аспирант технических наук;
graduate student of technical sciences;
доктор технических наук;доктор технических наук;
doctor of technical sciences;doctor of technical sciences;
Дорожно-транспортные происшествия (ДТП) представляют собой значительную угрозу для общественной безопасности и транспортных сетей, что требует применения передовых методов моделирования для изучения их причин, тенденций и последствий. Сложность моделирования ДТП обусловлена необходимостью объединения различных источников данных, включая пространственно-временные изменения, переменные окружающей среды, характеристики автомобилей и водителей, элементы инфраструктуры. Недавние прорывы в машинном обучении, включая графовые нейронные сети, модели глубокого обучения на основе механизма внимания и гибридные древовидные классификаторы, повысили точность прогнозирования и интерпретируемость. Эти методы используют гетерогенные данные для обеспечения прогнозирования аварий в реальном времени, оценки тяжести и выявления наиболее проблемных зон. Тем не менее, остаются препятствия, такие как разрежённость данных, дисбаланс классов и интерпретируемость модели. В данной статье рассмотрены современные подходы к моделированию аварий, выявлено влияние разнообразной информации на установления частоты и тяжести аварий, что позволяет повысить безопасность дорожного движения, оптимизировать управление дорожным движением и усовершенствовать подходы и технологии предотвращения аварий. Определены перспективные направления исследований в этом направлении моделирования и машинного обучения: интеграция гетерогенных данных, использование методов причинно-следственного машинного обучения и системы поддержки принятия решений в реальном времени.
Road traffic accidents (RTAs) pose a significant threat to public safety and transportation networks, requiring advanced modeling techniques to study their causes, trends, and consequences. The complexity of RTAs modeling stems from the need to integrate diverse data sources, including spatiotemporal changes, environmental variables, vehicle and driver characteristics, and infrastructure elements. Recent advances in machine learning, including graph neural networks, attention-based deep learning models, and hybrid tree classifiers, have improved prediction accuracy and interpretability. These methods leverage heterogeneous data to provide real-time crash prediction, severity assessment, and identification of problem areas. However, obstacles remain, such as data sparsity, class imbalance, and model interpretability. This article reviews modern approaches to RTAs modeling and identifies the impact of diverse information on crash frequency and severity estimates, thereby improving road safety, optimizing traffic management, and refining crash prevention approaches and technologies. Promising research directions in this area of modeling and machine learning are identified: integration of heterogeneous data, use of causal machine learning methods and real-time decision support systems.