CC BY
6Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 3 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
Mashinaviy o'qitish asosida yo'llardagi avtomobil tirbandlik holatlarini aniqlash uchun dastlabki
ma'lumotlarni tayyorlash usullari
Axatov Akmal Rustamovich
texnika fanlari doktori, professor, Samarqand davlat universiteti prorektori akmalar74@gmail .com
Eshtemirov Bunyod Sherali o'g'li
Samarqand davlat universiteti tayanch doktoranti eshtermirov23@gmail .com
Annotatsiya. Yo'llardagi tirbandlik holatlarini bashorat qilish, zamonaviy shaharlarda transport tizimlarini samarali boshqarish va harakatlanish qulayligini ta'minlashda muhim rol o'ynaydi. Ushbu jarayonni amalga oshirishda intellektual algoritmlar va sun'iy intellekt texnologiyalari keng qo'llanilmoqda. Bu texnologiyalar yo'l-transport hodisalarini oldindan aniqlash va oldini olish, shuningdek, transport oqimini optimal boshqarish imkonini beradi. Ushbu tadqiqot ishida ham yo'llardagi transport vositalari harakati haqidagi ma'lumotlar yig'ildi. Yig'ilgan ma'lumotlar tozalandi va tayyorlandi. Xususiyatlarni tanlash va muhimligini aniqlash uchun har bir ko'rsatkichning tirbandlik holatiga ta'siri tahlil qilindi. Shundan so'ng mashinaviy o'qitish algoritmlari, masalan, XGBoost, Random Forest Classifier, LGBMClassifier, Logistic Regression va chuqur o'qitish modellari yaratildi. Ushbu modellar yig'ilgan ma'lumotlar asosida o'qitildi. Modelni tekshirish va baholash uchun yaratilgan modelning aniqligi va samaradorligi test ma'lumotlar to'plami yordamida tekshirildi. Modelning bashorat qilish qobiliyati turli metrikalar yordamida baholandi, masalan, Accuracy, Recall, Precision va F1 Score. O'rganilgan model yordamida yo'llardagi tirbandlik holatlarini bashorat qilish amalga oshirildi. Bu bashoratlar transport tizimini boshqarish uchun sinovdan o'tkazildi.
IKalit so'zlar: intellektual algoritmlar, ma'lumotlar yig'ish usullari, modelning bashorat qilish qobiliyatini baholash, parametrlar orasidagi bog'liqliklarni o'rganish.
I. Kirish
Zamonaviy shaharlarda yo'l harakati boshqaruvi dolzarb muammolardan biri hisoblanadi. Har kuni millionlab avtomobillar va transport vositalari yo'llarda harakatlanadi, bu esa ko'pincha tirbandliklarga olib keladi [1]. Tirbandliklar nafaqat haydovchilar va yo'lovchilar uchun noqulaylik tug'diradi, balki iqtisodiy zararlarga, ekologik muammolarga va yo'l-transport hodisalariga ham sabab bo'ladi. Shahar infratuzilmasini samarali boshqarish uchun yo'llardagi tirbandlik holatlarini oldindan bashorat qilish va tirbandliklarni boshqarish texnologiyalari muhim ahamiyatga ega bo'lib, bu jarayonda intellektual algoritmlar va sun'iy intellekt texnologiyalari muhim rol o'ynaydi [2]. Yo'llardagi tirbandlik holatlarini bashorat qilishda intellektual algoritmlar va sun'iy intellekt texnologiyalari,
xususan, mashinaviy o'qitish va chuqur o'qitish usullaridan keng foydalaniladi. Bu usullar katta hajmdagi ma'lumotlarni tahlil qilish, xususiyatlarini o'rganish va bashorat qilishda keng qo'llaniladi. Bunday algoritmlar yuqori aniqlik va samaradorlikka ega bo'lib, transport tizimlarini boshqarish va optimallashtirishda muhim vositadir. Yo'llardagi tirbandlik holatini bashorat qilish uchun avvalo kerakli ma'lumotlarni yig'ish zarur. Yig'ilgan ma'lumotlar avval tozalanib, so'ngra tayyorlanadi. Ma'lumotlar yig'ilgandan so'ng, har bir ko'rsatkichning tirbandlik holatiga ta'sirini tahlil qilish zarur. Bu bosqichda ma'lumotlar orasidagi bog'liqliklar aniqlanadi. Masalan, Pearson, Spearman, va Kendall Tau koeffitsiyentlari yordamida ko'rsatkichlar orasidagi bog'liqliklarni o'rganish mumkin [3]. Keyingi bosqichda mashinaviy o'qitish algoritmlari yordamida
48
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 3 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
model yaratish va o'qitish kerak bo'ladi. Bu algoritmlar orasida chiziqli regressiya, qaror daraxtlari, tasodifiy o'rmonlar, gradient boosting, XGBoost va chuqur o'rganish modellari mavjud. Yaratilgan modelning aniqligi va samaradorligi test ma'lumotlar to'plami yordamida tekshiriladi. Bu bosqichda modelning bashorat qilish qobiliyati turli aniqlikni baholovchi usullar yordamida baholanadi. Masalan, Accuracy, Recall, Precision va F1 Score kabi metrikalari modelning aniqligini o'lchashda qo'llaniladi. Ushbu metrikalar yordamida modelning yutuqlari va kamchiliklari aniqlanadi, hamda kerak bo'lsa, modelni yaxshilash choralari ko'riladi [4].
