Анализ больших данных при разработке модели дорожного движения

Представлен анализ существующих моделей дорожного движения и выявлены проблемы обработки используемых данных. Рассматривается эволюция подходов к управлению дорожным движением — от классических аналитических моделей до современных методов искусственного интеллекта. Особый акцент делается на ключевой роли больших данных как источника информации для обучения, калибровки и работы указанных моделей. Описаны перспективы данной предметной области. Приведена классификация моделей дорожного движения, описаны микро-, макро- и мезоскопические модели, перечислены их ключевые особенности, достоинства и недостатки, сформирован описывающий их математический аппарат. Показано, что эффективность любого алгоритма управления напрямую зависит от объема, качества и глубины анализа поступающих данных. Систематизированы методы моделирования дорожного движения и продемонстрирована их взаимосвязь с технологиями анализа больших данных. Описано применение машинного обучения в задачах управления дорожным движением. Обоснована научная новизна предложенной авторами принципиальной модели дорожного движения — данная макроскопическая модель имеет преимущество в скорости расчета, простоте моделирования дорожной ситуации и может быть применена для оценки регулируемых параметров заданных характеристик дорожной инфраструктуры.

1. Пелих Д. А. Исследование методов и проблем проектирования системы управления дорожным трафиком // Современная наука: актуальные проблемы теории и практики. Естественные и технические науки. 2025. № 2-2. С. 134–136.

2. Коновалова Т. В., Надирян С. Л., Изюмский А. А., Коцурба С. В. Элементы дорожной инфраструктуры и их влияние на безопасность дорожного движения // Intern. Journal of Advanced Studies: Transport and Information Technologies. 2022. Vol. 12, N 2. DOI: 10.12731/2227-930X-2022-12-2-49-68.

3. Зиарманд А. Н., Хаханов В. И. Модели и методы мониторинга и управления транспортом // Радиэлектроника и информатика. 2016. № 3.

4. Зикратова Т. В., Зикратов И. А. Применение нейронной сети для обнаружения аварийно-опасных ситуаций на дорогах // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20, № 2. С. 301–305.

5. Зикратов И. А., Викснин И. И., Зикратова Т. В. Оптимизация проезда опасных участков дорог беспилотными транспортными средствами // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19, № 1. С. 155–165.

6. Зикратов И. А., Зикратова Т. В. Прогнозирование опасных ситуаций дорожного движения с использованием data mining // Региональная информатика и информационная безопасность: Сб. трудов. СПб, 2019. Вып. 7. С. 420–422.

7. Зикратов И. А., Викснин И. И., Зикратова Т. В. Мультиагентное планирование проезда перекрестка дорог беспилотными транспортными средствами // Научно-технический вестник информационных технологий, механики и оптики. 2016. Т. 16, № 5. С. 839–849.

8. Пелих Д. А. Проектирование имитационной модели управления дорожным трафиком // Отходы и ресурсы. 2024. Т. 11, № 4. DOI: 10.15862/04INOR125.

9. Абрамова Л. С. Модели управления дорожным движением для АСУДД // Вестн. ХНАДУ. 2010. Вып. 50.

10. Голубков А. С., Царев В. А. Адаптивное управление дорожным движением на базе системы микроскопического моделирования транспортных потоков // Информационно-управляющие системы. 2010. № 5. С. 15–19.

11. Трапезникова М. А., Чечина А. А., Чурбанова Н. Г. Моделирование движения автомобильного транспорта с использованием макро- и микроскопических моделей // Computational Mathematics and Information Technologies. 2023. Vol. 7 (2). P. 60–72. DOI: 10.23947/2587-8999-2023-7-2-60-72.

12. Соколов П. А., Школина И. В., Трапезникова М. А. и др. Моделирование на суперкомпьютерах движения автотранспорта на основе КГД системы уравнений // Изв. ЮФУ. Технические науки. 2019. № 7. С. 159–169.

13. Chetverushkin B., Chechina A., Churbanova N. et al. Development of parallel algorithms for intelligent transportation systems // Mathematics. 2022. Vol. 10(4). P. 643.

