Методика выявления аварийно-опасных зон на основе пространственной кластеризации данных о дорожно-транспортных происшествиях

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.

1. Курбатов 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: 10.26518/2071-7296-2025-22-5-772-785

2. Трофименко Ю.В., Шашина Е.В. Влияние человеческого фактора на обеспечение безопасности дорожного движения // Безопасность жизнедеятельности. 2016;1(181):24–27. EDN VIUSCP.

3. Reason J. Human error: models and management. BMJ. 2000; 320(7237):768–770. DOI: 10.1136/bmj.320.7237.768

4. Vaa T. Cognition and emotion in driver behaviour models: some critical viewpoints. Institute of Transport Economics. Oslo; 2007. p. 48–59.

5. Ermagun A. Transit access and urban spacetime structure of American cities. Journal of Transport Geography. 2021;93:103066. DOI: 10.1016/j.jtrangeo.2021.103066

6. Szakonyi 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.2014.10.007

7. Ильина И.Е., Витвицкий Е.Е. Индексы для оценки уровня безопасности дорожного движения в регионах России // Вестник СибАДИ. 2025; 22(1): 68–77. DOI: 10.26518/2071-7296-2025-22-1-68-77

8. Якунин 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: 10.26518/2071-7296-2024-21-2-256-269

9. Акчурин 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.

10. Алексеева А.А., Волчатова И.В. Анализ пространственного распределения ДТП с использованием ГИС-технологий. Безопасность-2025 // Проблемы техносферной безопасности. 2025:79.

11. 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: 10.26518/2071-7296-2025-22-6-940-951

12. Mishra M., Kumar A. ADAS Technology. In: Advanced Driver Intention Anticipation and Ecodriving Assistance Systems. CRC Press; 2022. p. 415–435. DOI: 10.1201/9781003048381-21

13. Лазарев Д.А. Многокритериальный метод оценки уровня безопасности дорожного движения на участке улично-дорожной сети // Вестник СибАДИ. 2025; 22(6): 952–965. DOI: 10.26518/2071-7296-2025-22-6-952-965

14. Aleksa 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/s12544-024-00654-0

15. Рыбин 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.

16. Lin J.L. Generalizing local density for densitybased clustering. Symmetry. 2021; 13(2): 185. DOI: 10.3390/sym13020185

17. Богданович 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.

18. 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.

19. Zervou M. Python Data Cleaning and Preparation Best Practices. Birmingham: Packt Publishing; 2024. 456 p.

20. 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.

21. 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.

22. Симакова А.Е., Сыркин И.С. Использование API Яндекс.Карт // Россия молодая. 2022:3291–3295.

23. 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.2024.11.025

24. Evtyukov 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)-3-76-84

25. Novikov 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: 10.33979/2073-7432-2020-70-3-72-79

26. Сильянов 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.

27. Сурова Л.В. Роль человеческого фактора в обеспечении безопасности // Вестник Казанского государственного энергетического университета. 2012; 2(13):64-71. – EDN QZXOZB.