CC BY
36УДК 004.6 © Р.Н. Минниханов, С.С. Степанова,
NIION: 2021-0084-3/21-002 В.А. Решетов, А.З. Махмутова, 2021
MOSURED: 77/27-026-2021-3-201
ПРИМЕНЕНИЕ ДАННЫХ ИТС СИСТЕМ ДЛЯ МОДЕЛИРОВАНИЯ ЭФФЕКТИВНОЙ ТРАНСПОРТНОЙ СРЕДЫ В РЕСПУБЛИКЕ ТАТАРСТАН
Рифкат Нургалиевич Минниханов,
директор ГБУ «Безопасность дорожного движения», доктор технических наук, профессор
София Сергеевна Степанова,
специалист 1 категории Центра ИТС ГБУ «Безопасность дорожного движения»
Владислав Александрович Решетов,
ведущий специалист Центра ИТС ГБУ «Безопасность дорожного движения»
Алиса Зуфаровна Махмутова,
главный специалист Центра ИТС ГБУ «Безопасность дорожного движения», Контакты: ул. Оренбургский тракт, д. 5, Казань, Россия, 420059
Аннотация. В статье предложен подход для прогнозирования транспортных потоков, основанный на объединении данных из нескольких автоматизированных систем мониторинга дорожного движения — комплексов фотовидеофиксации и систем видеонаблюдения. Подход реализован с использованием различных архитектур рекуррентных нейронных сетей. В ходе исследований получена архитектура нейронной сети, позволяющая достигнуть наименьшую ошибку при прогнозировании транспортного потока.
Ключевые слова: транспортное моделирование, рекуррентные нейронные сети, прогнозирование транспортного потока Для цитирования: Минниханов Р.Н., Степанова С.С., Решетов В.А., Махмутова А.З. Применение данных ИТС систем для моделирования эффективной транспортной среды в Республике Татарстан // Безопасность дорожного движения. 2021. № 3. С. 8-12.
APPLICATION OF ITS SYSTEMS DATA FOR MODELING AN EFFICIENT TRANSPORT ENVIRONMENT IN THE REPUBLIC OF TATARSTAN
Rifkat N. Minnikhanov,
Director of the «Road Safety» State Company, Doctor of Technical Sciences, Professor
Sofia S. Stepanova,
Manager of ITS Center «Road Safety» State Company
Vladislav A. Reshetov,
Manager of ITS Center «Road Safety» State Company
Alisa Z. Makhmutova,
Senior manager of ITS Center «Road Safety» State Company Contacts: ul. Orenburg tract, d. 5, Kazan, Russia, 420059
Abstract. The article proposes an approach for predicting traffic flows based on combining data from several automated traffic monitoring systems - video enforcement systems and surveillance systems. The approach is implemented using various architectures of recurrent neural networks. In the course of research, a neural network architecture has been obtained that allows achieving the smallest error in traffic flow prediction.
Keywords: transport modeling, recurrent neural networks, traffic flow forecasting
For quotation: Minnikhanov R.N., Stepanova S.S., Reshetov V.A., Makhmutova A.Z. Application of ITS systems data for modeling an efficient transport environment in the Republic of Tatarstan // Road safety. 2021. № 3. Р. 8-12.
С каждым годом наблюдается увеличение количества транспортных средств, что приводит к повышению числа проблем на дорогах: дорожно-транспортные происшествия (далее - ДТП), заторы, задержки работы служб экстренного реагирования, повышение концентрации выхлопных газов в воздухе и т.д. Для решения перечисленных проблем может быть применено несколько решений, например, проектирование и строительство новых многоуровневых развязок. Минусом данного решения является трудоемкость и стоимость работ.
К тому же не все города имеют возможность менять свои архитектурные планы.
Однако в настоящее время в развитых городах имеется множество 1Т-решений, которые генерируют огромный объем данных. Объединение данных из нескольких источников и их последующий анализ позволит своевременно и в полной мере получать информацию о ситуациях в городе и эффективно управлять потоком транспортных средств.
