CC BY
37ные технологии в управлении» (ИТУ-2018). СПб.: АО «Концерн «ЦНИИ «Электроприбор», 2018. 628 с. (С. 80-89).
3. Искандеров Ю.М., Ласкин М.Б., Лебедев И.С. Особенности моделирования транспортно-технологических процессов в цепях поставок // В сборнике: Имитационное моделирование. Теория и практика восьмая Всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности. 2017. С. 110-113.
4. Искандеров Ю.М., Свистунова А.С., Чумак А.С. Системный анализ показателей качества комплексных логистических технологий при доставке грузов // В сборнике: Системный анализ в проектировании и управлении сборник научных трудов XXIII Международной научно-практической конференции. СПб.: Санкт-Петербургский политехнический университет Петра Великого, 2019. С. 251-262.
5. Системный анализ и принятие решений: Словарь-справочник: Учеб. пособие для вузов / Под ред. В.Н. Волковой, В.Н. Козлова. М.: Высш. шк., 2004. 616 с.
УДК 303.732.4
ао1:10.Ш20/8РБРШМ20-177
Талавиря Александр Юрьевич11, аспирант НИУ ВШЭ, СПИИРАН
ПРИМЕНЕНИЕ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ НА ЭТАПЕ ЭКСПЛУАТАЦИИ ПЛАТНЫХ АВТОМОБИЛЬНЫХ ДОРОГ
1 Санкт-Петербургский институт информатики и автоматизации РАН (СПИИРАН), Санкт-Петербург, Россия, Национальный Исследовательский Университет Высшая Школа Экономики (НИУ ВШЭ), Департамент логистики и управления цепями
поставок в Санкт-Петербурге, Санкт-Петербург, Россия,
1 2
' a.talavirya@yandex.ru
Аннотация. Постоянно развивающиеся цифровые технологии неизбежно приводят к повышению уровня оснащения автомобильных дорог современными интеллектуальными транспортными системами, обладающими значительной номенклатурой параметров дорожного движения. В данной статье рассматриваются основные тенденции применения интеллектуального анализа данных для решения актуальных задач ИТС в подсистемах АСУДД и СВП на эксплуатируемых проектах скоростных автомобильных дорог, частным случаем которых являются платные дороги. Анализируется существующий практический опыт зарубежных и отечественных проектов, а также производится оценка актуальных задач, имеющих возможность решения методом интеллектуального анализа данных.
Ключевые слова: интеллектуальный анализ данных, платные дороги, АСУДД, система взимания платы.
Alexander Yu. Talavirya
Postgraduate of HSE, SPIIRAS
DATA MINING APPLICATION METHODS DURING OPEARATION
STAGE OF TOLL ROADS
1 The St. Petersburg Institute for Informatics and Automation of RAS (SPIIRAS), St. Petersburg, Russia, Higher School of Economics, Department of Logistics and Supply Chain
Management, St. Petersburg, Russia,
1 2
' a.talavirya@yandex.ru
Abstract. Constantly evolving digital technologies inevitably lead to an increase of equipment level of highway roads, where modern intelligent transport systems areinstalled and significant range of traffic parameters id stored. The article consider main trends in data mining application for solving the urgent tasks of ITS in TMS and TCS subsystems in operating projects of highway roads, especially toll roads. The existing practical experience of foreign and domestic projects is analyzed. Actual tasks, that can be solved by data mining method are evaluated.
Keywords: big data, toll roads. TMS, toll collection system.
Введение
В настоящее время невозможно не заметить масштаб развития цифровых технологий, масштаб и скорость распространения которых не престает поражать своими постоянно растущими темпами. В 2020 году можно с уверенностью утверждать, что процесс цифровизации коснулся всех без исключения сфер человеческой деятельности, проникнув на все уровни его деятельности, от пользовательского до государственного.
