Тамбов, Тамбовская область, Россия
сотрудник с 01.01.1972 по 01.01.2025
Тамбов, Тамбовская область, Россия
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.
моделирование, гетерогенная информация, дорожно-транспортные происшествия, машинное обучение
1. Uthaib M.A., Tyutyunnik V.M. Pattern recognition of the state registration plate of a vehicle // Мир науки без границ: материалы XI Всерос. науч.-практ. конф. молодых учёных. Тамбов: издат. Центр ФГБОУ ВО «ТГТУ», 2024. С. 285–287.
2. Удаиб М.А. Современные методы и информационные системы фиксирования, прогнозирования и предотвращения дорожно-транспортных происшествий // Информационные процессы, системы и технологии. 2024. Т.5. №2. С. 14–22. DOI:https://doi.org/10.52529/27821617_2024_5_2_14
3. Тютюнник В.М., Удаиб М.А. Нейросетевые методы и модели прогнозирования дорожно-транспортных происшествий и снижения их рисков // Промышленные АСУ и контроллеры. 2024. №12. С. 47–56. DOI:https://doi.org/10.25791/asu.12.2024.15483
4. Uthaib M.A., Tyutyunnik V.M. Integrating situational factors and heterogeneous data for enhanced traffic accident analysis // Общество. 2025. №1 (36), Ч. 2. С. 15–19.
5. Uthaib M.A., Tyutyunnik V.M. The effects of heterogeneous information in analyzing traffic accidents // Мир науки без границ: сб. материалов 12-й Междунар. науч.-практ. конф. молодых учёных. Тамбов: Издат. центр ФГБОУ ВО «ТГТУ», 2025. С. 41–44.
6. SMA-HYPER: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction / X. Gao [et al.] // Preprint Submitted to Elsevier, 2024.
7. Ghahremannezhad H., Shi H., Liu C. Real-Time Accident Detection in Traffic Surveillance Using Deep Learning. 2022. URL: https://doi.org/10.48550/arXiv.2208.06461 (дата обращения: 20.02.2026).
8. Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis / A. Nippani [et al.] // 2023. URL: arXiv.org.2311.00164 (дата обращения: 20.02.2026).
9. Interpretable Traffic Accident Prediction: Attention Spatial–Temporal Multi-Graph Traffic Stream Learning Approach / C. Li [et al.] // IEEE Transactions on Intelligent Transportation Systemsю 2024. P. 1–13.
10. Predictive analysis for road accidents using a tree-based and deep learning fusion system / M. Ameksa [et al.]. // Journal of Intelligent and Fuzzy Systems. 2023. Vol. 46. P. 2381–2397.
11. AccidentGPT: Accident Analysis and Prevention from V2X Environmental Perception with Multi-modal Large Model / L. Wang [et al.] // 2023. Vol. abs/2312.13156.
12. Exploring the spatiotemporal heterogeneity of freeway secondary crashes using GTWR model / H. Liu [et al.]. // Journal of Transportation Safety & Security. 2023. P. 1–24.
13. Jiang J., Miao Y., Wu D. Machine Learning-based Prediction Analysis of Potential Factors in Traffic Accidents // Applied and Computational Engineering. EWA Publishing. 2024. Vol. 99. № 1. P. 112–120.
14. Sukonna R.T., Swapnil S.I. A Bi-level Framework for Traffic Accident Duration Prediction: Leveraging Weather and Road Condition Data within a Practical Optimum Pipeline // URL: arXiv.org.2311.00634 (дата обращения: 20.02.2026).
15. It Is About Weather: Explainable Machine Learning for Traffic Accident Understanding. / S. Soedirman [et al.]. // 2023. P. 2689–2694.
16. Exploring spatial heterogeneity in factors associated with injury severity in speeding-related crashes: An integrated machine learning and spatial modeling approach / Z. Zhang [et al.] // Accident Analysis & Prevention. Elsevier BV, 2024. Vol. 206. P. 107697.
17. Prediction of Accident Risk Levels in Traffic Accidents Using Deep Learning and Radial Basis Function Neural Networks Applied to a Dataset with Information on Driving Events / C. Arciniegas-Ayala [et al.] // Applied Sciences. Multidisciplinary Digital Publishing Institute, 2024. Vol. 14. № 14. P. 6248.
18. Sorum N.G., Pal D. Identification of the best machine learning model for the prediction of driver injury severity // International Journal of Injury Control and Safety Promotion. 2024. P. 1–16.
19. Mehdi M. Machine learning and multisource data analysis approach towards traffic accident risk prediction // Scientific Publishing Center InterConf. 2024. No. 50 (221). P. 401–406.
20. Development and Application of Highway Traffic Congestion and Accident Risk Early / B. Xie [et al.] // Warning Model. 2024. P. 1519–1523.
21. Nayak A., Goyal K. Traffic modeling and accidental data analysis using GIS // A Review. 2024.
22. Machine Learning Applications in Traffic Safety / S. Priyanka [et al.]. // Assessing Accident Severity Automatically. 2023. P. 1197–1203.
23. Exploring the spatiotemporal heterogeneity of freeway secondary crashes using GTWR model / H. Liu [et al.]. // Journal of Transportation Safety & Security. 2023. P. 1–24.
24. Benfaress I., Bouhoute A., Zinedine A. Enhancing Traffic Accident Severity Prediction Using ResNet and SHAP for Interpretability // AI. Multidisciplinary Digital Publishing Institute, 2024. Vol. 5. No.4. P. 2568–2585.
25. Kashifi M.T. Robust spatiotemporal crash risk prediction with gated recurrent convolution network and interpretable insights from SHapley additive explanations // Engineering Applications of Artificial Intelligence. 2024.
