IGI Global; 2024. p. 187–208.Suma K.G., Sunitha G., Avanija J., Galety M.G., Varna C.P. Geospatial Data Visualization With Folium. In: Geospatial Application Development Using Python Programming. IGI Global; 2024. p. 187–208.Гиниятов Ч.Р. Как машинное обучение и анализ данных меняют подход к безопасности дорожного движения // Образование, наука и инновации: современные вызовы. 2025: 115–117. EDN WJIQGK.Giniyatov Ch.R. Kak mashinnoye obucheniye i analiz dannyh menyayut podhod k bezopasnosti dorozhnogo dvizheniya. Obrazovaniye, nauka i innovacii: sovremennyye vyzovy. 2025:115–117. EDN WJIQGK. (in Russ.)Симакова А.Е., Сыркин И.С. Использование API Яндекс.Карт // Россия молодая. 2022:3291–3295.Simakova A.E., Syrkin I.S. Ispol’zovaniye API Yandex.Kart. Rossiya molodaya. 2022:3291–3295. (in Russ.)Adnan M., Tayyab M., Ahmad H.M.W., Imran M., Anjum M.N. The impact of road safety education on young drivers’ behavior and attitudes: A systematic review and meta-analysis. Transportation Research Part F: Traffic Psychology and Behaviour. 2025;109:94–112. DOI: 10.1016/j.trf.2024.11.025Adnan M., Tayyab M., Ahmad H.M.W., Imran M., Anjum M.N. The impact of road safety education on young drivers’ behavior and attitudes: A systematic review and meta-analysis. Transportation Research Part F: Traffic Psychology and Behaviour. 2025; 109: 94–112. DOI: 10.1016/j.trf.2024.11.025Evtyukov S.S., Brylev I.S., Blinder M.M. Assessment of the impact of the cycling infrastructure of the city on the road safety of cyclists. World of Transport and Technological Machines. 2022; 3-2(78): 76–84. DOI: 10.33979/2073-7432-2022-2(78)-3-76-84Evtyukov S.S., Brylev I.S., Blinder M.M. Assessment of the impact of the cycling infrastructure of the city on the road safety of cyclists. World of Transport and Technological Machines. 2022; 3-2(78): 76–84. DOI: 10.33979/2073-7432-2022-2(78)-3-76-84Novikov A.N., Eremin S.V., Lomakin D.O. Assessment of road safety at the regional level. World of Transport and Technological Machines. 2020; 3(70): 72–79. DOI: 10.33979/2073-7432-2020-70-3-72-79Novikov A.N., Eremin S.V., Lomakin D.O. Assessment of road safety at the regional level. World of Transport and Technological Machines. 2020; 3(70): 72–79. DOI: 10.33979/2073-7432-2020-70-3-72-79Сильянов В.В., Капитанов В.Т., Монина О.Ю., Чубуков А.Б. Прогноз числа погибших в ДТП на основе социально-экономических показателей // Наука и техника в дорожной отрасли. 2017. (4): 4-6.Sil’yanov V.V., Kapitanov V.T., Monina O.Yu., Chubukov A.B. Prognoz chisla pogibshih v DTP na osnove social’no-ekonomicheskih pokazatelej. Nauka i tehnika v dorozhnoj otrasli. 2017; (4): 4–6. (in Russ.)Сурова Л.В. Роль человеческого фактора в обеспечении безопасности // Вестник Казанского государственного энергетического университета. 2012; 2(13):64-71. – EDN QZXOZB.Surova L.V. Rol’ chelovecheskogo faktora v obespechenii bezopasnosti [The role of the human factor in safety assurance]. Vestnik Kazanskogo gosudarstvennogo energeticheskogo universiteta, 2012; 2(13): 64–71. EDN QZXOZB.

The authors declare that there are no conflicts of interest present.