Цифровая трансформация транспортной отрасли страны сегодня является уже не столько перспективным направлением, сколько реальной текущей отраслевой деятельностью. Стоит отметить, что процесс перехода транспортного направления в «цифровое» измерение происходит как естественным путем, подразумевающим применение наиболее успешных Западных и Европейских практик, так с активной внутренней государственной поддержкой. Этому свидетельствуют цели и задачи как минимум двух национальных проектов и программ, реализуемых сейчас в Российской Федерации. Национальный проект «Безопасные и качественные дороги», направленный на увеличение качественных и количественных показателей строительства автомобильных дорог, повышение их технологических и эксплуатационных характеристик, включает в себя такие высокотехнологические цели, как внедрение интеллектуальных транспортных систем (далее - ИТС), предусматривающих автоматизацию процессов управления дорожным движением, обеспечение движе-
ния беспилотных транспортных средств (далее - ТС), применение энергосберегающих технологий освещения автомобильных дорог [23]. Федеральный проект «Информационная инфраструктура», реализуемый в рамках национальной программы «Цифровая экономика Российской Федерации», также включает в себя такие «цифровые» задачи, как покрытие приоритетных объектов транспортной" инфраструктуры сетями связи, необходимых для развития современных интеллектуальных логистических и транспортных технологий, а также сбора телеметрической информации, и формирования экосистемы «Умного города», включая проведение оценки для городов и внедрение тиражируемых технологий цифрови-зации городского хозяйства [24]. Очевидно, намеченные перемены в транспортной сфере, в частности в сфере автодорожного строительства и эксплуатации, потребуют применения новых методов и подходов к работе с «цифровыми» данными.
1. Описание предметной области
Проекты скоростных и внутригородских платных дорог, активно развивающихся в России в течение последнего десятилетия, занимают особое место в отечественной дорожной инфраструктуре. Данные проекты, обладающие повышенными требованиями к транспортным сервисам, оснащены значительно большим количеством инженерных и транспортных систем по сравнению с их бесплатными «дублерами». Использование ИТС является одним из наиболее важных отличительных особенностей для проектов автомобильных дорог, эксплуатируемых на платной основе. По определению [22], такие системы объединяют в себе современные информационные, коммуникационные и телематические технологии, и обеспечивают максимизацию показателей использования дорожной сети, повышение безопасности и эффективности транспортного процесса, комфортность для водителей и пользователей транспорта. Обладая большим объемом как структурированных, так и «сырых» данных о транспортном потоке, ИТС может быть представлять научный интерес, связанный с поиском новых способов практического применения этих данных.
При более подробном рассмотрении подсистем ИТС, отдельно следует выделить две наиболее важные функциональные подсистемы. Автоматизированная система управления дорожным движением (далее -АСУДД) представляет собой программно-аппаратный комплекс, предназначенный для контроля и управления дорожным движением. Как было отмечено ранее [25], не так давно данная подсистема перестала быть посредственным автоматизированным инструментом сбора сведений о транспортной и метеорологической обстановки и ее вывода на дорожные информационные табло, и начала предоставлять более глубокую под-
держку принятия решений, полностью обеспечивающую операторов центра управления приоритетной информацией и вариантами решений в области управления дорожным движением.
Вторая подсистема - система взимания платы (далее - СВП), является неотъемлемым элементом для любой платной автомобильной дороги, и представляет собой комплекс аппаратно-программных средств, обеспечивающих организацию взимания оплаты проезда с пользователей автомобильной дороге на пунктах или рубежах взимания платы. Отметим, что АСУДД может использоваться на автомобильных дорогах общего пользования, в то время как СВП применятся исключительно в рамках проектов платных дорог.
