Концепция повышения пропускной способности путём регулирования транспортных потоков на основе машинного зрения

Введение. Основной проблемой городов стала необеспеченная пропускная способность существующей городской транспортной сети в связи с ростом интенсивности движения за последние десятилетия и увеличения количества легковых автомобилей в составе транспортного потока. Обнаруженная проблема затрагивает большие города нашей страны и обусловлена увеличением уровня урбанизации. Регулярно возникающие заторы ухудшают качество жизни населения, негативно влияя также на экономическое благополучие и экологическую обстановку городских территорий. Пропускная способность улично-дорожной сети зависит от многих факторов. При решении задач повышения пропускной способности необходимо учитывать тип исследуемого объекта: городская дорога или дорога общего пользования; относится объект исследования к линейному участку; является ли примыканием (в одном и разных уровнях) либо пересечением (в одном и разных уровнях). Одним из инструментов для повышения пропускной способности на сегодняшний день являются интеллектуальные транспортные системы. Для задач мониторинга, контроля совместно с ИТС активно стали применяться технологии машинного зрения.

Целью нашего исследования является разработка концепции интеллектуальной транспортной системы для повышения пропускной способности, существующей транспортной сети путем регулирования транспортных потоков с применением машинного зрения.

Материалы и методы. Рассматриваемый участок улично-дорожной сети находится в Центральном районе г. Омска. Обследования проводились в будние дни, в течение часа в утреннее и вечернее время часа пик. Учет проводился путем фиксирования прохождения пешеходов и проезда каждого транспортного средства через сечение. Применение видеофиксации дало возможность более точно определить количество транспортных средств, которые проезжают через рассматриваемое поперечное сечение. Полученные данные стали основой для создания транспортной модели как цифрового двойника, использования данных для обоснования принятых проектных решений, учета транспортных средств и принятий решений об актуализации светофорных циклов. Для оценки пропускной способности использовался программный комплекс PTV Vissim. В микроскопическую модель транспортного потока заложены модель поведения за впереди идущим автомобилем и модель смены полосы движения. Результат имитации – анимация движения транспорта в режиме онлайн на графических поверхностях и автономное перечисление различных транспортно-технических параметров.

Результаты. Концепция предполагает перераспределение транспортных потоков на альтернативный путь движения за счет машинного зрения, искусственного интеллекта и дорожных знаков группы 5.15. В программном комплексе PTV Vissim смоделировано решение с учетом предлагаемой концепции. Путем имитационного моделирования зафиксирован наиболее оптимальный временной интервал работы концепции, который составил ограничение работы модели в 20 мин. Данный промежуток позволяет как «распустить» потоки, так и не допустить заторы в течение часа пик.

Обсуждение и заключение. Развитие интеллектуальной системы, разработка усовершенствованных систем контроля и учета транспортных средств является важнейшим направлением исследований в области повышения пропускной способности транспортных потоков населенных пунктов. Для реализации на практике данной концепции необходима финансовая поддержка (государственное финансирование/гранты/частные инвестиции), привлечение профильных специалистов (комплексная задача) требует более детальную проработку проекта.

1. Комарова Т.К., Поспелов П.И., Мартьяхин Д.С. Исследование параметров транспортного потока на элементах улично-дорожной сети в городских условиях // Известия Казанского государственного архитектурно-строительного университета. 2024. № 4(70):285–293. Https://doi.org/10.48612/NewsKSUAE/70.25

2. Алексиков С.В., Альшанова М.И. Повышение пропускной способности улично-дорожной сети г. Волгограда // Социология города. 2020. № 4. С. 58–68. https://vgasu.ru/nauka/zhurnaly/sotsiologiya-goroda/arhiv/2020-4/6/.

3. Антюфеев А.В., Алексиков С.В. Повышение пропускной способности магистрали линейно-протяженных городских территорий // Academia. Архитектура и строительство. 2023. № 2. С. 128–134. Https://doi.org/10.22337/2077-9038-2023-2-128-134

4. Минниханов Р.Р., Девятков В.В., Маряшина Д.Н. [и др.] Усовершенствованный подход при построении имитационных моделей сегментов улично-дорожной сети // Управление развитием крупномасштабных систем (MLSD’2023): труды ХVI международной конференции. № 1. 2023. url: https://mlsd2023.ipu.ru/proceedings/1145.pdf (дата обращения: 07.10.2025). Https://doi.org/10.25728/mlsd.2023.1145

5. Шепелёв В.Д., Альметова З.В., Михальчук В.В., Слободин И.С. Современные методы организации дорожного движения в городах // Вестник ЮУрГУ. Серия «Экономика и менеджмент». 2019. Т.13, № 4:С.186–194. Https://doi.org/10.14529/em190419.

6. Акимова С.С., Васильева О.Ф. Интеллектуальные транспортные системы: обзор и перспективы // Научные высказывания. 2024. № 20 (67). С. 37–42. URL: https://nvjournal.ru/article/Intellektualnye_transportnye_sistemy_obzor_i_perspektivy (дата обращения: 01.11.2025).

