Разработка алгоритмического аппарата по обеспечению безопасности дорожного движения

В настоящей статье представлен один из полученных автором научных результатов в ходе проводимого диссертационного исследования. Поднята рассматриваемая в исследовании проблема, а именно проблема обеспечения безопасности участников дорожного движения. Выявлено, что в мегаполисах установка «необходимого минимального пакета средств» соблюдается не во всех районах, что, в свою очередь, становится причиной нарушений со стороны участников дорожного движения. Рассмотрены существующие методы оценки и повышения безопасности участников дорожного движения, выделены ограничения. Предложен возможный инструмент решения анализируемой задачи исходя из выделенных ограничений – рациональное размещение технических средств организации дорожного движения. На основе алгоритма машинного обучения «Дерево принятия решений» разработан алгоритмический аппарат, позволяющий прогнозировать и рекомендовать целесообразные места для установки технических средств организации дорожного движения на тех улицах, на которых они расположены либо нерационально, либо отсутствуют вовсе. Предложен собственный метод подготовки входных данных с описанием этапов. Предложено использование метода семантического дифференциала для определения весов / важности атрибутов. Проведена апробация разработанного алгоритмического аппарата как на примере «модели», так и на примере реального участка. Отмечено, что предлагаемый алгоритм имеет возможность генерировать большой объем входных данных, что позволит в дальнейшем расширить алгоритм и учитывать еще больше различных факторов. Ожидается, что разработанный алгоритмический аппарат позволит существенно минимизировать количество дорожно-транспортных происшествий. Предполагается, что научные результаты, полученные в работе, позволят комплексно оценить проблематику организации дорожного движения на существующих застроенных территориях или планируемых к развитию участков.

1. Арутюнян М.А. Методы оценки и повышения пешеходной безопасности. Альманах научных работ молодых ученых Университета ИТМО. 2020;5:2326

2. Fujitsu Global. What is SPATIOWL? URL: http://www.fujitsu.com/global/solutions/business-technology/intelligent-society/smart-mobility/spatiowl/ (дата обращения: 18.10.2022).

3. Siemens. Sitraffic Vehicle2x. URL: https://assets.new.siemens.com/siemens/assets/api/uuid:9c7f02efa4cd2e1b0f6ea0eadeb5db658837d86e/siemens-vehicle-to-x-communication-technology-infographic.pdf (дата обращения: 18.10.2022).

4. Qualcomm. Cellular V2X. URL: https://www.qualcomm.com/invention/5g/cellular-v2x (дата обращения: 10.12.2019).

5. Lawniczak A.T., Di Stefano B.N., Ernst J.B. Stochastic model of cognitive agents learning. Stochastic Models, Statistics and Their Applications. 2015:319326.

6. Daganzo C.F., Knoop V.L. Traffic flow on pedestrianized streets. Transportation Research Part B: Methodological. 2016:86:211222.

7. Wang L., Ye S., Cheong K.H., Xie N. Pedestrian group-crossing behavior modeling and simulation based on multidimensional dirty faces game. Complexity. 2017.

8. Yang J., Deng W., Wang J., Li Q., Wang Z. Modeling pedestrians’ road crossing behavior in traffic system micro-simulation in China. Transportation Research Part A. 2006;40:280290.

9. Zeng W., Chen P., Nakamura H., Iryo-Asano M. Application of social force model to pedestrian behavior analysis at signalized crosswalk. Transportation Research Part C. 2014;40:143159.

10. Feliciani C., Crociani L., Gorrini A., Vizzari G., Bandini S., Nishinari K. A simulation model for non-signalized pedestrian crosswalks based on evidence from on field observation. Intelligenza Artificiale. 2017;11:117138.