14. Chechina A., Churbanova N., Trapeznikova M. Driver behaviour algorithms for the cellular automata-based mathematical model of traffic flows // EPJ Web of Conferences. 2021. № 248. P. 02002.

15. Куверин И. Ю., Гусев С. А., Блинов Д. Г., Гусева И. А. Модель непрерывного транспортного потока беспилотных автомобилей при движении на серпантине с виражами с учетом средней скорости движущихся впереди автомобилей // Автоматика на транспорте. 2024. Vol. 10, N 3.

16. Storani F. Analysis and comparison of traffic flow models: a new hybrid traffic flow model vs benchmark models // European Transport Research Rev. 2021. Vol. 13, N. 1. DOI: 10.1186/s12544-021-00515-0.

17. Кравченко П. С., Омарова Г. А. Микроскопические математические модели транспортных потоков. Аналитический обзор // Проблемы информатики. 2014. № 1.

18. Treiber M., Kesting A. Traffic Flow Dynamics: Data, Models and Simulation. London: Springer, 2012. Р. 221–222.

19. Архангельский А. Н. Моделирование движения автомобиля в транспортном потоке на ЭВМ // Automation and modeling in design and management. 2020. N 1 (07). DOI: 10.30987/2658-6436-2020-1-26-31.

20. Омарова Г. А., Казанцев Г. Ю. Применение клеточных автоматов для моделирования транспортных потоков // Теоретическая информатика. 2015. С. 1–7.

21. Daganzo C. F. Urban gridlock: macroscopic modeling and mitigation approaches // Transportation Research Part B: Methodological. 2007. Vol. 41 (1). P. 49–62. DOI: 10.1016/j.trb.2006.03.001.

22. Geroliminis N., Sun J. Properties of a well-defined macroscopic fundamental diagram for urban traffic // Transportation Research Part B: Methodological. 2011. Vol. 45 (3). P. 605–617. DOI: 10.1016/j.trb.2010.11.004.5.

23. Поваляев Н. Д., Крылатов А. Ю., Шаталова Н. В. Методы кластерного анализа дорожных сетей для вы явления узких мест и оптимизации движения // T-Comm: Телекоммуникации и транспорт. 2025. Т. 19, № 7. С. 34–40.

24. Лабковская Р. Я., Косов П. В. Анализ больших данных: Учеб. пособие. СПб: СПБГУТ им. проф. Бонч-Бруевича.

25. Цзянг Х. Оптимизация дорожного движения на основе макроскопической фундаментальной диаграммы в городской двухзональной системе // Вестн. СибАДИ. 2022. Т. 19, № 2 (84). С. 246–257. DOI: 10.26518/2071-7296-2022-19-2-246-257.

26. Саленек И. А., Селиверстов Я. А., Селиверстов С. А., Носкова Н. И. Оптимизация циклов светофорного регулирования методом обучения с подкреплением // Системный анализ в проектировании и управлении: Сб. науч. тр. XXVI Междунар. науч.-практ. конф., 13–14 окт. 2022, СПб: Политех-Пресс, 2023. С. 344–350. DOI: 10.18720/SPBPU/2/id23-70.

27. Seliverstov S. A., Sazanov A. M., Lukomskaya O. Y., Nikitin K. V., Shatalova N. V., Benderskaya E. N. Analysis of modern approaches to optimizing traffic control systems // Proc. of 24th Intern. Conf. on Soft Computing and Measurements. May 26–29, 2021, St. Petersburg. P. 106–108. DOI: 10.1109/SCM52931.2021.9507147.

28. Seliverstov S. A., Sazanov A. M., Benderskaya E. N., Nikitin K. V., Seliverstov Y. A. Development of the Intelligent Traffic Management System Architecture // Proc. of 24th Intern. Conf. on Soft Computing and Measurements, May 26–29, 2021, St. Petersburg. P. 200–203. DOI: 10.1109/SCM52931.2021.9507125.3.

29. Genders W., Razavi S. Evaluating reinforcement learning state representations for adaptive traffic signal control // Procedia Computer Science. 2018. Vol. 130. P. 26–33. DOI: 10.1016/j.procs.2018.04.008.