2. Постановка задачи
С появлением новых информационных потоков и возрастанием объемов данных, генерируемых ИТС и ее функциональными подсистемами, остро будет стоять задача применения новых способов обработки, анализа, а также эффективного применения получаемой информации. Одним из эффективных методов решения задач подобного рода является интеллектуальный анализ данных. Согласно определению одного из ведущих экспертов в области анализа данных Р1а1е1Бку-ЗЬар1го О. [8], интеллектуальный анализ данных представляют собой процесс обнаружения в «сырых» данных ранее неизвестных, нетривиальных, практически полезных, доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Уникальность таких систем, как АСУДД и СВП, обладающих высокой степенью интеграции практически бесконечной номенклатурой аппаратных устройств фиксации и обработки информации о транспортном потоке, заключается в том, что с подключением любого нового типа дорожного оборудования или интеграции с новой системой, для исследователя открывается дополнительный массив данных у уже ранее изученным, позволяющий исследовать новые свойства поведения систем и пути повышения эффективности их работы. В данной статье будут рассмотрены возможности применения метода интеллектуального анализа данных для решения актуальных задач ИТС в подсистемах АСУДД и СВП. Будут рассмотрены примеры практического применения метода, основанного как на зарубежном, так и отечественном опыте.
3. Применение интеллектуального анализа данных в АСУДД
Использование интеллектуального анализа данных в подсистеме АСУДД, в первую очередь, рассчитано на решение практических задач управления дорожным движением. Как отмечено в работе БевИаш А., РаёшапаЬИаш Р., ОоуагёИап А., Ки1кагш Я.И. [16], изучение эмпирических данных подсистем АСУДД и выявление в них скрытых закономер-
ностей различных видов, в первую очередь определяются 2 основных метода исследований:
1. Описательные методы исследования, помогающие произвести классификацию и кластерный анализ параметров транспортных потоков.
2. Прогнозные методы исследований, позволяющие заблаговременно определять «узкие места» транспортного потока, и принимать превентивные меры по предотвращению возникновения дорожных заторов и дорожно-транспортных инцидентов при эксплуатации объектов транспортной инфраструктуры.
3.1. Источники данных АСУДД
Для определения возможностей применения интеллектуального анализа данных в АСУДД, в первую очередь необходимо определить основные источники данных системы, которые могут быть использованы для анализа. К источникам данных АСУДД можно отнести:
1. Детекторы транспортного потока. Данная группа оборудования включает в себя детекторы контактного и бесконтактного типа. К детекторам контактного типа можно отнести индукционные петли, монтируемые в дорожное полотно. К оборудованию бесконтактного типа относятся детекторы, применяемые для обнаружения ТС технологию радара Доплера, ультразвуковую, микроволновую детекцию, пассивное ИК-обнаружение, а также анализ видеоизображения. Отметим, что некоторые из типов детекторов транспорта осуществляют не только подсчет дорожного трафика, но также и его классификацию.
2. Дорожные информационные погодные системы. Дорожные метеостанции определяют следующую информацию о метеорологических условиях: влажность и температура воздуха; атмосферное давление; скорость и направление ветра; показатели видимости и солнечной радиации; наличие, тип и количество жидких и твердых осадков; уровень воды и высоты снежного покрова; температуру на поверхности и в глубине дорожного покрытия. Аналогично транспортным детекторам, информация может собираться как контактным, так и бесконтактным способом.
3. Дорожные видеокамеры. Данный вид оборудования обеспечивает сбор широкого спектра дорожной информации, и позволяет организовывать не только визуальный контроль за трафиком, но и производить считывание различных параметров ТС: государственных регистрационных номерных знаков (далее - ГРНЗ), габаритных параметров, марки и цвета ТС, а также производить интеллектуальную видеоаналитику дорожной обстановки, выявляя признаки дорожно-транспортных происшествий в первые секунды их появления.
4. Другие транспортные системы. К таким системам можно отнести комплексы фиксации правонарушений, системы динамического взвеши-
вания, системы контроля габаритов ТС, системы контроля транспортировки опасных грузов, системы управления автопарком, системы управления общественным транспортном, парковочные системы, и т. п.
5. Данные от других операторов дороги. Интеграция со смежными участками автомобильных дорог позволяет получать дополнительную информацию о транспортных потоках в их граничных зонах, а также создавать транспортные коридоры, позволяющие кратно повысить общую эффективность управления дорожным движением по принципу синергии.
