Методология выявления и ранжирования очагов ДТП на основе пространственного анализа и программно-целевого подхода
(Стр. 11-28)
Подробнее об авторах
Загородних Николай Анатольевич
кандидат технических наук, доцент; доцент, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Константинов Игорь Сергеевич доктор технических наук, профессор; профессор, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Константинов Игорь Сергеевич доктор технических наук, профессор; профессор, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
В работе предложена усовершенствованная версия информационной системы, предназначенной для анализа очагов концентрации дорожно-транспортных происшествий с применением программно-целевого подхода и геоинформационных технологий. Представлена архитектура программного решения, включающая алгоритмы пространственного анализа, идентификации и консолидации очагов, а также механизмы их формализованного описания. Особое внимание уделено реализации расчетов приоритетности устранения ОКДТП с учетом факторов риска, предложенных корректирующих мероприятий и ожидаемой эффективности. Верификация результатов проводилась на основе данных о ДТП в городской среде. Предложенное решение демонстрирует устойчивость алгоритмов, а также высокую применимость в задачах цифровизации транспортной инфраструктуры. Обозначены направления дальнейшего развития системы, включая внедрение механизмов нечеткой логики, цифровых двойников и искусственного интеллекта.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Загородних Н.А., Константинов И.С. Методология выявления и ранжирования очагов ДТП на основе пространственного анализа и программно-целевого подхода // Computational Nanotechnology. 2025. Т. 12. № 5. С. 11-28. DOI: 10.33693/2313-223X-2025-12-5-11-28. EDN: EEQEAQ
Список литературы:
Бугаевский Л.М., Цветков В.Я. Геоинформационные системы. М.: Златоуст, 2000. 256 с.
Загородних Н.А. Информационная система выявления очагов концентрации ДТП: итоги реализации и перспективы развития // Управление деятельностью по обеспечению безопасности дорожного движения. 2019. № 1 (2). С. 183–187.
Загородних Н.А. Математическое моделирование обеспечения безопасности дорожного движения для водителей транспортных средств // Успехи современной науки. 2015. № 2. С. 31–36.
Загородних Н.А. Методы анализа очагов ДТП: сравнительный обзор алгоритмов // Информационные системы и технологии. 2025. № 2 (148). С. 108–116.
Загородних Н.А., Несов И.С. Анализ мирового опыта внедрения и использования геоинформационных технологий для обеспечения безопасности дорожного движения // Информационные технологии и инновации на транспорте: сб. науч. тр. 5-й Междунар. науч.-практ. конф. Орел: ОГУ им. И.С. Тургенева, 2020. С. 143–150.
Загородних Н.А., Новиков А.Н. Программная реализация алгоритма выявления аварийно-опасных участков дороги // Transportation Research Procedia. 2018. № 36. С. 817–825. DOI: 10.1016/j.trpro.2018.12.074.
Загородних Н.А., Семкин А.Н. Основные аспекты универсальной модели цифровой инфраструктуры транспорта // Мир транспорта и технологических машин. 2018. № 2 (61). С. 116–123.
Ковалев С.С., Морозов Д.Д. Применение статистики Getis-Ord Gi* для выявления горячих точек аварийности в мегаполисе // Городские исследования. 2022. Т. 8. № 1. С. 27–35.
Chen H., Xie K., Wang J. A review of traffic crash prediction models using artificial intelligence algorithms // Journal of Advanced Transportation. 2018. No. 2018. Pp. 1–12. DOI: 10.1155/2018/9360123.
Geurts K., Wets G. Data mining for traffic accident analysis and road safety improvement // Transportation Research Record. 2005. No. 1922. Pp. 39–49. DOI: 10.3141/1922-05.
Hossain M., Muromachi Y. A Bayesian network-based framework for real-time crash prediction on the urban expressway // Accident Analysis & Prevention. 2012. No. 45. Pp. 373–381. DOI: 10.1016/j.aap.2011.08.001.
Huang H., Abdel-Ati M. Multilevel Bayesian analysis of crash rates at signalized intersections // Transportation Research Record. 2010. No. 2148. Pp. 27–37. DOI: 10.3141/2148-04.
Lee H., Kim S. Identifying hotspots of influenza spread Using Getis-Ord Gi* statistics // Public Health Journal. 2020. No. 15. Pp. 78–85.
Mitra S., Washington S. On the nature of over-dispersion in motor vehicle crash prediction models // Accident Analysis & Prevention. 2007. Vol. 39. No. 3. Pp. 459–468. DOI: 10.1016/j.aap.2006.08.002.
Molina J.C., Torres J.P., Roca J. Identification of traffic accident hotspots using kernel density estimation and cluster analysis // Transportation Research Procedia. 2020. No. 47. Pp. 167–174. DOI: 10.1016/j.trpro.2020.03.081.
