Исследование широт интервалов признаков для повышения эффективности прогноза интенсивности транспортного потока

   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.

1. Сайдуллозода С.С., Гаврилов К.В., Умирзоков А.М., Уланов А.Г. Оценка эффективности функционирования системы Водитель-Автомобиль-Дорога-Среда по энергетическим показателям // Вестник Южно-Уральского государственного университета. Серия: Машиностроение. 2021. Т. 21, № 4. С. 61–70.

2. Sfyridis A., Agnolucci P. Factors affecting road traffic: identifying drivers of annual average daily traffic using least absolute shrinkage and selection operator regression // Transportation Research Record. 2023. Т. 2677. № 5. С. 1178–1192. doi: 10.1177/03611981221141435.

3. Rudenko D., Renkas A., Tovaryansky V. Assessment of the impact of road conditions on accidents with the application of the multifactor model // Bulletin of Lviv State University of Life Safety. 2022. Vol. 24. P. 33–39. doi: 10.32447/20784643.24.2021.04.

4. Luo Y., Chen Ya., Lu K., Chen L., Zhang J., Physica A. Modeling and analysis of heterogeneous traffic flow considering dynamic information flow topology and driving behavioral characteristics // Statistical Mechanics and its Applications. 2024. Vol. 637. P. 129521. doi: 10.1016/j.physa.2024.129521.

5. Hao W., Rong D., Zhang Zh., Byon Y.Ji., Lv N., Chen Y. Stability analysis and speed-coordinated control of mixed traffic flow in expressway merging area // Journal of Transportation Engineering Part A: Systems. 2022. Vol. 148. № 11. doi: 10.1061/JTEPBS.0000755.

6. Зацерковный А.В., Нурминский Е.А. Нейросетевой анализ транспортных потоков городских агломераций на основе данных публичных камер видеообзора // Компьютерные исследования и моделирование. 2021.Т. 13, № 2. С. 305–318.

7. Пугачев И.Н., Евтюков С.С., Шешера Н.Г., Григоров Д.Е. Прогноз интенсивности транспортного потока. Обучение с учителем. Метод случайных деревьев // T-Comm: Телекоммуникации и транспорт. 2024. Том 18, № 4. С. 36–47.

8. Пугачев И.Н., Шешера Н.Г., Григоров Д.Е. Определение эффективных широт интервалов влияния температурных режимов на интенсивность транспортного потока с использованием ранговой корреляции Спирмена // T-Comm: Телекоммуникации и транспорт. 2024. Том 18, № 3. С. 34–40.

9. Rahmanov F., LalaNeymatova L.N., Aliyeva R., Hashimova A. Management of the transport infrastructure of global logistics: cross-country analysis // Marketing and Management of Innovations. 2022. Vol. 13. № 4. P. 65-75.

10. Jun-Fang S., Yan Ch. Traffic flow state prediction based on space-time correlation of vehicle trajectory using the deep hybrid model // Journal of Intelligent and Fuzzy Systems. 2023. Vol. 44. № 4. P. 6855-6863. doi: 10.3233/jifs-212998.

11. Qin Ya., Luo Q., Wang H. Stability analysis and connected vehicles management for mixed traffic flow with platoons of connected automated vehicles // Transportation Research Part C: Emerging Technologies. 2023. Vol. 157. P. 104370. doi: 10.1016/j.trc.2023.104370.

12. Purba L.I., Humaidi S., DarmawanYa. Analysis of spearman rank correlation & linear regression of atmospheric stability and cloud tops temperature of himawari-8 ir satellite images (case study of hail on may 22, 2022) // Prisma Sains : Jurnal Pengkajian Ilmu dan Pembelajaran Matematika dan IPA IKIP Mataram. 2023. Vol. 11. № 2. P. 476. doi: 10.33394/j-ps.v11i2.7818.

13. Rahmani F., Fattahi M.H. A multifractal cross-correlation investigation into sensitivity and dependence of meteorological and hydrological droughts on precipitation and temperature // Natural Hazards. 2021. DOI: 10.1007/s11069-021-04916-1.

14. Xu Zh., Wang R., Pan K., Li J., Wu Q. Two-stream networks for copert correction model with time-frequency features fusion // Atmosphere. 2023. Vol. 14. № 12. P. 1766. doi: 10.3390/atmos14121766.

15. Wang H., Yan J., Yan X. Spearman rank correlation screening for ultrahigh-dimensional censored data // Proceedings of the AAAI Conference on Artificial Intelligence. 2023. Vol. 37. № 8. P. 10104-10112. doi: 10.1609/aaai.v37i8.26204.

16. Гасилова О.С., Бородулин И.В., Старков В.В. Анализ интенсивности движения транспортных средств в местах разделения транспортных потоков // Ученые записки Крымского инженерно-педагогического университета. 2022. № 2 (76). С. 250–254.

17. Бояршинов М.Г., Вавилин А.С. Исследование интенсивности транспортного потока с использованием индекса Хёрста // Химия. Экология. Урбанистика. 2022. Т. 3. С. 187–191.

18. Новикова М.Н. Влияние отдельных условий на безопасность дорожного движения начинающих водителей // Безопасность дорожного движения. 2021. № 4. С. 49–52.

19. Pilipets O.O. Structural peculiarities of intelligent transport systems development in the Russian Federation // Young Don Researcher. 2023. № 2 (41). С. 55-61.

20. Бояршинов М.Г., Вавилин А.С., Васькина Е.В. Применение Вейвлет-анализа для исследования интенсивности транспортного потока // Интеллект. Инновации. Инвестиции. 2022. № 4. С. 88–103.

21. Бояршинов М.Г. Цифровая обработка данных системы видеофиксации нарушений правил дорожного движения // Транспорт. Транспортные сооружения. Экология. 2022. № 3. С. 5–18.

22. Бутыркин А.Я., Гелис В.А., Куликова Е.Б. Особенности применения прогрессивных методов предиктивного моделирования для решения задач на транспорте // Вестник Уральского государственного университета путей сообщения. 2021. № 4 (52). С. 68–78.

23. Кадиев Ш.К. Результаты первичного анализа данных аварий на автомобильном транспорте и их подготовка для машинного обучения // Технологии техносферной безопасности. 2023. № 4 (102). С. 146–156.

24. Совершенствование системы безопасности дорожного движения, стремящейся к нулевой смертности на автомобильных дорогах : монография / И.Н. Пугачев, Н.Г. Шешера, Д.Е. Григоров. Хабаровск: Изд-во ДВГУПС, 2024. 183 с.: ил. ISBN 978-5-262-00966-4.