Метод температурного ранжирования пространственно-временных кластеров ДТП для приоритезации городских очагов аварийности

Введение. Актуальность исследования обусловлена необходимостью перехода от кумулятивного учёта дорожно-транспортных происшествий (ДТП) к динамическим методам оценки, позволяющим выделять точки с наиболее актуальным риском для целевого распределения ресурсов. Целью работы является создание и апробация метода температурного ранжирования для интеллектуального выявления и ранжирования локальных очагов аварийности.

Материалы и методы. В основе метода лежит расчёт интегрального показателя «температуры» для точки дорожной сети как суммы взвешенных вкладов всех ДТП, произошедших в её окрестности, с экспоненциальным затуханием вклада по времени. Используемые подходы включают пространственно-временную кластеризацию, параметрическое взвешивание видов ДТП по критериям частоты и управляемости и математическое моделирование с параметром памяти (τ). Методологический аппарат реализован в виде программного модуля на PHP, интегрируемого в системы анализа данных.

Результаты. 1. Формализован алгоритм, количественно дифференцирующий риск в точках с одинаковым числом ДТП, но разной структурой и свежестью событий. 2. Предложена и обоснована трёхуровневая система весов видов ДТП. 3. На реальных данных трёх перекрёстков г. Калининграда (2022–2024 гг.) проведена сравнительная апробация, показавшая корректное ранжирование локаций по уровню актуального риска.

Обсуждение и заключение. Научная новизна заключается в синтезе пространственной близости, временной релевантности и типологической значимости событий в едином адаптируемом показателе. Практическая значимость метода состоит в предоставлении органам управления дорожным хозяй ством и ГАИ инструмента для обоснованного формирования планов по снижению аварийности на улично-дорожных сетях.

1. Гантимурова Ю.О. Применение топографического анализа для выявления участков концентрации дорожно-транспортных происшествий // Сборник научных трудов Ангарского государственного технического университета. 2024. № 21. С. 189–192. EDN PQJDUM.

2. Горяев Н.К., Любецкий С.П. Сбор, обработка и анализ открытых данных по дорожно-транспортным происшествиям // Вестник СибАДИ. 2023. Т. 20, № 5(93). С. 574–585. https://doi.org/10.26518/2071-7296-2023-20-5-574-585. EDN SGIFUS.

3. Kamh H., Alyami S.H., Khattak A., Alyami M., Almujibah H. «Exploring Road Traffic Accidents Hotspots Using Clustering Algorithms and GISBased Spatial Analysis» in IEEE Access, vol. 13, pp.60944-60954, 2025, https://doi.org/10.1109/ACCESS.2024.3443245

4. Soltani A., Roohani Qadikolaei M. Space-time analysis of accident frequency and the role of built environment in mitigation // Transport Policy. 2024. Vol. 150. P. 189–205. https://doi.org/10.1016/j.tranpol.2024.02.006

5. Singh N., Kumar M. A novel analytical framework to identify and classify accident hotspots integrating gradient classifier and spatial clustering. Earth Sci Inform 18, 168, 2025. https://doi.org/10.1007/s12145-024-01540-y

6. Израилев Л.А., Гордиенко Л.В. Геоинформационный метод выявления и анализа участков концентрации дорожно-транспортных происшествий // ИнтерКарто. ИнтерГИС. 2024. Т. 30, № 2. С. 445–455. https://doi.org/10.35595/2414-9179-2024-2-30-445-455. EDN CSPQNX.

7. Syed Saqib Ali Kazmi, Mehreen Ahmed, Rafia Mumtaz, Zahid Anwar, Spatiotemporal Clustering and Analysis of Road Accident Hotspots by Exploiting GIS Technology and Kernel Density Estimation, The Computer Journal, Volume 65, Issue 2, February 2022, Pages 155–176, https://doi.org/10.1093/comjnl/bxz158

8. Al Hamami M, Matisziw TC. Measuring the spatiotemporal evolution of accident hot spots. Accid Anal Prev. 2021 Jul;157:106133. https://doi.org/10.1016/j.aap.2021.106133. Epub 2021 May 11. PMID: 33989871.