II. Video tasvirlar orqali yo'llarning holati haqida ma'lumotlar yig'ish
Yo'llarda joylashtirilgan kameralar yo'l harakatini doimiy ravishda kuzatib boorish va yo'l haqida ma'lumotlar yig'ish imkonini beradi. Ushbu kameralar yuqori aniqlikdagi video tasvirlarni yozib oladi va real vaqt rejimida markaziy tizimlarga uzatadi. Bu ma'lumotlarni video tasvirli ma'lumotlardan olishda kompyuterli ko'rish qo'llaniladi [5]. Ulardan bir foydalaniladigan usullar quyidagilar:
- Faster R-CNN;
- SSD (Single Shot MultiBox Detector);
- YOLO (You Only Look Once).
Faster R-CNN. Faster R-CNN (Region-based Convolutional Neural Network) obyektlarni aniqlashda eng samarali va keng qo'llaniladigan algoritmlardan biridir [6]. Bu model R-CNN va Fast R-CNN modellari asosida rivojlangan va ancha tezroq ishlashni ta'minlaydi.
texnologiyalari qancha ko'p
1-rasm. Faster R-CNN obyektlarni tanib olish modelining ishlash prinspi.
Faster R-CNN modeli uch bosqichda ishlaydi: Region Proposal Network (RPN): Bu bosqichda model tasvir ichidagi obyektlarni aniqlash
mumkin bo'lgan hududlarga ajratadi. RPN konvolyutsion neyron tarmoq (CNN) ustida joylashgan bo'lib, u olingan xarita ustida harakatlanadi va har bir pozitsiyada anchor deb nomlangan qutilarni joylashtiradi. RPN har bir anchor uchun ehtimoliy obyekt yoki fon ekanligini aniqlash va chegaralash qutisini (bounding box) tuzatish koeffitsiyentlarini hisoblash uchun ishlatiladi [7].
Region of Interest (RoI) Pooling: Ajratib olingan hududlar (RoI) RPNdan olingan xaritada aniqlanadi va RoI pooling orqali aniqlashtiriladi. Bu bosqichda har bir RoIni teng o'lchamdagi xaritaga o'lchash orqali har xil o'lchamdagi Rollarni yagona o'lchamdagi xaritaga aylantiradi.
Classifier and Bounding Box Regressor: RoI poolingdan so'ng olingan xaritalar neyron tarmoq orqali o'tkaziladi. Bu bosqichda har bir RoI uchun aniqlangan obyektning klassifikatsiyasi (obyektning turi) va uning aniq bounding box (chegaralash qutisi) tuzatishlari aniqlanadi [8].
SSD (Single Shot MultiBox Detector). SSD (Single Shot MultiBox Detector) obyektlarni aniqlashda samaradorlik va aniqlikni oshirish maqsadida ishlab chiqilgan yondashuvlardan biridir. Bu model real vaqt rejimida obyektlarni aniqlash imkonini beradi va Faster R-CNN kabi boshqa ilg'or usullarga nisbatan tezroq ishlaydi. SSD modeli tasvirlarni bir marta (single shot) ishlash orqali obyektlarni aniqlash imkonini beradi [9]. Bu model konvolyutsion neyron tarmoqlari (CNN) asosida ishlaydi va butun tasvirni bir marta ishlash orqali bir nechta chegaralovchi qutilarni aniqlaydi.
2-rasm. SDD obyektlarni tanib olish modelining arxitekturasi.
Feature Extraction (Xususiyatlarni ajratish): Asosiy konvolyutsion tarmoq (masalan, VGG16 yoki ResNet) tasvirdagi xususiyatlarni ajratadi. Bu tarmoq
49
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 3 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
tasvirni bir necha qatlamlar orqali o'tkazib, har bir qatlamda xususiyat xaritalarini hosil qiladi.