В Казани, столице Республики Татарстан, внедрен ряд таких решений в области интеллек-
8
Безопасность дорожного движения
№ 3/2021
туальных транспортных систем (далее - ИТС). ИТС интегрируют современные информационные, коммуникационные и телематические технологии для автоматизированного поиска и принятия к реализации максимально эффективных сценариев управления транспортной системой региона (города, дороги). Целью ИТС является обеспечение заданной мобильности населения, максимизации показателей использования дорожной сети, повышение безопасности и эффективности транспортного процесса, уровня комфорта для водителей и пользователей транспорта [1].
В данной статье рассмотрено прогнозирование транспортных потоков с помощью объединения данных подсистем ИТС - систем видеонаблюдения и комплексов фотовидеофиксации.
Адаптивная система управления дорожным движением
Адаптивная система управления дорожным движением (далее - АСУДД) внедрена в Казани в 2012 году. АСУДД обеспечивает управление движением транспортных средств и пешеходных потоков на дорожной сети городов или магистрали. На данный момент к этой системе подключено 156 светофорных объектов в Казани (700 детекторов транспорта, 42 камеры видеонаблюдения), вся получаемая с периферийного оборудования информация транслируется в диспетчерский центр АСУДД по оптоволоконной связи. В комплексе функционирует платформа верхнего уровня МКТЮ. Она собирает данные с периферийного оборудования (камер, транспортных детекторов), обрабатывает и выводит их на контрольный пункт управления движением. Установленные на подъездах к светофорам видеокамеры в составе АСУДД ведут учет количества автомобилей, данные о транспортных потоках обновляются ежесекундно, транспортный контроллер получает информацию о загруженности не только на своем участке дороги, но и на соседних. На основе полученной информации система вырабатывает и гибко меняет стратегию и режимы управления целыми группами светофорных объектов, оптимизируя движение. Преимуществами системы являются круглосуточный контроль, исключение человеческого фактора и оперативность.
Применение АСУДД позволило увеличить пропускную способность дорог в Казани до 25%, а также обеспечить внедрение систем приоритетного проезда общественного транспорта и экстренных служб.
Комплексы фотовидеофиксации нарушений правил дорожного движения
Комплексы фотовидеофиксации (далее -ФВФ) начали применяться в Республике Татарстан с 2008 года. В настоящее время используется 943 стационарных, 24 мобильных и 177 передвижных комплексов фотовидеофиксации. После фиксации нарушения данные передаются в ЦОД в режиме
онлайн по электронным каналам связи на сервер обработки данных.
Данные о нарушении правил дорожного движения приходят в ЦОД с различных устройств и включают в себя распознанный номер, вид нарушения (например, зафиксированную скорость ТС и значение максимально допустимой скорости на данном участке дороги), направление движения, дату и время, название контролируемого участка, географические координаты, панорамный снимок зоны контроля в момент проезда ТС.
Снижение скоростного режима оказывает положительное влияние на состояние аварийности в населенных пунктах, которое достигается за счет установки дорожных знаков ограничения скорости движения в сочетании с установкой комплексов ФВФ. Принятые меры позволили стабилизировать ситуацию с аварийностью. В период с 2008 по 2020 год количество погибших в ДТП сократилось с 713 до 331 человека.
Системы видеонаблюдения
В настоящее время общественная безопасность, в том числе транспортная, опирается на видеонаблюдение. Всего с 2015 года на территории республики в рамках реализации проекта АПК «Безопасный город» функционируют 62 906 видеокамер, на базе платформы Геопортала Республики Татарстан - 49 520 видеокамер, из них в режиме реального времени - 3 486 камер видеомониторинга, интегрированных в систему - 112.
Камеры осуществляют непрерывное видеонаблюдение в местах массового скопления людей, например, в жилых домах, образовательных и культурных учреждениях, авто- и ж/д вокзалах и аэропортах, часть из них направлена на объекты транспортной инфраструктуры.