9. Alsahfi T. Spatial and Temporal Analysis of Road Traffic Accidents in Major Californian Cities Using a Geographic Information System. ISPRS Int. J. GeoInf. 2024, 13, 157. https://doi.org/10.3390/ijgi13050157

10. Khosravi Y., Hosseinali F., Adresi M. Identifying accident prone areas and factors influencing the severity of crashes using machine learning and spatial analyses. Sci Rep 14, 29836 (2024). https://doi.org/10.1038/s41598-024-81121-7

11. H.Thi Le Vu, T.Phuong Thi Do, T.Phuong Thi. «A study on identifying and analyzing road traffic incident hotspots on National Highway 1A, Thanh Hoa province, Vietnam, employing Statistical and GIS Techniques». Journal of Mining and Earth Sciences, 65(6), pp.22-33. https://doi.org/10.46326/JMES.2024.65(6).03

12. Abdrhman H., Qiu, Y., Shams, H., Damos, M. GIS-Based Identification of Traffic Incident Hot Spots and Severity Index in Khartoum, Sudan. TuijinJishu/Journal of Propulsion Technology, Volume 45, Issue 4, 2024, ISSN 1001-4055, https://propulsiontechjournal.com/index.php/journal/article/view/8436/5289

13. Berhanu Y., Schroeder D., Teklu B., Alemayehu E. Spatial analysis of road traffic accidents: Identifying hotspots for improved road safety in Addis Ababa, Ethiopia. Cogent Engineering, Volume 10, Issue 2, 2023. https://doi.org/10.1080/23311916.2023.2-269655

14. Truong Long T., Somenahalli, Sekhar V. 2011. Using GIS to Identify Pedestrian-Vehicle Crash Hot Spots and Unsafe Bus Stops. Journal of Public Transportation, 14 (1): 99-114. http://doi.org/10.5038/2375-0901.14.1.6

15. Derya Birant, Alp Kut, ST-DBSCAN: An algorithm for clustering spatial–temporal data, Data & Knowledge Engineering, Volume 60, Issue 1, 2007, Pages 208-221, ISSN 0169-023X. https://doi.org/10.1016/j.datak.2006.01.013

16. Yunxuan L., Shuo W., Xin G., Meng L., Yanyan C. A Spatial-Temporal Kernel Density Estimate Method for Traffic Violation Hotspot Identification, 23rd COTA International Conference of Transportation Professionals, 2023, Pages 1626-1636. https://doi.org/10.1061/9780784484869.155

17. Han Y., Hu Y., Zhu H., Wang F. A cyclically adjusted spatio-temporal kernel density estimation method for predictive crime hotspot analysis, Annals of GIS, Volume 29, Issue 1, 2023, Pages 177-191. https://doi.org/10.1080/19475683.2023.2166584

18. Rico Krueger, Prateek Bansal, Prasad Buddhavarapu, A new spatial count data model with Bayesian additive regression trees for accident hot spot identification, Accident Analysis & Prevention, Volume 144, 2020, 105623, ISSN 0001-4575, https://doi.org/10.1016/j.aap.2020.105623

19. Полетайкин А.Н., Тузова А.А. Разработка Иад-системы для процесса идентификации аварийно-опасных участков в разрезе возрастного состава участников ДТП // Научные записки НГУЭУ. 2025. № 2. С. 49–61. EDN LRRWCC.

20. Behboudi Noushin, Sobhan Moosavi, Rajiv Ramnath. Recent advances in traffic accident analysis and prediction: A comprehensive review of machine learning techniques. arXiv preprint arXiv:2406.13968 (2024). https://doi.org/10.48550/arXiv.2406.13968

21. Gao P., Shuai B., Zhang R., Wang B. STCAGNN-RNKDE: a traffic accident prediction model for spatiotemporal combinatorial attention graph neural networks using Ripley’s K and network kernel density estimation. Reliability Engineering & System Safety, Volume 265, 2026. https://doi.org/10.1016/j.ress.2025.111593

22. Muduli K., Sahu D., Ghosh I. An Adaptable Framework for Identifying and Prioritising Road Traffic Accident Hotspots. Traffic & Transportation, Volume 37, Issue 2, 2025, Pages 321-337. https://doi.org/10.7307/ptt.v37i2.751

23. Abid Dr. Rana Ibrahim. Identifying Spatial Patterns of Road Accidents in Madaba City by Applying Getis-Ord Gi* Spatial Statistic. International Journal of Engineering and Advanced Technology, Volume 13, Issue 4, 2024, Pages 1-8. https://doi.org/10.35940/ijeat.C4387.13040424

24. Köfteci S., Yalçın M.A., QGIS-based Analysis of Traffic Accident Regions in Muratpasa District in Antalya City. Gazi University Journal of Science Part A: Engineering and Innovation, Volume 11, Issue 4, 2024, Pages 771-779. https://doi.org/10.54287/gujsa.1581268

25. Siregar A.Z., Awaluddin M, Wahyuddin Y. Identification of Traffic Accidents Vulnerability Level Using Kernel Density And K-Medoids Methods (Case Study: Depok and Kalasan Districts, Sleman Regency). Jurnal Ilmiah Geomatika, Volume 3, Issue 1, 2023. https://doi.org/10.31315/imagi.v3i1.9241