Multi-scale Feature Maps (Ko'p o'lchovli xususiyat xaritalari): SSD modeli bir nechta konvolyutsion qatlamlardan xususiyat xaritalarini oladi. Har bir qatlam turli o'lchovlarda xususiyatlarni ajratadi, bu esa turli o'lchamdagi obyektlarni aniqlash imkonini beradi [10].
Default Boxes (Standart qutilar): Har bir xususiyat xaritasidagi pozitsiya uchun bir nechta standart qutilar (default boxes) aniqlanadi. Ushbu qutilar turli o'lchamlar va aspekt nisbati bilan aniqlanadi, bu esa modelga turli xil obyektlarni aniqlash imkonini beradi.
Bounding Box Regression va Class Prediction: Har bir standart quti uchun SSD modelining konvolyutsion qatlamlari bounding box koordinatalarini (chegaralash qutisi koordinatalari) va obyekt sinfini (class prediction) aniqlaydi. Bu qutilar keyinchalik aniqlangan obyektlar bilan birga optimallashtiriladi.
YOLO (You Only Look Once). YOLO (You Only Look Once) obyektni aniqlash modeli, faqat bir marta qarash orqali obyektlarni aniqlashga imkon beruvchi tez va samarali algoritmdir. Ushbu yondashuv Joseph Redmon va boshqalar tomonidan 2016 yilda taqdim etilgan va real vaqt rejimida obyektlarni aniqlash imkonini beradi. YOLO modeli tasvirni bir marta tahlil qilib, undagi obyektlarni aniqlaydi [11].
3-rasm. YOLO obyektlarni tanib olish modelining axitekturasi.
Bu yondashuv tasvirni kichik gridlarga bo'lish va har bir grid uchun chegaralash qutilari va obyekt klassifikatsiyasini hisoblash orqali amalga oshiriladi.
Tasvirni gridlarga bo'lish: Tasvir DxD o'lchamdagi gridlarga bo'linadi. Har bir grid hujayrasi tasvirning kichik bir qismiga mos keladi.
Bounding boxlarni aniqlash: Har bir grid hujayrasi uchun bir nechta bounding boxlar aniqlanadi.
Har bir bounding box uchun markaz koordinatalari, kengligi, balandligi va ishonch koeffitsiyenti (confidence score) hisoblanadi [12].
Obyekt klassifikatsiyasi: Har bir grid hujayrasi uchun obyekt klassifikatsiyasi amalga oshiriladi. Bu klassifikatsiya har bir chegaralash qutisi uchun qaysi obyekt turi mavjudligini aniqlaydi.
Yagona model: YOLO modeli barchani birlashtiradi va bir vaqtning o'zida chegaralash qutilarini va obyekt klassifikatsiyasini aniqlaydi. Bu yondashuv modeli juda tez va samarali qiladi.
YOLO obyektlarni aniqlashda tezlik va samaradorlikni oshirish uchun ishlab chiqilgan ilg'or modeldir. Ushbu modelning ishlash prinsipi va arxitekturasi uni real vaqt rejimida obyektlarni aniqlashda juda samarali qiladi. YOLO modeli transport tizimlari, xavfsizlik tizimlari va boshqa ko'plab sohalarda keng qo'llaniladi [13].
Yuqorida keltirilgan obyektlarni tanib olish modellari bugungi kunda o'zlarining imkoniyatlarini kengaytirib bormoqda.
YOLO & Faster R-CNN va SSD. Obyektlarni tanib olish modellarining qaysi biridan foydalangan yaxshi degan savolga javob berish mushkul. Sababi har bir model holatdan kelib chiqib ustunliklarga ega. Odatda bu kabi obyektlarni tanib olish modellari ishlash tezligi (FPS) va ishlash aniqligi bo'yicha taqqoslanadi [14]. Masalan, YOLO, Faster R-CNN va SSD tasvirlardan obyektlarni tanib olish modellari qaralganda, ularning ishlash tezligi va tanib olish aniqligiga nisbatan solishtirilganda 4-rasmdagi kabi natijalar olindi.
Model mAP % FPS Tezlik Aniqlik
YOLO 18,6 295 Juda tez O'rtacha
Faster R-CNN 41,8 17 Sekin Yuqori
SSD 31.2 56 Tez Yuqori
4-rasm. YOLO, Faster R-CNN va SSD
obyektlarni tanib olish modellarining ishlash tezligi va aniqligi.
Bunda YOLO, Faster R-CNN va SSD modellarini baholash hamda taqqoslash uchun biz
50
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 I Son: 3 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
NVDIA V100 SXM2 16GB GPU yordamida 100 mingta test ma'lumotlar to'plamida FPS va mAPi o'lchandi. 4-rasmda keltirilgan taqqoslashlarni 5-rasm, б-rasm va 7-rasmdan ham ko'rish mumkin.