Расширение возможностей интеллектуальных решений в части видеонаблюдения
Каждая из рассмотренных подсистем решает определенную функциональную задачу. Однако системы и технологии могут быть использованы для решения дополнительных задач [2]. Анализ получаемых от каждой из подсистем данных позволяет оценить параметры потоков и рассчитать такие характеристики, как средняя скорость и объем потока (количество транспортных средств в час), его плотность (количество транспортных средств на км), средняя занятость полосы. Кроме этого, можно выполнять оценку вышеперечисленных характеристик с привязкой ко времени суток, дню недели, сезонности и т.д. Используя современные интеллектуальные технологии (например, искусственные нейронные сети), можно выполнять прогноз данных показателей и детектирование аномалий [3].
Данная информация крайне необходима для оценки текущей дорожной ситуации в городе. Например, данные, получаемые от комплексов ФВФ, могут быть дополнены аналогичными данными от
систем видеонаблюдения. Это позволит получать На рис. 1 представлен подход для
информацию при минимальной затрате средств прогнозирования транспортных потоков, на технические средства на основе имеющейся основанный на объединении данных из нескольких инфраструктуры. источников.
Обзорная камера
Рис. 1. Предлагаемый подход
Изначально были взяты исходные ния и камер комплексов ФВФ на экспери-данные с обзорных камер видеонаблюде- ментальном участке в г. Казани (рис. 2).
Рис. 2. Экспериментальный участок для прогнозирования транспортных потоков
Модуль предобработки данных получает информацию о текущей скорости транспортного средства, времени фиксации скорости, местоположении камеры и номерном знаке от стационарных комплексов ФВФ, из всех входных данных удаляются персональные данные. Затем значения усредняются с интервалом в 5 минут. В этот момент с помощью алгоритмов компьютерного зрения в модуле видеоаналитики (рис. 3) [4] выполняется обнаружение/ отслеживание транспортного средства и расчет его скорости.
Информация из модуля предобработки данных и модуля видеоаналитики (средняя скорость,
время, местоположение) отправляется в модуль интеграции данных в центре обработки данных, который усредняет значения скорости. Из-за ошибок процедуры распознавания номерных знаков комплексов ФВФ или некорректной работы модуля видеоаналитики в процессе обнаружения автомобиля могут возникать пробелы в данных. Если модуль предварительной обработки данных обнаруживает пробел в данных из какого-либо источника, эта информация дополняется значением за то же время в прошлом с другого модуля, что устраняет возможные пробелы в исходных данных.
Проведено сравнение нескольких двунаправленная LSTM, GRU, а также подготовлен архитектур нейронных сетей для решения задач набор данных для обучения и тестирования прогнозирования транспортных потоков: LSTM, рекуррентных нейросетевых моделей (рис. 4).
Рис. 4. Усреднение данных, полученных из двух разных источников (слева), и разделение на обучающие и тестовые наборы данных (справа)
Оценка работы предлагаемого подхода прогнозирования
Оценка предлагаемого подхода проведена на реальных данных с тестового участка (рис. 2). Для прогнозирования использованы 5-минутные интервалы временных рядов. Для обучения использованы среднестатистические данные за 5 месяцев, для тестирования - данные за 1 месяц.
При прогнозировании одинаковых наборов данных используют масштабируемые ошибки: средняя абсолютная ошибка (MAE), среднее абсолютное отклонение
(MAD), среднеквадратичная ошибка (MSE), среднеквадратичная ошибка прогноза (MSPE), среднеквадратичная ошибка корня (RMSE), среднее значение ошибок (E). В остальных случаях, когда прогнозируются разные наборы данных в разных масштабах, используют процентные ошибки [5]. Ошибка RMSE хорошо подходит для оценки точности прогнозирования модели для конкретной переменной, но не подходит для оценки ошибки между различными переменными из-за возможной разницы в масштабах переменных. Среднеквадратичная ошибка рассчитывается как квадратный корень ошибки для конкретного
периода t, разделенное на количество временных периодов (количества наблюдений):
В работе оценивалась зависимость точности прогнозирования от архитектуры рекуррентной нейронной сети. Использовались рекуррентные архитектуры нейронных сетей с одним скрытым слоем (64 или 128 нейронов) и двумя скрытыми слоями (64+64, 128+64 и 128+128 нейронов). Обучение проходило в 200 эпох, использовался оптимизатор Adam. На рис. 5 представлена оценка точности прогнозирования для различных архитектур нейронной сети (рис. 5). Нейронная сеть GRU с двумя слоями и архитектурой 128 нейронов на слой показала лучший результат. В результате получено лучшее значение среднеквадратичной ошибки, равное 0,032339.