6. Сторонние источники дорожных данных. К таким источникам можно отнести интерактивные ГИС-системы.
Данные, агрегируемые описанными выше датчиками и системами, поступают в АСУДД, где происходит их сохранение в базу данных и первичная обработка для последующего анализа другими компонентами системы. Отметим, что современные АСУДД могут включать в себя компоненты интеллектуального анализа данных и классифицировать выявляемые инциденты. В зависимости от определенного приоритета инцидента, компоненты осуществляют автоматическое управление дорожным движением в проблемной зоне, или передают управление оператору дороги. В случае необходимости передачи управления от системы к оператору, компонент поддержки принятия решений обеспечивает содействие при осуществлении оператором операций по устранению инцидента.
3.2. Анализ данных АСУДД
В дополнение к существующему функционалу, заложенному в АСУДД на программном уровне, интеллектуальный анализ данных может обеспечить дополнительную информационную поддержку оператора прогнозными данными о возникновении дорожных инцидентов. Примеры такого подхода описанны в ряде научных трудов [1, 2, 4, 6, 7, 18]. Ввиду своей актуальности, социальной и экологической значимости, вопрос поиска новых методов снижения аварийности и возникновения заторов на дорогах привлекает наибольший интерес у исследователей. В работе Shi Q., Abdel-Aty M. [18], на основе анализа параметров скорости и плотности потока, полученных при помощи данных микроволновых дорожных детекторов на трассах транспортной сети Орландо, США, производится предложение о наиболее вероятном временном промежутке, в течение которого может возникнуть ДТП. Аналогичные выводы сделаны авторами работ [2, 7], исследовавших статистические данные транспортных потоков скоростных автомобильных дорог в Харбине, КНР, и Джакарте, Индонезия. Для прогнозирования инцидентов также могут использоваться методы машинного обучения, такие как стохасти-
ческий градиентный бустинг [1] и гибридный алгоритм дерева принятия решений [6]. Внимание уделяется в том числе и подготовительному этапу обработки и хранения «больших» данных» [4], используемых для анализа инцидентов.
При помощи интеллектуального анализа данных могут также решаться задачи, связанные с классификации дорожных инцидентов. Так, исследования [3, 5, 10, 13, 17] статистических данных ДТП, определяет наиболее уязвимые группы участников происшествий, и выявляет основные причины и условия, при которых наиболее часто возникают дорожные инциденты на скоростных дорогах Тайваня, Индонезии, Индии, Испании и США.
Не менее важной задачей, решаемой при помощи интеллектуального анализа данных, является задача прогнозирования транспортных потоков [9, 11, 14, 19]. Так, с использованием методов ближайших соседей и построения нейронных соседей для данных транспортных детекторов, авторами статьи Raja J., Bahuleyana H., Vanajakshia L.D. [14] было проведено исследование прогнозной интенсивности на платной дороге в Ченнаи, Индия. Нейронные сети рекуррентного типа были использованы в работе Wang J., Wu Q.G.J., Liu G., Xiong Z. [19] по прогнозированию скорости потока и скорости формирования дорожных заторов в Пекине, Китай. Аналогичное исследование было проведено Агафоновым А. А на примере транспортного потока в г. Самара, Россия [20], реализованное с использованием модели MapReduce в фрэймворке с открытым исходным кодом ApacheSpark. Как было отмечено в работе Liu Y., Choudhary A., Zhou J., Khokhar A. A. [12] на примере анализа дорожных данных транспортного коридора Гари-Чикаго-Милуоки, США, прогнозирование изменений дорожной обстановки при помощи интеллектуального анализа данных позволяет не только повысить эффективность управления дорожным движением, но и оптимизировать объем «сырых» данных, генерируемых дорожными детекторами.