Smith J., Johnson L. Using kernel density estimation for crime hotspot analysis // Journal of Criminal Justice. 2019. No. 47. Pp. 123–130.
Wang Y., Li X. Machine learning approaches for urban traffic congestion prediction // Transportation Research Record. 2021. No. 2675. Pp. 567–575.
Xie Z., Yan J. Kernel density estimation of traffic accidents in a network space // Computers, Environment and Urban Systems. 2008. Vol. 32. No. 5. Pp. 396–406. DOI: 10.1016/j.compenvurbsys.2008.05.001.
Zahran M., Kato H. Kernel density estimation for analyzing the spatial patterns of traffic accidents // Journal of Traffic and Transportation Engineering. 2016. No. 3 (4). Pp. 345–352.
Загородних Н.А. Информационная система выявления очагов концентрации ДТП: итоги реализации и перспективы развития // Управление деятельностью по обеспечению безопасности дорожного движения. 2019. № 1 (2). С. 183–187.
Загородних Н.А. Математическое моделирование обеспечения безопасности дорожного движения для водителей транспортных средств // Успехи современной науки. 2015. № 2. С. 31–36.
Загородних Н.А. Методы анализа очагов ДТП: сравнительный обзор алгоритмов // Информационные системы и технологии. 2025. № 2 (148). С. 108–116.
Загородних Н.А., Несов И.С. Анализ мирового опыта внедрения и использования геоинформационных технологий для обеспечения безопасности дорожного движения // Информационные технологии и инновации на транспорте: сб. науч. тр. 5-й Междунар. науч.-практ. конф. Орел: ОГУ им. И.С. Тургенева, 2020. С. 143–150.
Загородних Н.А., Новиков А.Н. Программная реализация алгоритма выявления аварийно-опасных участков дороги // Transportation Research Procedia. 2018. № 36. С. 817–825. DOI: 10.1016/j.trpro.2018.12.074.
Загородних Н.А., Семкин А.Н. Основные аспекты универсальной модели цифровой инфраструктуры транспорта // Мир транспорта и технологических машин. 2018. № 2 (61). С. 116–123.
Ковалев С.С., Морозов Д.Д. Применение статистики Getis-Ord Gi* для выявления горячих точек аварийности в мегаполисе // Городские исследования. 2022. Т. 8. № 1. С. 27–35.
Chen H., Xie K., Wang J. A review of traffic crash prediction models using artificial intelligence algorithms // Journal of Advanced Transportation. 2018. No. 2018. Pp. 1–12. DOI: 10.1155/2018/9360123.
Geurts K., Wets G. Data mining for traffic accident analysis and road safety improvement // Transportation Research Record. 2005. No. 1922. Pp. 39–49. DOI: 10.3141/1922-05.
Hossain M., Muromachi Y. A Bayesian network-based framework for real-time crash prediction on the urban expressway // Accident Analysis & Prevention. 2012. No. 45. Pp. 373–381. DOI: 10.1016/j.aap.2011.08.001.
Huang H., Abdel-Ati M. Multilevel Bayesian analysis of crash rates at signalized intersections // Transportation Research Record. 2010. No. 2148. Pp. 27–37. DOI: 10.3141/2148-04.
Lee H., Kim S. Identifying hotspots of influenza spread Using Getis-Ord Gi* statistics // Public Health Journal. 2020. No. 15. Pp. 78–85.
Mitra S., Washington S. On the nature of over-dispersion in motor vehicle crash prediction models // Accident Analysis & Prevention. 2007. Vol. 39. No. 3. Pp. 459–468. DOI: 10.1016/j.aap.2006.08.002.
Molina J.C., Torres J.P., Roca J. Identification of traffic accident hotspots using kernel density estimation and cluster analysis // Transportation Research Procedia. 2020. No. 47. Pp. 167–174. DOI: 10.1016/j.trpro.2020.03.081.
Smith J., Johnson L. Using kernel density estimation for crime hotspot analysis // Journal of Criminal Justice. 2019. No. 47. Pp. 123–130.
Wang Y., Li X. Machine learning approaches for urban traffic congestion prediction // Transportation Research Record. 2021. No. 2675. Pp. 567–575.
Xie Z., Yan J. Kernel density estimation of traffic accidents in a network space // Computers, Environment and Urban Systems. 2008. Vol. 32. No. 5. Pp. 396–406. DOI: 10.1016/j.compenvurbsys.2008.05.001.
Zahran M., Kato H. Kernel density estimation for analyzing the spatial patterns of traffic accidents // Journal of Traffic and Transportation Engineering. 2016. No. 3 (4). Pp. 345–352.
Ключевые слова:
информационная система, дорожно-транспортные происшествия, очаги концентрации, пространственный анализ, приоритизация мероприятий, геоинформационные технологии, цифровая трансформация, нечеткая логика, цифровой двойник, безопасность дорожного движения.