7. Фадина О.С., Шепелев В.Д., Варворкин М.А., Плюхин Л.Э. Повышение пропускной способности на регулируемых пересечениях за счет оптимизации скоростных режимов транспортных потоков // Вестник ЮУрГУ. Серия «Экономика и менеджмент». 2023. Т. 17, № 3. С. 175–182. URL: https://vestnik.susu.ru/em/article/view/13630 (дата обращения: 01.11.2025).

8. Дмитриев И.И., Кириллов А.М. Умные дороги и Интеллектуальная транспортная система // Строительство уникальных зданий и сооружений. 2017. № 2(53). С. 7–28. Https://doi.org/10.18720/CUBS.53.1. EDN YRUVIT.

9. Чебыкин И.А. Автоматизация мониторинга дорожного движения с помощью компьютерного зрения // Мир транспорта. Том 18, № 6. С. 74–87 (2020). Https://doi.org/https://doi.org/10.30932/1992-3252-2020-18-6-74-87

10. Пугачев И.Н., Тормозов В.С. Разработка и анализ системы мониторинга дорожного движения, основанной на технологиях машинного зрения и методах кластерного анализа // Вестник Ростовского государственного университета путей сообщения. 2024. № 4. С. 134–145. Https://doi.org/10.46973/0201–727X_2024_4_134

11. Асфур Х.М.А., Горяев Н.К., Рассоха В.И. Моделирование пропускной способности участка улично-дорожной сети с учётом формирования групп транспортных средств // Интеллект. Инновации. Инвестиции. 2024. № 6. С. 74–88. https://doi.org/10.25198/2077-7175-2024-6-74

12. Акопов А.С., Бекларян Л.А. Эволюционный синтез реконфигурируемых многоуровневых дорожных сетей высокой пропускной способности с использованием мультиагентного гибридного генетического алгоритма с поддержкой кластеризации // IEEE Access. Том 13. 2025. С. 53448–53474. Https://doi.org/10.1109/ACCESS.2025.3554054

13. Акопов А.С., Бекларян Л.А. Улучшение транспортного потока в дорожных сетях Манхэттена с помощью параллельного гибридного двухцелевого генетического алгоритма // IEEE Access. Том 12. 2024. С. 19532–19552. Https://doi.org/10.1109/ACCESS.2024.336139

14. Букреев Г.И. Метод сравнительной оценки транспортной связности городской агломерации и способы ее повышения в контексте целей устойчивого развития // Экономика и управление. 2023. Т. 29, № 11. С. 1382–1393. http://doi.org/10.35854/1998-1627-2023-11-1382-1393

15. Якимов М.Р. Подходы к формированию эффективной маршрутной сети крупных городов // Вестник Уральского государственного университета путей сообщения. 2022. № 3 (55). С. 107–113.

16. Zheng J., Huang M. Traffic Flow Forecast Through Time Series Analysis Based on Deep Learning // IEEE Access, vol. 8, pp. 82562-82570, 2020. Https://doi.org/10.1109/ACCESS.2020.2990738

17. Razali N.A.M., Shamsaimon N., Ishak K.K. et al. Gap, techniques and evaluation: traffic flow prediction using machine learning and deep learning. J Big Data 8, 152 (2021). – https://doi.org/10.1186/s40537-021-00542-7

18. Bhartiya P., Bhatele M., Woo A.A. A Machine Learning Approach for Predictive Analysis of Traffic Flow. ShodhKosh: Journal of Visual and Performing Arts, 2024. 5(5), 422–430. https://doi.org/10.29121/shodhkosh.v5.i5.2024.1892.

19. Deekshetha H.R., Shreyas Madhav A.V., Tyagi A.K. Traffic Prediction Using Machine Learning. In: Suma, V., Fernando, X., Du, KL., Wang, H. Evolutionary Computing and Mobile Sustainable Networks. Lecture Notes on Data Engineering and Communications Technologies, 2022. vol 116. Springer, Singapore. https://doi.org/10.1007/978-981-16-9605-3_68

20. Ting Ta Jiun. University of Torontо. ProQuest Dissertations & Theses, 2021. Poonam Bhartiya, Mukta Bhatele, Akhilesh A. Waoo (Индия) [Bhartiya, P.,Bhatele, M., and Woo, A.A. (2024). A Machine Learning Approach for Predictive Analysis of Traffic Flow. ShodhKosh: Journal of Visual and Performing Arts, 5(5), 422–430.

21. Parashuram and K. Vijayalakshmi, “A Comprehensive Analysis of Road Traffic Prediction Using Machine Learning Algorithms,” 2024 First International Conference on Software, Systems and Information Technology (SSITCON), Tumkur, India, 2024, pp. 1–5, https://doi.org/10.1109/SSITCON62437.2024.10797035