При помощи интеллектуального анализа данных могут решаться и другие локальные задачи на этапе эксплуатации объекта транспортной инфраструктуры. Например, применение модели опорных векторов и нейронных сетей при анализе данных грузовых ТС с превышающей осевой нагрузкой позволило произвести прогнозирование износа дорожного полотна, оптимизировав операционные расходы на ремонт дорожного покрытия транспортной сети Индонезии в работе Rifai A.I., Had-iwardoyo S.P., Correia A.G., Pereira P., Cortez P. [15].
Проблемам, возникающим при решении прикладных транспортных задач при помощи методов интеллектуального анализа данных, уделено отдельное внимание в статье Воронцова К.В., и Чеховича Ю.В. [21]. К основным проблемам использования реальных данных авторы иссле-
дования относят их разнородность, неточность, противоречивость, а также сложность структуры. Отмечается, что к проблемам при работе с данными могут приводить как недостаточность, так и избыточность исследуемых данных.
Таким образом, применение интеллектуального анализа данных может использоваться для решения следующих прикладных задач АСУДД:
1. Прогнозирование возникновения дорожных инцидентов на автомобильной дороге, и их классификация.
2. Прогнозирование интенсивностей транспортных потоков.
3. Прогнозирование плановых ремонтных работ на этапе эксплуатации автомобильной дороги.
4. Применение интеллектуального анализа данный в СВП
Большим объемом разнородных данных обладает и СВП. Постоянное усложнение системы, внедрение новых пользовательских сервисов и появление новых технологий оплаты проезда делают данные системы все более интересными для интеллектуального анализа. Для определения источника данных СВП отдельно стоит рассмотреть как классические системы барьерного типа, так и системы безбарьерного типа «Свободный поток».
4.1. Источники данных СВП
Системы барьерного типа представляют собой аппаратно-программный комплекс технологического оборудования, устанавливаемого на полосах оплаты проезда пункта взимания платы (далее - ПВП). Серверная часть, располагаемая в центре управления ПВП, обеспечивает получение собираемых данных с полос оплаты, передачу этих данных в биллинговую систему, и управление периферийным оборудованием. В процессе проезда и оплаты пользователя дороги через полосы оплаты, система получает следующие данные о ТС:
1. Дата и время проезда.
2. Класс ТС. В отечественной практике, класс назначается каждому транспортному средству для определения его тарифной группы, в зависимости от габаритных параметров и количества осей ТС. Классификация может производиться автоматически, или с помощью кассира-оператора.
3. Способ оплаты проезда. Для оплаты пользования платной дорогой могут приниматься наличные средства, банковские карты, а также электронные средства оплаты проезда. К последним относятся транспондеры, и также бесконтактные смарт-карты.
4. Тариф. Назначаемый тариф оплаты проезда может зависеть от класса ТС, способа оплаты, а также времени и дня недели, когда совершается проезд.
5. Точка въезда на платную дорогу. Данная информация используется в СВП закрытого типа, для расчета тарифа пропорционально пройденному расстоянию.
6. ГРНЗ. Определение государственного номера производиться в том случае, если на полосе установлена система распознавания номеров ТС.
7. Масса ТС. Определение массы ТС производиться в том случае, если на полосе установлена система весового контроля, и может использоваться в качестве дополнительного параметра при определении тарифа оплаты проезда.
Для СВП безбарьерного типа принципиальным является отсутствие ПВП на дороге. Считывание данных о ТС, которое совершает проезд по платной дороге без снижения скорости, происходит автоматически, на рубежах взимания платы (далее - РВП), размещаемых на рамных опорных конструкциях над проезжей частью. В процессе проезда под РВП, СВП получает следующие данные:
1. Дата и время проезда;
2. ГРНЗ. Для СВП типа «Свободный поток» регистрационный знак является основным параметром ТС, по которому происходит идентификация всех проезжающих ТС, в том числе, в случаях выявления нарушений процесса оплаты проезда;
3. Габаритные параметры ТС. На основании данных параметров осуществляется классификация ТС для определения тарифа. Система также может иметь возможность подсчета количества осей, которое может быть необходимо для корректной классификации;
4. Номер электронного средства регистрационного проезда, в случае, если пользователь осуществляет оплату проезда при помощи транс-пондера.
