Повышение безопасности дорожного движения на основе системного подхода с применением современных методов и моделей тема диссертации и автореферата по ВАК РФ 05.22.10, кандидат наук Якупова Гульнара Анваровна

• Якупова Гульнара Анваровна
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Якупова Гульнара Анваровна

ВВЕДЕНИЕ

Глава 1. Анализ основных направлений исследований в области организации и безопасности дорожного движения

1.1. Анализ системы дорожного движения с точки зрения влияющих на нее факторов

1.2. Обзор методов выявления факторов, влияющих на степень тяжести ДТП

1.3. Состояние проблемы организации движения в условиях развития ИТС

1.4. Исследования и разработки в области создания интеллектуальных

транспортных систем

1.5. Анализ методов моделирования для повышения БДД

1.6. Выводы, цель и задачи исследования

Глава 2. Теоретические основы направлений и методов повышения БДД

2.1. Теоретические основы учёта статистики ДТП по РФ

2.2. Методы, позволяющие оценить риск возникновения ДТП

2.2.1. Графический метод описательной статистики

2.2.2. Выявление мест концентрации ДТП

2.2.3. Карты ДТП

2.3. Методы, позволяющие оценить степень тяжести последствий ДТП

2.3.1. Методы дисперсионного анализа

2.3.2. Метод деревьев решений

2.3.3. Метод ассоциативных правил

2.4. Матрица Хэддона

2

2.4.1. Способы предотвращения ДТП

2.4.2. Снижение степени тяжести последствий ДТП

2.4.3. Ликвидация последствий ДТП

2.5. Метод имитационного моделирования

2.5.1. Макромоделирование

2.5.2. Мезомоделирование

2.5.3. Микромоделирование

2.5.4. Пакеты программных инструментов имитационных моделей

2.6. Выводы по главе

Глава 3. Комплексное применение современных методов и моделей для выявления причин, приводящих к снижению уровня БДД (на примере города Елабуга)

3.1. Выявление типовых ситуаций, приводящих к снижению БДД

3.1.1. Состояние системы БДД в Российской Федерации

3.1.2. Особенности обеспечения БДД в городе Елабуга Республики Татарстан

3.2. Исследование БДД в г. Елабуга с точки зрения факторов, влияющих на риск возникновения ДТП

3.2.1. Выявление факторов, влияющих на аварийность, на основе статистических данных

3.2.2. Сравнительный анализ влияния факторов, определяющих БДД, на количество ДТП

3.3. Выявление закономерностей и причин, влияющих на степень тяжести последствий ДТП, в городе Елабуга

3.3.1. Построение прогностических моделей на основе дисперсионного анализа

3.3.2. Применение метода деревьев принятия решений для выявления факторов и причин, влияющих на тяжесть ДТП

3.3.3. Практическое применение ассоциативных правил для снижения риска возникновения ДТП и тяжесть их последствий

Выводы по главе

Глава 4. Разработка методики повышения безопасности дорожного движения

4.1. Дерево факторов аварийных ситуаций

4.2. Математическая модель повышения уровня БДД

4.3. Модифицированная матрица Хэддона как способ упорядочения мер, повышающих БДД

4.4. Концепция системы поддержки принятия решений (СППР) для повышения БДД

4.5. Разработка имитационной модели как интеллектуального ядра СППР

4.6. Практическая реализация решения проблемы БДД путем имитационного моделирования

4.6.1. Сбор данных для реализации реконструкции ДТП

4.6.2. Построение имитационной модели

4.6.3. Определение оптимальных параметров имитационной модели

4.6.4. Имитационное моделирование транспортной системы при возникновении ДТП

4.7. Практические рекомендации для повышения БДД на основе выполненных исследований

4.8. Методика и алгоритм повышения БДД на основе обратной связи

4.9. Выводы по главе

Глава 5. Определение эффективности предлагаемых мер по повышению

уровня БДД

5.1. Социально-экономический эффект

5.2. Оценка экологической эффективности

5.3. Анализ рисков при внедрении системы управления БДД

5.3.1. Идентификация рисков

5.3.2. Анализ и оценка рисков

5.3.3. Обработка риска

5.3.4. Разработка мероприятий по управлению рисками

5.3.5. Осуществление постоянного контроля

5.4. Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ:

ПРИЛОЖЕНИЕ А. Акты внедрения

ПРИЛОЖЕНИЕ Б. Свидетельство о регистрации программы для ЭВМ

ОСНОВНЫЕ СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ

ДТП - дорожно-транспортные происшествия БДД - безопасность дорожного движения ДД - дорожное движение

