Стельмах О. П. Методи та моделі аналізу транспортних систем в умовах нестаціонарності параметрів транспортного потоку

Дисертаційна робота присвячена розробці інформаційної технології для підвищення точності визначення інтенсивності транспортного руху на основі аналізу даних відеопотоку в режимі реального часу в умовах нестаціонарності параметрів транспортного потоку. Висвітлено основні тенденції застосування інформаційних транспортних систем та розглянуто сучасні інформаційні транспортні системи виявлення транспортних засобів. В даному розділі розглянуто існуючі транспортні системи визначення інтенсивності транспортного руху. Розроблено програмний компонент для визначення інтенсивності дорожнього руху в двох реалізаціях. Експериментально доведено значну перевагу реалізації на основі модуля bioinspired над реалізацією на основі порівняння двох кадрів. Програмний компонент визначення інтенсивності транспортного руху, який розроблений, є складовою частиною інформаційної системи управління транспортним рухом. Розроблена технологія визначення інтенсивності дорожнього руху з використанням нейронної мережі U-net, яка має високу ефективність та результативність під час сегментації зображення і відома надійністю під час роботи з великими наборами даних. Було використано методи U-net – методи кодування та декодування для злиття базової інформації та інформації високого рівня. Для навчання нейронної мережі було використано алгоритм оптимізації SGD для аналізу градієнта об'єктів. Вхідні зображення розрізались на сегменти розміром 128 на 128 пікселів. Для тренування нейронної мережі U-net було використано набір даних з 10000 зображень. Експериментально доведено перевагу використання нейронної мережі U-net для задачі визначення інтенсивності руху та показника завантаженості TLCR. Розроблена технологія визначення інтенсивності дорожнього руху за даними відеоряду, що надходять з відеокамери спостереження. Було вдосконалено алгоритм визначення показника завантаженості транспортної ділянки TLCR надає можливість враховувати тільки автомобілі, які рухаються по досліджуваній смузі. Розроблений метод визначення інтенсивності дорожнього руху на основі послідовних значень показника завантаженості має наступні переваги над іншими подібними системами: швидкість обробки даних, точність, відсутність необхідності додаткового обладнання (наприклад датчики) та низька вартість. Розроблено алгоритм та інформаційну систему для довгострокового прогнозування показника завантаженості транспортної ділянки TLCR для подальшої оцінки стану дорожнього руху. Інформаційна система прогнозування базується на моделі навчання з рекурентною нейронною мережею LSTM. Розроблена система навчається на тренувальному відео отриманих з камер дорожнього руху записного протягом одного тижня для прогнозування показника завантаженості транспортної ділянки TLCR для кожного дня тижня. Розроблено алгоритм виявлення дорожніх заторів за показником завантаженості транспортної ділянки TLCR отриманих з зображень отриманих з відеокамер, встановлених у різних місцях міста. Алгоритм дозволяє класифікувати затори за трьома рівнями завантаженості: низька, середня та висока завантаженість. Розроблений алгоритм досліджували на експериментальних даних записів з дорожніх відеокамер та було отримано задовільні результати виявлення та класифікації рівнів завантаженості. Послідовність обробки та перетворень даних складають нову технологію визначення інтенсивності дорожнього руху, що забезпечує високу точність оцінки інтенсивності руху транспортних засобів на ділянці дорожнього руху. Розроблена технологія може працювати в умовах нестаціонарності параметрів транспортного руху. Завдяки використанню сегментації, замість класифікації, а також специфічного набору даних для навчання, технологія позбавлена таких недоліків як неправильно підібраний ракурс та відсутність транспортного засобу в існуючих базах даних для навчання. Запропонована система успішно підрахувала транспортні засоби з високою точністю, – середні значення F-міра та точність (Accuracy) досягли 0,9967 та 0,9935 відповідно. Досліджено точність розробленої інформаційної системи довгострокового прогнозування показника завантаженості транспортної ділянки TLCR, яка базується на моделі навчання з рекурентною нейронною мережею LSTM. Отримана експериментальна середня точність 0,914 для п’яти днів (два вихідних та три робочих дні) демонструє високу ефективність результатів прогнозування.