Транспортные данные о проезде ТС, регистрируемые на ПВП или РВП, поступают в виде транзакций проезда в систему коммерческого управления платной дорогой. Данная система является биллинговой, и обеспечивает автоматизированный учета предоставленных услуг пользования платной дорогой, управление тарифами и лицевыми счетами пользователей дороги.
4.2. Анализ данных СВП
Ввиду наличия в СВП как транспортных, так и финансовых данных, используемых для управления платной дорогой, система позволяет решать задачи, способствующие повышению как транспортной, так и экономической эффективности проектов платных дорог. Вместе с тем, к СВП повышаются требования к качеству работы и сбору данных, на основании которых формируется транзакции и осуществляется биллинг пользователей дороги. Наличие ошибок в данных СВП влекут за собой некорректную тарификацию проезда пользователя, и могут приводить к
прямым финансовым потерям как со стороны клиентов, так и оператора дороги. Такие ошибки негативно влияют на качество предоставляемых услуг.
Для контроля и минимизации возникающих ошибок со стороны как самого оператора, так и владельца дороги, может осуществляться анализ транзакционных данных. В этом случае для верификации данных транзакций могут быть использованы как «сырые» данные самой СВП, так и транспортные данные АСУДД, передаваемые в «экспертную систему», осуществляющую поиск признаков ухудшения качества работы СВП.
Ввиду постоянного развития пользовательских сервисов платных дорог, а также непрерывного роста дорожной сети и создания полноценных транспортных коридоров, большое внимание следует уделить вопросу поддержания СВП в актуальном состоянии. Для этого должна производиться своевременная модернизация аппаратно-программного комплекса СВП. Несмотря на то, что мероприятия по модернизации ПВП и РВП закладываются еще на стадии проектирования инфраструктурного объекта на основании прогнозируемых значений интенсивностей к определенному году, могут возникнуть обстоятельства, при которых прогнозные значения интенсивностей будут достигнуты раньше планируемого срока. При таких обстоятельствах ПВП или РВП с недостаточной технологической оснащенностью могут создавать «узкие места» для обслуживания пользователей, ухудшая транспортные и экономические показатели дороги. Для решения данной задачи среднесрочного планирования может быть использован метод дискретного-событийного моделирования транспортного объекта. Имитационная модель ПВП может быть использована для оценки как существующей интенсивности, так и проведения экспериментов, позволяющих определить необходимые и достаточные мероприятия по модернизации СВП, своевременно обеспечивающие требуемое качество обслуживания пользователей дороги.
Таким образом, для СВП интеллектуальный анализ данных может применяться для решения таких практических задач, как:
1. Обеспечение контроля операторской деятельности по сбору платы за проезд;
2. Планирование мероприятий по модернизации СВП для обеспечения требуемой пропускной способности ПВП или РВП.
Заключение
С развитием цифровых технологий, применение методов интеллектуального анализа данных набирает все большую популярность. Постоянно повышающийся уровень оснащения автомобильных дорог современными интеллектуальными транспортными системами способствует активному поиску решения практических задач все более сложными не-
тривиальными способами, требующими соответствующего научно практического опыта у профильных проектных, производственных и эксплуатирующих организаций.
В данной статье нами были рассмотрены основные тенденции применения интеллектуального анализа данных на эксплуатируемых проектах скоростных автомобильных дорог, частным случаем которых являются платные дороги. Был проанализирован как существующий практический опыт зарубежных и отечественных проектов, так и представлен анализ актуальных задач, требующих решения для эксплуатируемых платных дорог. В отдельности рассмотрены задачи, ставящиеся для подсистем АСУДД и СВП.
Безусловно, при помощи методов интеллектуального анализа данных может решаться более широкий круг задач, помимо тех, которые были освещены в данной статье.