5-rasm. YOLO obyektlarni tanib modelining ishlash tezligi va aniqligi.
olish
Haqiqatan ham 5-rasmdan ko'rinib turibdiki, YOLO modelining ishlash tezligi Faster R-CNN va SSD modellariga qaraganda mos ravishta o'rtacha 17 va 5 barobar tez ishlashini ko'rsatdi. Shuning uchun YOLO obyektlarni tanib olish modelidan real vaqt rejimidagi tadqiqotlarda foydalanish tavsiya etiladi.
6-rasm. Faster R-CNN obyektlarni tanib olish modelining ishlash tezligi va aniqligi.
Obyektlarni tanib olishdagi aniqlik bo'yicha Faster R-CNN YOLO va SSD modellariga qaraganda mos ravishta o'rtacha 2 va 1.3 marta yaxshiroq natija qayt etganini ko'rish mumkin.
7-rasm. SSD obyektlarni tanib olish modelining ishlash tezligi va aniqligi.
SDD obyektlarni tanib olish modeli esa qolgan modellarga qaraganda obyektlarni tanib olish tezligi va aniqlikda o'rtacha natija qayt etgan. Xulosa shundan iboratki, agar qaraliyotgan jarayonda obyektlarni tanib olish tezligi muhim bo'lsa YOLO modelidan, obyektlarni yuqori aniqlikda tanib olish muhim bo'lganda Faster R-CNNdan foydalangan afzal.
n Sana Hafta Lriini Mashina soni Motosikl soni Avtobus soni Yukmash ina soni Umumiy soni Soat Minut Tirbandli k holati
0 9 Juma 17 2 1 35 55 21 45 1
i 9 Juma 12 0 1 31 44 21 0 1
2 9 Juma 16 3 1 26 46 22 15 1
3 9 Juma 15 6 0 22 43 22 30 1
4 9 Juma 13 4 1 15 32 22 45 1
1-jadval. Yo'llardagi tirbandlik holatlarini bashorat qilishda ma'lumotlar orasidagi o'zaro bog'liqlik koeffitsiyentlarini aniqlash
Ushbu tadqiqot ishida yo'llardagi tirbandlik holatlarini Hafta kuni, Mashina soni, Motosikl soni, Avtobus soni, Yukmashina soni, Umumiy soni, Soat, Minut va PM/AM parametrlari bo'yicha bashorat qilish qarab o'tilgan [15]. Dastlab 1-jadvaldagi Tirbandlik holati parametriga qolgan parametrlarning bog'liqlik koeffitsiyentini hisoblab chiqish talab qilinadi. Ushbu bog'liqlik yo'llardagi tirbandlik holatlarini bashorat qilish o'sha parametrning qanchalik muhimligini bildiradi, agar bog'liqlik koeffitsiyenti past bo'lsa shu parametrni tashlab yuborishimiz mumkin bo'ladi.
III. Yo'llardagi tirbandlik holatlarini bashorat qilishda ma'lumotlar orasidagi o'zaro bog'liqlik koeffitsiyentlarini aniqlash
51
EtT
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 3 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
Yo'llardagi tirbandlik holatlarini bashorat qilishda ma'lumotlar orasidagi o'zaro bog'liqlik koeffitsiyentlarini aniqlash uchun uchta asosiy formulani ishlatish mumkin: Pearson, Spearman va Kendall Tau koeffitsiyentlari. Har bir koeffitsiyent turli xil sharoitlarda va turli xil ma'lumot turlarida foydalaniladi [16].
Pearson korrelyatsiya koeffitsiyenti. Pearson koeffitsiyenti ikki o'zgaruvchi orasidagi chiziqli bog'liqlikni o'lchaydi. Bu koeffitsiyentlar 1 va -1 oralig'ida bo'lib, 1 mukammal musbat bog'lanishni, -1 mukammal manfiy bog'lanishni, 0 esa bog'lanish yo'qligini bildiradi.
ml zt -fc z t)
e=
J
mZ z2 -(Z z j2 Tm£ t2 -(Z t j2
(1)
bunda eD- x va y o'zgaruvchilarining o'zaro bog'liqlilik koeffitsiyenti; n - x va y o'zgaruvchilar juftliklari soni; Ushbu (1) formula bo'yicha tadqiqotda to'plangan ma'lumotlarning o'zaro bog'liqlilik koeffitsienti 8-rasmda keltirilgan.