Дополнительно проведено сравнение точности в зависимости от количества входов рекуррентной нейронной сети (размер окна). Также учитывалась точность прогнозирования в течение 10 и 15 минут (рис. 6). При построении прогнозов на несколько шагов вперед стабильнее показала себя архитектура нейронной сети двунаправленной LSTM.
Ill III III III III
0.03M05 0,03?417 »ÖRU 1 0,0327S2
Количество нейронов ■ LSTM ■ у--I — LSTM я GRU
Рис. 5. Оценка точности (среднеквадратичной ошибки) прогнозирования транспортных потоков в зависимости от двунаправленной архитектуры ДКП (количество входных данных - 24)
0,03 0,02 0,01
о
S Минут 10 Минут 15 Минут — — LSTM ••-.»v,u,,,LSTM - G RU
Рис. 6. Оценка точности (среднеквадратичной ошибки) прогнозирования потока трафика для различных нейронных сетей в зависимости от результатов прогнозирования временных шагов (количество входных данных - 12, выходных данных - 3)
На рис. 7 можно наблюдать результаты прогнозирования временных рядов. Все 3 модели прогнозирования показали довольно хорошие результаты, а также корректно предсказали значительные изменения средней скорости потока. Наилучший показатель точности получен с использованием однослойной нейронной сети с
LSTM. Однако использование нейронной сети GRU с двумя слоями показало небольшое улучшение показателя точности по сравнению с LSTM и двунаправленной LSTM, в то время как результат тестирования однослойной GRU оказался намного хуже по сравнению с LSTM и двунаправленной LSTM.
L t
и
i'
о* ** о* У ** ^ ** У if ** ** У ** О* О* ** ** О* ■>* ** -Р*
Bfcqmi Rp.'««n»
О* ** ** У* -t* *>* О* -У* У* У ■P*
BfOMUjro« BfoetTiw*
Рис. 7. Результаты прогнозирования
** ** ** ■>* ** У У
Прогнозирование транспортного потока является эффективным инструментом оптимизации маршрутов и выявления аномальных схем движения. В данной статье предложен подход к прогнозированию транспортных потоков, основанный на объединении данных из двух источников (обзорные камеры и камеры ФВФ).
В дальнейшем планируется продолжение работы и использование разработки как части региональной транспортной платформы. Следующим важным шагом является оптимизация структуры данных для их дальнейшей обработки.
Список источников:
1. ГОСТ Р 56829-2015. Интеллектуальные транспортные системы. Термины и определения = Intelligent transport systems. Terms and définitions: национальный стандарт Российской Федерации: издание официальное: утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 10 декабря 2015 г № 2150-
ст: введен впервые: дата введения 2016-06-01 / разработан Обществом с ограниченной ответственностью «Научно-исследовательский институт интеллектуальных транспортных систем» (ООО «НИИ ИТС»). М.: Стандартинформ. 2018.
2. Ermagun A., Levinson D. Spatiotemporal traffic forecasting: review and proposed directions // Transport Review. 2018. Том. 38. С. 786 - 814.
3. Bartlett Z., Han L. A machine learning-based approach for the prediction of road traffic flow on urbanized arterial roads // IEEE 20th International Conference of High-Performance Computing and Communications. — 2018.
4. Makhmutova A., Minnikhanov R., Dagaeva M., Anikin I., Bolshakov T., Khuziakhmetov I. Intelligent detection of object's anomalies for road surveillance cameras // SIBIRCON 2019 -International Multi-Conference on Engineering, Computer and Information Sciences, Proceedings. 2019. С.762 - 767.
5. Yang D., Yang H., Wang P., Li S. MSAE: a multitask learning approach for traffic flow prediction using deep neural network // Advances in Intelligent Information Hiding and Multimedia Signal Processing, Smart Innovations, Systems and Technologies. 2019. С. 153-161.
12
Безопасность дорожного движения
№ 3/2021
