УДК: 656.13
https://doi.org/10.25198/2077-7175-2025-3-107
EDN: ZAJFEZ


просмотр

РАЗРАБОТКА АВТОРЕГРЕССИОННОЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ АВАРИЙНОСТИ НА ТЕРРИТОРИИ ХАБАРОВСКОГО КРАЯ

Е. В. Шохирев1, П. П. Володькин2, В. А. Лазарев3
Тихоокеанский государственный университет, Хабаровск, Россия
1 e-mail: shohirev_kna@mail.ru
2 e-mail: 004167@togudv.ru
3 e-mail: 000136@togudv.ru

А. В. Константинов
Институт горного дела Дальневосточного отделения Российской академии наук, Хабаровск, Россия
e-mail: alex-sdt@yandex.ru

Аннотация. Актуальность настоящего исследования обоснована тем, что проблема аварийности на автомобильных дорогах является серьезной социальной и экономической проблемой, одним из возможных направлений решения которой заключается в проведении профилактики и предупреждения дорожной аварийности. Основой по предотвращению и в последующем снижению аварийности на дорогах может послужить анализ произошедших ранее дорожно-транспортных происшествий, результаты которого впоследствии, с применением современных технологий можно использовать, как базу для моделирования случаев аварийности и возможности их недопущения в дальнейшем. Решением данной задачи может являться создание модели прогнозирования на основе статистических данных с применением машинного обучения в анализе дорожной аварийности, что будет эффективным при обработке данных и принятию обоснованных решений для повышения безопасности на дорогах и сможет значительно улучшить точность прогнозов, что впоследствии может быть направлено на повышение уровня безопасности. Целью исследования является сравнение фактических показателей аварийности в Хабаровском крае за период с 01.01.2015 по 30.11.2023 гг. с результатами модели прогнозирования аварийности путем обучения и апробации на основе рекуррентной нейронной сети с использованием методов машинного обучения.

В исследовании применяются научные методы статистического моделирования временных рядов, анализ признакового пространства данных. Для моделирования и последующего прогнозирования использовалась нейронная сеть рекуррентного типа, с применением автореггрессионного подхода.

Научная новизна представленного исследования выражена в виде разработанной авторегрессионной нейросетевой модели прогнозирования аварийности для выявления зависимостей и закономерностей данных, которая позволит улучшить качество прогнозирования аварийности, с учетом возможности обработки большого объема данных с информацией о факторах, влияющих на аварийность.

Дальнейшие исследования будут направлены на совершенствование модели прогнозирования, с применением большего объема информации в исходных данных.

Новые научные результаты выражены в виде разработанной модели прогнозных значений ДТП, которая воспроизводит общие тенденции и предсказывает пики количества ДТП за указанный период времени. Модель, обученная на данных из обучающей выборки, способна предсказывать количество ДТП на данных тестовой выборки.

Представленная в исследовании модель прогнозирования в будущем может быть адаптирована для прогнозирования количества и видов ДТП, участников и пострадавших.

Применение результатов исследования направлено на улучшение качества профилактики дорожной аварийности и предотвращения аварийных ситуаций, используя данные модели прогнозирования.

Ключевые слова: дорожно-транспортное происшествие, анализ аварийности, безопасность дорожного движения, нейронная сеть, моделирование, прогнозирование аварийности.

Для цитирования: Разработка авторегрессионной нейросетевой модели для прогнозирования аварийности на территории Хабаровского края / Е. В. Шохирев [и др.] // Интеллект. Инновации. Инвестиции. – 2025. – № 3. – С. 107–120.– https://doi.org/10.25198/2077-7175-2025-3-107.


Литература

  1. Велихов П. Машинное обучение для понимания естественного языка // Открытые системы СУБД. – 2016. – № 1. – С. 18–21. – EDN: VQCODX.
  2. Гущина П. В., Шакирзянова И. Ф., Зюрина О. А. Интеллектуальные транспортные системы: элементы и преимущества // Логистика – Евразийский мост. Материалы XIX Международной научно-практической кон¬ференции. Красноярск, 24-28 апреля 2024. – С. 70–75. – EDN: SNSONE.
  3. Дорожно-транспортный травматизм. Вред, причиняемый во время ДТП / А. И. Марковнина [и др.] // Будущее технической науки. Сборник материалов XIX Всероссийской молодежной научно-технической конференции. Нижний Новгород, 08 октября 2020. – С. 190–191. – EDN: QFYGBA.
  4. Звягин Л. С. Особенности моделирования в различных типах нейросетей // Мягкие измерения и вычисления. – 2022. – Т. 52, № 3. – С. 43–54. – https://doi.org/10.36871/2618-9976.2022.03.005. – EDN: TMFOXC.
  5. Канторович Г. Г. Анализ временных рядов // Экономический журнал Высшей школы экономики. – 2002. – Т. 6, № 2. – С. 251–273. – EDN: ZEKQFV.
  6. Кущенко Л. Е. Прогнозирование ДТП как один из способов снижения смертности // Мир транспорта и технологических машин. – 2023. – № 2(81). – С. 67–73. – https://doi.org/10.33979/2073-7432-2023-2(81)-67-73. – EDN: MNZHMS.
  7. Обобщённая схема анализа данных и прогнозирования аварийных ситуаций на автомобильных дорогах / Д. О. Бобынцев [и др.] // Естественные и технические науки. – 2021. – № 12 (163). – С. 285–288. – EDN: NTGEKA.
  8. Особенности методов машинного обучения / И. Я. Львович [и др.] // Информационные технологии. – 2020. – Т. 26, № 9. – С. 499–506. – https://doi.org/10.17587/it.26.499-506. – EDN: EIZOHB.
  9. Рыбин А. Л. Парадигмы дорожного движения // Автомобильные дороги. – 2020. – № 12 (1069). – С. 133– 137. – EDN: ZDUVPM.
  10. Шпалтаков В. П. Теоретические основы экономики транспортной системы // Инновационная экономика и общество. – 2020. – № 1 (27). – С. 2–14. – EDN: KPFPFW.
  11. Alvarez-Rodriguez U., et al. (2021).Evolutionary dynamics of higher-order interactions in social networks. Nature Human Behaviour, Vol. 5, No. 5, pp. 586–595. – https://doi.org/10.1038/s41562-020-01024-1. (In Eng.).
  12. Franco Basso, et al. (2021) A deep learning approach for real-time crash prediction using vehicle-by-vehicle data. Accident Analysis & Prevention, Vol. 162. – https://doi.org/10.1016/j.aap.2021.106409. (In Eng.).
  13. Lastrico R., et al. (2024). Estimation of Kidney’s Blood Vessels Deformations for Robot-Assisted Surgery. In: Lee SG., An J., Chong N. Y., Strand M., Kim J. H. (eds) Intelligent Autonomous Systems 18. IAS 2023. Lecture Notes in Networks and Systems, Vol. 794. – https://doi.org/10.1007/978-3-031-44981-9_35. (In Eng.).
  14. Li P., Abdel-Aty M., Yuan, J. (2020) Real-Time Crash Risk Prediction on Arterials Based on LSTM-CNN. Accident Analysis & Prevention, Vol. 135. – https://doi.org/10.1016/j.aap.2019.105371. (In Eng.).
  15. Liu Q., et al. (2024) Multi-task Support Vector Machine Classifier with Generalized Huber Loss. Journal of Classification . – https://doi.org/10.1007/s00357-024-09488-w. (In Eng.).
Error