8-rasm. Tadqiqotda foydalanilayotgan ma'lumotlarning Pearson formulasi bo'yicha o'zaro bog'liqlilik koeffitsiyenti Heatmap grafigi.
Ushbu matritsa har bir ustun orasidagi Pearson korrelyatsiya koeffitsiyentlarini o'z ichiga oladi.
9-rasm. Tadqiqotda foydalanilayotgan ma'lumotlarning Pearson formulasi bo'yicha o'zaro bog'liqlilik koeffitsiyenti.
9-rasmdan ko'rish mumkinki, Tirbandlik holati parametri bilan Mashina soni, Motosikl soni, Avtobus soni va Umumiy soni parametrlari orasida mos ravishta 0.54, 0.41, 0.59 va 0.63 qiymatlar bilan kuchli, Yukmashina soni (0.05), Soat (0.18), Minut (0) va AM/PM (0.12) kabi parametrlarga kuchsiz bog'langanligini ko'rish mumkin.
Kendall Tau korrelyatsiya koeffitsiyenti. Kendall Tau koeffitsienti ikkita o'zgaruvchilar orasidagi tartibli bog'liqlikni o'lchaydi. Bu koeffitsient ham -1 va 1 oralig'ida qiymat oladi.
x va y o'zgaruvchilarning Kendall formulasi bo'yicha o'zaro bog'liqlilik koeffitsiyenti quyidagi (2) formula orqali topiladi:
L - K P x(P-1)
t = 2x
I x-, y
bunda L - v 1 1
(2)
I xi ' y1,
va v 1 1 >uchun (2.3.3)
shartni qanoatlantiruvchi juftliklar soni; K - (3) shartni qanoatlantirmaydigan juftliklar soni.
xi < xi )va IУ- < У-
yoki
xi > xi Jva I y- > Уi
(3)
bu yerda 1 <1 va 1 =1—n . Ushbu (2) formula bo'yicha tadqiqotda to'plangan ma'lumotlarning o'zaro bog'liqlilik koeffitsiyenti 10-rasmda keltirilgan.
Etr
52
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 3 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
AvTCH-itJllSùn
Motos i klSor.i
Arto bu s Soni
Tirbandlik holati
в 0.56 0,57 -0,46 0,83 0.43
0.56 1.00 0,54 -0.44 0,63 0,37 0.13 -0.00 0,16
0.57 0.54 1,00 0.40 0.65 0.49 0.15 0,00 0,15
-0.46 -0.44 -0.40 -0.37 - -0.00 0.00 0.01
0.83 0.63 0.65 1-00 0.52 O.ld -0.00 0.12
0.43 0.37 0.49 0,52 1.00 0.14 -0.00 Oil
0-11 0-13 0.15 -0-00 O.ld 0.14 1.00 0-00 0.72
-€.00 0.00 0.00 -0.00 -0.00 0.00 1.00 0.00
■ 11.Ц 0.15 0.01 0.12 0.11 0.00 1.00
10-rasm. Tadqiqotda foydalanilayotgan ma'lumotlarning Kendall Tau formulasi bo'yicha o'zaro bog'liqlilik koeffitsiyenti Heatmap grafigi.
Ushbu matritsa har bir ustun orasidagi Kendall Tau korrelyatsiya koeffitsiyentlarini o'z ichiga oladi.
11-rasm. Tadqiqotda foydalanilayotgan ma'lumotlarning Kendall Tau formulasi bo'yicha o'zaro bog'liqlilik koeffitsiyenti.
11-rasmdan ko'rish mumkinki, Tirbandlik holati parametri bilan Mashina soni, Motosikl soni, Avtobus soni va Umumiy soni parametrlari orasida mos ravishta 0.43, 0.37, 0.49 va 0.52 qiymatlar bilan kuchli, Yukmashina soni (0.11), Soat (0.14), Minut (0) va AM/PM (0.11) kabi parametrlarga kuchsiz bog'langanligini ko'rish mumkin.
Spearman korrelyatsiya koeffitsiyenti. Spearman koeffitsiyenti ikkita o'zgaruvchilar orasidagi monotoniya bog'liqligini o'lchaydi [17]. Bu koeffitsient ham -1 va 1 oralig'ida qiymat oladi, bu yerda 1 mukammal monotoniya musbat bog'liqlikni, -1 mukammal monotoniya manfiy bog'liqlikni va 0 bog'liqlik yo'qligini bildiradi.
x va y o'zgaruvchilarning Spearman formulasi bo'yicha o'zaro bog'liqlilik koeffitsiyenti quyidagi (2.3.3) formula orqali topiladi.