Такие задачи частного характера образуются в рамках абсолютно любого транспортного проекта, ввиду специфики и уникальности каждого из них. Сочетание наборов транспортных данных дорожного оборудования, количества и качества интеграций с внешними системами, объем функциональных возможностей аппаратно-программных комплексов АСУДД и СВП образуют неповторимую комбинацию условий, позволяющую решать одну и ту же практическую задачу управления автомобильной дорогой различными способами.
Список литературы
1. Ahmed M., Abdel-Aty M. A data fusion framework for real-time risk assessment on freeways // Transportation Research Part C. 2013. Vol. 26. Pp. 203-213.
2. An S., Zhang T., Zhang X., Wang J. Unrecorded Accidents Detection on Highways Based on Temporal Data Mining // Mathematical Problems in Engineering. 2014. Pp. 1-7.
3. Bayam E., Liebowitz J., Agresti W. Older drivers and accidents - A meta analysis and data mining application on traffic accident data // Expert Systems with Applications. 2005. Vol. 29. Pp. 598-629.
4. Budiawan W., Saptadi S., Arvianto A. The Development of Data Warehouse to Support Data Mining Technique for Traffic Accident Prediction // E3S Web of Conferences. 2018. Vol. 73.
5. Budiawan W., Saptadi S., Sriyanto, Tjioe C., Phommachak T. Traffic Accident Severity Prediction Using Naive Bayes Algorithm - A Case Study of Semarang Toll Road // IOP Conf. Series: Materials Science and Engineering. 2019. Vol. 598. № 012089. Pp. 1-8.
6. Chong M., Abraham A., Paprzycki M. Traffic Accident Data Mining Using Machine Learning Paradigms // Informatica (Slovenia). 2005. Vol. 29. Pp. 89-98.
7. Irfan A., Rasyid R. A., Handayani S. Data mining applied for accident prediction model in Indonesia toll road // AIP Conference Proceedings. 2018. Vol. 1977. 060001. Pp. 1-9. DOI: https://doi.org/10.1063/L5043013.
8. Frawley W., Piatetsky-Shapiro G., Matheus C. Knowledge Discovery in Databases: An Overview // AI Magazine. 1992. Pp. 213-228.
9. Kumar. P, Pranathi K., Kamalakannan J. Highway Toll Management and Traffic Prediction Using Data Mining // Emerging Research in Data Engineering Systems and Computer Communications. 2020. Pp. 455-464.
10. Kumar S., Toshniwal D. A data mining framework to analyze road accident data // Journal of Big Data. 2015. Vol. 2. № 26.
11. Khokale R.S., Ghate А. Data Mining for Traffic Prediction and Analysis using Big Data // Computer Science international journal of engineering trends and technology. 2017.
12. Liu Y., Choudhary A., Zhou J., Khokhar A. A Scalable Distributed Stream Mining System for Highway Traffic Data // PKDD 2006: Knowledge Discovery in Databases: PKDD. 2006. Pp. 309-321.
13. Martín L., Baena L., Garach L., Lopez G., Oña J. Using Data Mining Techniques to Road Safety Improvement in Spanish Roads // Procedia - Social and Behavioral Sciences. 2014. Vol. 160. Pp. 607-614.
14. Raja J., Bahuleyana H., Vanajakshia L. D. Application of data mining techniques for traffic density estimation and prediction // Transportation Research Procedia. 2016. Vol. 17. Pp. 321-330.
15. Rifai A.I., Hadiwardoyo S.P., Correia A.G., Pereira P., Cortez P. The data mining applied for the prediction of highway roughness due to overloaded trucks // International Journal of Technology. 2015. Vol. 6. № 5. Pp. 751-761.
16. Sesham A., Padmanabham P., Govardhan A., Kulkarni R.H. An Extensive Review on Data Mining Methods and Clustering Models for Intelligent Transportation System // J. Intell. Syst. 2018. Vol. 27. № 2. Pp. 263-273.
17. Shiau Y.-R., Tsai C.-H., Hung Y.-H., Kuo Y.-T. The Application of Data Mining Technology to Build a Forecasting Model for Classification of Road Traffic Accidents // Mathematical Problems in Engineering. 2015. Pp. 1-8.