ОБДД - организация безопасности дорожного движения

ГИБДД - Государственная Инспекция Безопасности Дорожного Движения

ПДД - правила дорожного движения

УДС - улично-дорожная сеть

УРД - магистральные улицы общегородского значения регулируемого движения

УТП - магистральные улицы районного значения транспортно-пешеходные ТС - транспортное средство ТП - транспортный поток

ВАДС - «водитель - автомобиль - дорога - среда»

АСУД - Автоматизированные системы управления дорожным движением

САФ - система автоматической фиксации

ИТС - интеллектуальные транспортные системы

ИИ - искусственный интеллект

ИТ - информационные технологии

ИМ - имитационная модель

СППР - система поддержки принятия решения

АП - ассоциативные правила

FTA - Fault tree analysis

CART - Classification and Regression Tree

TMS - Transportation Management System

IEEE - Institute of Electrical and Electronics Engineers

LSTM-GBRT - Long Short-Term Memory, Gradient Boosted Regression Trees

KDD - Knowledge Discovery in Databases

Введение диссертации (часть автореферата) на тему «Повышение безопасности дорожного движения на основе системного подхода с применением современных методов и моделей»

ВВЕДЕНИЕ

Актуальность темы. Ускорение процессов урбанизации и глобализации экономики, сопровождающееся ростом числа мегаполисов, приводит к развитию мобильности населения и логистических процессов. Решение этих проблем обеспечивается ростом автомобилизации населения и численности парков коммерческого транспорта, что, в свою очередь, приводит к росту числа дорожно-транспортных происшествий (ДТП), степени тяжести их последствий, и снижению безопасности транспортной системы в целом.

Негативный вклад в безопасность дорожного движения (БДД) вносят и события, нарушающие стабильность работы транспортной системы, такие как, например, локдаун во время пандемии СОУГО-19. Поскольку во многих населенных пунктах в течение достаточно продолжительного периода времени были полностью или частично запрещены поездки на личном автомобильном транспорте, снизился уровень профессионального мастерства водителей, определяемый в том числе регулярностью вождения, это привело к снижению качества вождения и, для менее опытных водителей, к потере некоторых навыков. Поэтому после снятия запрета на перемещения как для пешеходов, так и для водителей, существенно вырос риск ДТП.

Повышение безопасности дорожного движения во всем мире является приоритетной задачей, которая решается как на уровне общих стратегий, так и средствами оперативного управления. Необходим системный подход, который позволит снизить уровень аварийности и травматизма, а также повысить устойчивость транспортной системы в целом. Для этих целей применяются различные методы и модели, позволяющие повысить качество управления транспортной системой, привлекая как технические, так и интеллектуальные ресурсы.

Чтобы создать эффективную систему управления движением, необходимо иметь инструмент, позволяющий выявлять по актуальным данным наиболее значимые факторы, анализировать различные сценарии развития событий, принимать корректирующие решения, а в последующем, на основе обратной связи оценивать их эффективность.

Стратегия управления на основе системного подхода является более эффективной с точки зрения обеспечения БДД, поскольку благодаря сочетанию технических и организационных мероприятий, позволяет спрогнозиро-

вать и предупредить большинство ДТП, а также снизить тяжесть их последствий. Действенность данного подхода подтверждается примером многих европейских стран [1, 2, 3, 4], которым удаётся приблизится к нулевой смертности на дорогах, несмотря на высокий уровень автомобилизации.

Выявление и анализ факторов, существенно влияющих на вероятность возникновения ДТП и тяжесть их последствий, а также воздействие на них путём выявления общих закономерностей и причин ДТП, позволяют спрогнозировать вероятность их возникновения и оценить возможную тяжесть последствий, тем самым значительно повысить уровень БДД. Затем, основываясь на полученных закономерностях и результатах, можно оказать эффективное воздействие на транспортную систему как на оперативном уровне управления, используя корректирующие мероприятия и меры, так и в долгосрочной перспективе, совершенствуя стратегии развития и управления.