6 Y pi
tr =1-6Ypi
2
b3 - b (4) t* = X' — V'
bunda 1 1 1. Ushbu (4) formula bo'yicha tadqiqotda to'plangan ma'lumotlarning o'zaro bog'liqlilik koeffitsiyentlari 12-rasmda keltirilgan.
1.00 0,75 0,75
0.75 1.00 0.73
"HikmasninaSom - -0.65 -0.61 -0 57 |
UmumivSoni ['Я-^-Д I И'л-1 Я1 -0.55
Tirbandlik holati hour minute AM/PM
0,96 0,60 0.16 -0.00 0.11
0.82 0.49 0.20 -0.00 0.19
0-84 0 64 0.22 0.00 0 18
0.60 0,49 0.64
1.00 0.70 0.19
0-16 0 20 0.22 -О ОО 0,19 016
-0.00 I -0.00 0.00 0.00 -0.01 -0.01
0.11 0,19 0.18 0.02 0.15 0.11
12-rasm. Tadqiqotda foydalanilayotgan ma'lumotlar va vaqt ko'rsatkichining Spearman o'zaro bog'liqlilik koeffitsiyenti Heatmap grafigi.
Ushbu matritsa har bir ustun orasidagi Spearman korrelyatsiya koeffitsiyentlarini o'z ichiga oladi.
13-rasm. Tadqiqotda foydalanilayotgan ma'lumotlar va vaqt ko'rsatkichining Spearman o'zaro bog'liqlilik koeffitsiyenti.
13-rasmdan ko'rish mumkinki, Tirbandlik holati parametri bilan Mashina soni, Motosikl soni, Avtobus soni va Umumiy soni parametrlari orasida mos ravishta 0.60, 0.49, 0.64 va 0.70 qiymatlar bilan kuchli, Yukmashina soni (0.15), Soat (0.16), Minut
53
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 3 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
(0.01) va AM/PM (0.11) kabi parametrlarga kuchsiz bog'langanligini ko'rish mumkin.
Mashinaviy o'qitish algoritmlari asosida yo'llardagi tirbandlikni bashorat qilish algoritmi
Yo'llardagi tirbandlik holatlarini bashorat qilishga oid dastlabki ma'lumotlar to'plamini mashinaviy o'qitishga tayyorlash va bashoratlashda quyidagi jarayonlar amalga oshiriladi. Bu jarayon modelni o'rgatish va baholash uchun muhimdir. Toza va aniqlikni oshiruvchi ma'lumotlar to'plamini yaratish. Bunga yo'qolgan qiymatlar bilan ishlash (to'ldirish, o'chirish), noto'g'ri qiymatlar bilan ishlash (aniqlash, tuzatish va o'chirish), duplikat qatorlarni aniqlash va o'chirish, ma'lumotlarni qayta ishlash (xususiyatlarni tanlash, kategorik ma'lumotlarni raqamli ma'lumotlarga aylantirish, ma'lumotlarni normalizatsiya qilish yoki standartlashtirish) kabilarni misol qilib olish mumkin [18].
Bu algoritm yo'llardagi tirbandlikni bashorat qilish uchun algoritmning bosqichlari keltirilgan. Bu bosqichlar quyidagi jarayonlarini o'z ichiga oladi:
1. dastlabki ma'lumotlarni to'plami 6. ma'lumotlar to'plamini o'quv va test to'plamiga bo'lish
2. kodlashtirish va korrelyatsiya tahlili 7. regressiya modellarida o'qitish
3. xususiyatlar tahlili 8. modelni baholash
4. NaN qiymatlarni to'ldirish 9. tirbandlikni baholash
5. ma'lumotlarni masshtablash 10. yakuniy natijalarni chiqarish
Algoritm optimal parametrlarni topish va modelning aniqligini oshirish uchun parametrni sozlaydi va baholaydi [12].
Natija
Yo'ldagi tirbandlik holatini bashoratlash tadqiqotida Kaggle tizimidagi ochiq ma'lumotlar to'plamlaridan biri bo'lgan "Traffic Prediction Dataset" ishlatildi. Bu to'plamda jami 2977 ta ma'lumot mavjud bo'lib, ular tajriba sinovlari uchun 80/20 nisbatda o'quv va test to'plamlariga ajratildi [18]. Ma'lumotlar bashoratlash modeliga yuborilishidan oldin, tadqiqot uchun muhim bo'lgan maydonlar aniqlanib, tayyorlandi. Tadqiqotning asosiy
maqsadi yo'llardagi tirbandlik holatining vaqtga bog'liqlik darajasini o'rganishdan iborat edi. Keyingi bosqichlarda tanlangan maydonlar asosida XGBoost, Random Forest Classifier, LGBMClassifier va Logistic Regression modellarida o'qitildi va testdan o'tkazildi. Bu sun'iy intellekt modellarini baholashda Accuracy, Recall, Precision va F1 Score kabi metrikalardan foydalanildi [19]. Tadqiqot natijalari esa 2-jadvalda keltirildi.