18. Shi Q., Abdel-Aty M. Big Data applications in real-time traffic operation and safety monitoring and improvement on urban expressways // Transportation Research Part C: Emerging Technologies. 2015. Vol. 58. Part B. Pp. 380-394.
19. Wang J., Gu Q., Wu J., Liu G., Xiong Z. Traffic speed prediction and congestion source exploration: A deep learning method // 2016 IEEE 16th International Conference on Data Mining (ICDM). 2016. Pp. 499-508.
20. Агафонов А.А., Юмаганов А.С., Мясников В.В. Анализ больших данных в геоинформационной задаче краткосрочного прогнозирования параметров транспортного потока на базе метода к ближайших соседей // Компьютерная оптика. 2018. Т. 42. № 6. С. 1101-1111.
21. Воронцов К.В., Чехович Ю.В. Интеллектуальный анализ данных в задачах моделирования транспортных потоков // Введение в математическое моделирование транспортных потоков: Учебное пособие. Издание 2-е, испр. и доп. / А.В. Гасников и др. Под ред. А.В. Гасникова. М.: МЦНМО, 2013. С. 225.
22. ГОСТ Р 56294-2014 Интеллектуальные транспортные системы. Требования к функциональной и физической архитектурам интеллектуальных транспортных систем. М.: Стандарт Стандаритинформ, 2018.
23. Паспорт национального проекта «Безопасные и качественные дороги» [Электронный ресурс] // Официальный интернет-сайт национального проекта «Безопасные и качественные дороги». URL: кйр8://ЬкёгГ.гц/ир1оаё8/ёое/паспорт% 20национального%20проекта.рёГ (дата обращения: 18.05.2020).
24. Паспорт программы «Цифровая экономика Российской федерации» [Электронный ресурс] // Официальный интернет-сайт Министерства цифрового развития, связи и массовых коммуникаций Российской Федерации. URL: https://digita1.gov.ru/ up1oaded/fi1es/natsiona1naya-programma-tsifrovaya-ekonomika-rossijskoj-federatsii_NcN2 nOO.pdf (дата обращения: 18.05.2020).
25. Талавиря А.Ю. Обзор современных тенденций развития городских и автомагистральных АСУДД // Региональная информатика и информационная безопасность. Сборник трудов. Выпуск 5. СПб.: СПОИСУ, 2018. С. 287-290.
УДК 65.011.56
doi:10.18720/SPBPU/2/id20-178
Холин Антон Александрович,
аспирант
ВОПРОСЫ ВЫЧИСЛЕНИЯ ПРЕДЕЛОВ ОТНОСИТЕЛЬНОЙ ПОГРЕШНОСТИ ИЗМЕРЕНИЙ ДЛЯ АВТОМАТИЗАЦИИ РАСЧЕТА МАССЫ НЕФТЕПРОДУКТОВ ПРИ ТРАНСПОРТИРОВКЕ С ИСПОЛЬЗОВАНИЕМ ЖЕЛЕЗНОДОРОЖНЫХ ЦИСТЕРН
Санкт-Петербургский политехнический университет Петра Великого,
Санкт-Петербург, Россия, anton.kholin@me.com
Аннотация. В данной статье рассматривается проблема вычисления относительной погрешности при измерении массы груза для обеспечения контроля качества и количества при транспортировке нефти и нефтепродуктов с использованием железнодорожных цистерн. Применяется при использовании вычисления массы груза косвенным методом статических измерений.
Ключевые слова: транспортировка нефти и нефтепродуктов, железнодорожные перевозки, расчет массы нефтепродуктов.
Anton A. Kholin,
Postgraduate Student
ISSUES OF CALCULATION OF THE RELATIONS FOR RELATIVE ERROR OF MEASUREMENTS FOR AUTOMATION OF CALCULATION OF OIL PRODUCT WEIGHT WHEN TRANSPORTING WITH USE OF RAILWAY TANKS
