ПРОГНОЗУВАННЯ РИЗИКІВ ДОРОЖНЬО-ТРАНСПОРТНОГО РУХУ  НА ОСНОВІ НЕЙРОННОЇ МЕРЕЖІ

Д. С. Положий; О. О. Орєхов

doi:10.26906/SUNZ.2025.1.10-16

Автор(и)

Д. С. Положий Національний аерокосмічний університет «ХАІ»
О. О. Орєхов Національний аерокосмічний університет «ХАІ»

DOI:

https://doi.org/10.26906/SUNZ.2025.1.10-16

Ключові слова:

безпека дорожньо-транспортного руху, фактори небезпеки, моделювання, транспортний засіб, нейронна мережа, інтелектуальна транспортна система

Анотація

На підставі структурного аналізу статистики ДТП в Україні виділені найбільш небезпечні їх причини: перевищення безпечної швидкості, порушення правил маневрування, порушення правил проїзду перехресть та пішохідних переходів. Розглянуто запропоновані моделі прогнозування небезпеки дорожньо-транспортного руху і ризику водіння. Досліджено та систематизовано фактори небезпеки дорожньо-транспортного руху. Запропонована модель прогнозування ризику дорожньо-транспортного руху із використанням інтелектуальної транспортної системи (ІTS) та нейронної мережі. Модель побудована на технології обробки нейронною мережею зважених статистичних та динамічних масивів вхідних даних, що характеризують внутрішнє і зовнішнє середовище транспортного засобу з метою отримання оцінки ризику дорожньо-транспортного руху. Запропоновано алгоритм прогнозування ризику нейронною мережею. Навчання багатошарової нейронної мережі здійснюється за алгоритмом зворотного поширення помилки. Тестування роботи системи прогнозування продемонструвало точність передбачень 85-90%.

Завантаження

Посилання

1. Офіційний сайт патрульної поліції України. Статистика. URL: https://patrolpolice.gov.ua/statystyka/

2. Положий Д. С., Орєхов О. О. Інтелектуальні системи автомобільної безпеки на основі хмарних архітектур // Системи управління, навігації та зв'язку, 2023. № 4. С. 91-95. DOI: https://doi.org/10.26906/SUNZ.2023.4.091

3. Кашканов А.А., Пальчевський О.В. Інтелектуалізація управління дорожнім рухом як засіб підвищення ефективності транспортної мережі міста в неординарних ситуаціях // DOI: https://doi.org/10.31649/2413-4503-2022-16-2-42-50 DOI: https://doi.org/10.31649/2413-4503-2022-16-2-42-50

4. Anukruthi Karre, Akramul Azim. Collision Prediction of Smart Cities Using Co-simulation // Procedia Computer Sciance 224 (2023) 205-214. URL: www.sciencedirect.com DOI: https://doi.org/10.1016/j.procs.2023.09.029

5. Hou J., List G. F., Guo X. 2014. New Algorithms for Computing the Time-to-Collision in Freeway Traffic Simulation Models URL: https://doi.org/10.1155/2014/761047 DOI: https://doi.org/10.1155/2014/761047

6. Sharma, B.; Katiyar, V.K.; Kumar, K. Kranti Kumar Traffic Accident Prediction Model Using Support Vector Machines with Gaussian Kernel. In Proceedings of Fifth International Conference on Soft Computing for Problem Solving; Pant, M., Deep, K., Bansal, J.C., Nagar, A., Das, K.N., Eds.; Springer: Singapore, 2016; pp. 1–10. DOI: https://doi.org/10.1007/978-981-10-0451-3_1

7. Wu, Q.; Hui, L.C.K.; Yeung, C.Y.; Chim, T.W. Early car collision prediction in VANET. In International Conference on Connected Vehicles and Expo (ICCVE); IEEE: Shenzhen, China, 2015; pp. 19–23. DOI: https://doi.org/10.1109/ICCVE.2015.55

8. Aung N., Zhang, W., Dhelim, S., Yibo Ai. Accident Prediction System Based on Hidden Markov Model for Vehicular AdHoc Network in Urban Environments //MDPI, 2018, 9, 311. doi:10.3390/info9120311 DOI: https://doi.org/10.3390/info9120311

9. Strickland, M., Fainekos, G., & Ben Amor, H. (2018). Deep predictive models for collision risk assessment in autonomous driving. In 2018 IEEE International Conference on Robotics and Automation, ICRA 2018 (pp. 4685-4692). Institute of Electrical and Electronics Engineers Inc.. URL: https://doi.org/10.1109/ICRA.2018.8461160 DOI: https://doi.org/10.1109/ICRA.2018.8461160

10. Iqbal, A., Busso, C., Gans, N.R. (2015) Adjacent Vehicle Collision Warning System using Image Sensor and Inertial Measurement Unit. In Proceedings of the 2015 ACM on International Conference on Multimodal Interaction—ICMI ’15, Seattle, WA, USA, 9–13 November 2015; ACM Press: New York, NY, USA, 2015; pp. 291–298. DOI: https://doi.org/10.1145/2818346.2820741

11. C. Chen, L. Liu, T. Qiu, Z. Ren, J. Hu, and F. Ti, “Driver’s intention identification and risk evaluation at intersections in the Internet of vehicles,” IEEE Internet Things J., vol. 5, no. 3, pp. 1575–1587, Jun. 2018. DOI: https://doi.org/10.1109/JIOT.2017.2788848

12. Halim Z., Sulaiman M., Waqas M. (2022). Deep neural network-based identification of driving risk utilizing driver dependent vehicle driving features: a scheme for critical infrastructure protection // Journal of Ambient Intelligence and Humanized Computing, 2022, 14(2):1-19. DOI:10.1007/s12652-022-03734-y DOI: https://doi.org/10.1007/s12652-022-03734-y

13. Oprea,S., Martinez-Gonzalez,P., Garcia-Garcia,A., Castro-Vargas,J.A., Orts-Escolano,S., Garcia-Rodriguez,J., Argyros,A. (2020). A review on deep earning techniques for video prediction / IEEE Transactions on Pattern Analysis and Machine Intelligence.

14. Kushwaha, M.; Abirami, M.S. (2023). Intelligent Model for Avoiding Road Accidents Using Artificial Neural Network, International Journal of Computers Communications & Control, 18(5), 5317, 2023. https://doi.org/10.15837/ijccc.2023.5.5317 DOI: https://doi.org/10.15837/ijccc.2023.5.5317

15. Maaloul, B. (2018). Video-based algorithms for accident detections. Ph.D. thesis. Universit. Ede Valencienne set du HainautCambresis; Universit. edeMons.

16. Robles-Serrano, S., Sanchez-Torres,G., Branch-Bedoya,J., 2021. Automatic detection of traffic accidents from video using deep learning techniques. Computers 10, 148. DOI: https://doi.org/10.3390/computers10110148

17. Coll-Josifov, R., Masip-.Alvarez, A., Lav`ernia-Ferer, D., 2022. Deep learning classification applied to traffic accident sprediction, in: XLIII Jornadasde Autom.atica, Universidadeda Coru˜na .Servizode Publicaci. ons. pp. 964–971. DOI: https://doi.org/10.17979/spudc.9788497498418.0964

18. Сергиенко Н.Е., Маренич А.Н. Бортова система контролю стану водія // Автомобільний транспорт, 2010. Вип. 27. С. 148-152.

19. Purkrábková, Z., Růžička, J., Bělinová, Z., Korec, V. Traffic accident risk classification using neural networks // Neural Network World, 2021, Issue 5, p.343 DOI: https://doi.org/10.14311/NNW.2021.31.019