№ Mashinaviy o'qitish Algoritimni baholash ko'rsatkichlari
algoritmi Accuracy Recall Precision И Score
1 XGBoost 1 1 1 1
2 Random Forest Classifier 1 1 1 1
3 LGBMClassifier 1 1 1 1
4 Logistic Regression 0.994 0.997 0.995 0.996
2-jadval. Yo'llardagi tirbandlikni baholashda foydalanilgan sun'iy intellekt modellari natijalari
Yuqoridagi 2-jadvaldan ko'rish mumkinki, tadqiqotda taklif etilayotgan XGBoost algoritmi Random Forest Classifier, Logistic Regression va LGBMClassifier algoritmlariga qaraganda yuqoriroq natija qayt etdi. Ushbu bo'limda XGBoost, Random Forest Classifier va LGBMClassifier algoritmlarining baholanish natijalari ko'rib chiqildi. Ushbu algoritmlar Accuracy, Recall, Precision va F1 Score yordamida baholandi. Umuman olganda, barcha algoritmlar yuqori natijalar ko'rsatdi, lekin XGBoost, Random Forest Classifier va LGBMClassifier algoritmlari eng yuqori aniqlik va samaradorlikni namoyish etdi. Logistic Regression algoritmi esa biroz kamroq bo'lsada, hali ham yuqori natijalarga erishdi. Bu algoritmlar yo'llardagi tirbandlik holatini bashorat qilishda samarali ekanligini ko'rsatadi.
XULOSA
Yo'llardagi tirbandlik holatlarini bashorat qilish va transport tizimlarini samarali boshqarish zamonaviy shaharlar uchun dolzarb masalalardan biridir. Ushbu tadqiqotda tirbandlikni oldindan ko'rish va bartaraf etish maqsadida intellektual algoritmlardan foydalanildi. Dastlab, video tasvirli ma'lumotlardan YOLO obyektni aniqlash modeli yordamida 2-rasmdagi ma'lumotlar to'plami yaratildi. Ushbu ma'lumotlar to'plami 80/20 nisbatda o'quv va test to'plamlariga ajratildi. Tadqiqotning asosiy maqsadi
54
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 j Son: 3 j 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
yo'llardagi transport vositalarining tirbandlik holatlarini harakat ma'lumotlariga asoslanib bashoratlash edi [19]. Bunda AvtomobilSoni, MotosiklSoni, AvtobusSoni, YukmashinaSoni, UmumiySoni, Soat, Minut va AM/PM kabi parametrlar hisobga olindi. Tadqiqotning keyingi bosqichida sun'iy intellektning XGBoost, Random Forest Classifier va Logistic Regression kabi bashorat qilish algoritmlaridan foydalanildi. Ushbu algoritmlar yordamida yo'ldagi tirbandlik holati bashorat qilindi va natijalar Accuracy, Recall, Precision va F1 Score kabi baholash usullari yordamida tekshirildi. Yuqorida keltirilgan algoritmlarning barchasi baholash mezonlari bo'yicha yuqori natijalarni qayd etdi. Umuman olganda, barcha algoritmlar yuqori natijalar ko'rsatdi, lekin XGBoost, Random Forest Classifier va LGBMClassifier algoritmlari eng yuqori aniqlik hamda samaradorlikni namoyish etdi [20]. Ushbu algoritmlar transport boshqaruvi tizimlarini yaxshilash, yo'llardagi tirbandlikni kamaytirish va transport oqimini samarali boshqarish uchun muhim vosita bo'lib xizmat qiladi. Sun'iy intellekt algoritmlarining keng qo'llanilishi shahar transport tizimini optimallashtirish va haydovchilarga qulay sharoit yaratishda katta yordam beradi. Bu tadqiqot yo'ldagi tirbandlik holatlarini bashorat qilishda intellektual algoritmlarning imkoniyatlarini ko'rsatib berdi va kelajakda shahar infratuzilmasini rivojlantirishda katta hissa qo'shishi mumkinligini isbotladi.
Adabiyotlar
1. Lowe, D. G. (1999) Object recognition from local scale-invariant features. In Computer vision, 1999. The proceedings of the seventh IEEE international conference on, volume 2, pages 1150— 1157. Ieee.
2. Akhatov A. R., Nazarov F., Eshtemirov B.Sh. "Detection and analysis of traffic jams using computer vision technologies", International Conference on Artificial Intelligence, Blockchain, Computing and Security (ICABCS-2023). Samarkand, Uzbekistan.
3. Axatov A. R., Eshtemirov B.Sh. "Mashinaviy o'qitish asosida yo'llardagi tirbandlik holatlarini tahlil qilishning intellektual algoritmlari" "Raqamli transformatsiya va sun'iy intellekt",
Toshkent davlat iqtisodiyot universiteti, 2024-yil, Volume 2, Issue 3.
4. F.M.Nazarov, Eshtemirov B.Sh., Q.Sh.Saydullayev "Microscopic and macroscopic flow models of traffic management" // Sharof Rashidov nomidagi Samarqand davlat universiteti Ilmiy axborotnomasi. (283/7.1-coh OAK qarori. №32), 2023-yil, 1 -son (137/2).
5. J. Redmon and A. Angelova. Real-time grasp detection using convolutional neural networks. CoRR, abs/1412.3128, 2014.
6. Nannicini G. , "Point-to-point shortest paths on dynamic time-dependent road networks," 40R, vol. 8, pp. 327-330,2010.
7. S. Gidaris and N. Komodakis. Object detection via a multiregion & semantic segmentation-aware CNN model. CoRR, abs/1505.01749, 2015.
8. Akhatov A., Renavikar A., Rashidov A. & Nazarov F. "Development of the Big Data processing architecture based on distributed computing systems" Informatika va energetika muammolari O'zbekiston jurnali, № (1) 2022, 71-79
9. M. A. Sadeghi and D. Forsyth. 30hz object detection with dpm v5. In Computer Vision-ECCV 2014, pages 65-79. Springer, 2014.
10. Bolikulov, F.; Nasimov, R.; Rashidov, A.; Akhmedov, F.; Cho, Y.-I. Effective Methods of Categorical Data Encoding for Artificial Intelligence Algorithms. Mathematics 2024, 12, 2553. https://doi.org/10.3390/mathl2162553
11. J. Yan, Z. Lei, L. Wen, and S. Z. Li. The fastest deformable part model for object detection. In Computer Vision and Pattern Recognition (CVPR), 2014 IEEE Conference on, pages 2497-2504. IEEE, 2014. 5.
12. Siu Hong Loh, Jia Jia Sim, Chu Shen Ong, Kim Ho Yeap, "Development of Smart Traffic Light Controller System with Deep Learning Capability in Image Processing", 2021.
13. Waing, Dr. Nyein Aye, On the Automatic Detection System of Stop Line Violation for Myanmar Vehicles (Car), Volume l - Issue 4 November 2013.
14. Axatov A. (2023). Sun'iy intellektdan foydalanib yo'llardagi tirbandlilarni baholash bosqichlari va algoritmlari. Amaliy matematikaning
55
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 3 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 3 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 3 | 2024 год
zamonaviy muammolari va istiqbollari. Qarshi davlat universiteti, 2024-yil, 24-25-may.
15. A. Akhatov, "Transport harakatini boshqarish usullari" Sun'iy intellekt va raqamli ta'lim texnologiyalari: amaliyot, tajriba, muammo va istiqbollari mavzusidagi xalqaro ilmiy-amaliy anjuman materiallari to'plami. Samarqand davlat univerteti, 2024 yil 3-4-iyun.
16. Eshtemirov B.Sh., Nazarov F., Yarmatov Sh.Sh. "Technologies for identifying vehicles standing at traffic lights based on video data", Central asian journal of mathematical theory and computer sciences, Volume: 03 Issue: 12 | ISSN: 2660-5309, 2022 yil, dekabr.
17. H. Mao-Chi and Y. Shwu-Huey, "A realtime and colorbased computer vision for traffic monitoring system," in Multimedia and Expo, 2004. ICME '04. 2004 IEEE International Conference on, 2004, pp. 2119-2122 Vol.3.
18. Kanungo, A.; Sharma, A.; Singla, C. Smart traffic lights switching and traffic density calculation using video processing. In Proceedings of the 2014 Recent Advances in Engineering and Computational Sciences (RAECS), Chandigarh, India, 6-8 March 2014; pp. 1-6.
19. Xun, F.; Yang, X.; Xie, Y.;Wang, L. Congestion detection of urban intersections based on surveillance video. In Proceedings of the 18th International Symposium on Communications and Information Technologies (ISCIT), Bangkok, Thailand, 26-28 September 2018; pp. 495-498.
20. Kurniawan, J.; Syahra, S.G.; Dewa, C.K. Traffic Congestion Detection: Learning from CCTV Monitoring Images using Convolutional Neural Network. Procedia Comput. Sci. 2018, 144, 291-297.
Etr
56