Степень разработанности темы исследования. Решением задачи повышения БДД занимались многие как отечественные, так и зарубежные учёные. Изучению причин возникновения ДТП посвящены работы: Донченко Д. С., Садовниковой Н. П., Парыгина Д. С., Гатиятуллина М.Х., Новикова И.А., Николаевой Р.В., Кириленко С.Н., Маткеримова Т.А., Кадырова Э.Т., Мару-сина А.В., Пугачева И.Н., Горева А.Э., Олещенко Е.М., Yannis G., Nambuusi B.B., Brijs T., Hermans E. и т.д. Для изучения взаимосвязи между факторами, вызывающими аварии и тяжестью их последствий, были проведены исследования: Lau M., May A., Smith R., Young R.K., Liesman J., Ahmed M.M., R. Franke K., Ksaibati, D.S. Shinstine, Xu C., Bao J., Wang C., Li P., Макаровой И.В., Петровым А.И., Петровой Д.А., Евтюковым С.С., Головым Е.В., Сазоновой Т.В. и т.д. Проблемам организации и оптимизации движения в условиях развития ИТС посвящены работы: Плотникова А.М., Агуреева И.Е., Кре-това А. Ю., Макаровой И.В., Баранова Ю.Н., Катуниной А.А., Шкрабак Р.В., Брагинец Ю.Н., Новикова А.Н., Javed M. A., Keshkamat S.S., Lebdeh A., Rychlewski J. и т.д. Изучению вопросов транспортного моделирования посвятили свои труды Лозе Д., Лившиц В.В., Сильянов В.В., Ерёмин В.М., Муравьёва Д.И., Wardrop J., Hoogendoorn S.P., Bovy P.H., Todosiev E.P., Barbosa L.C.

Однако из всех моделей, используемых для анализа причин возникновения дорожных аварий и степени тяжести ДТП, в российской практике, в

отличие от зарубежных исследователей, применяют лишь модели подсчёта данных с выявлением факторов, влияющих на частоту аварий. Следует отметить, что несмотря на то, что обязанностью каждого субъекта системы обеспечения БДД в Российской Федерации является детальный анализ факторов, на проявление которых он, либо сотрудничающие с ним ведомства, способны оказать влияние, отсутствует универсальная процедура комплексного анализа ДТП.

Цель работы - повышение устойчивости транспортной системы урбанизированной территории путём разработки методики повышения безопасностью дорожного движения на основе системного подхода с применением современных методов и моделей.

Задачи исследования:

1. Проанализировать теоретические и научно-практические подходы области организации и безопасности движения, в том числе системы классификации факторов и методов оценки их значимости, влияющих на вероятность возникновения и степень тяжести аварий.

2. На основе анализа статистики ДТП в целом по России, по городу Елабуга Республики Татарстан выявить типовые причины, приводящие к аварийным ситуациям, а также факторы риска, негативно влияющие на БДД с целью минимизации их воздействия.

3. Разработать методику повышения БДД, интеллектуальным ядром которой являются имитационные модели проблемных участков улично-дорожной сети (УДС), как метод принятия управленческих решений на основе обратной связи.

4. Разработать математическую модель минимизации уровня аварийности с целью повышения БДД, путём воздействия на факторы, влияющие на риск возникновения и степень тяжести последствий ДТП.

5. Разработать практические рекомендации для повышения БДД на основе выполненных исследований.

6. Разработать алгоритм принятия решений, позволяющий корректировать состав превентивных мероприятий и управляющих воздействий в зависимости от их эффективности на основе обратной связи.

7. Выполнить оценку эффективности реализации предлагаемых мер по повышению уровня БДД.

Объект исследования: Система управления безопасностью дорожного движения

Предмет исследования: Современные методы и модели повышения эффективности системы управления безопасностью дорожного движения

Научная новизна:

1. Предложена методика повышения безопасности дорожного движения с использованием принципа обратной связи, в основе которой лежит модифицированная матрица Хэддона, содержащая, помимо традиционных, новый фактор - информационных технологий или искусственного интеллекта.

2. Разработан алгоритм повышения БДД, позволяющий корректировать состав превентивных мероприятий и управляющих воздействий в зависимости от их эффективности на основе обратной связи.

3. Разработана математическая модель минимизации уровня аварийности с целью повышения БДД, путём воздействия на факторы, влияющие на риск возникновения и степень тяжести последствий ДТП.

4. Разработана имитационная модель, позволяющая подбирать оптимальные параметры светофорного регулирования движения на проблемном участке УДС города Елабуга при изменениях параметров транспортной системы, что позволит предотвратить заторы, снизить нагрузку на УДС и повысить БДД.

Теоретическая и практическая значимость работы. Теоретическая значимость. Полученные новые результаты в виде совокупности теоретических положений, моделей, методики и алгоритма вносят существенный вклад в решение задачи повышения БДД урбанизированной территории на основе системного подхода. Практическая значимость диссертационной работы заключается в разработке методики повышения БДД, сочетающая в себе системный подход и современные методы и модели для выявления типовых ситуаций, приводящих к снижению уровня БДД, характерных для конкретного населенного пункта. Повышение БДД достигается путем разработки и реализации плана мероприятий по корректировке выявленных рисковых факторов, существенных для исследуемого города в изучаемый период, и их систематизации с помощью модифицированной матрицы Хэддона. Эффективность принятых решений оценивается на основе обратной связи: путем анализа влияния на статистику ДТП реализации предложенных мероприятий и пре-

вентивных мер, в том числе принятых законов и нормативных актов. Разработанная концептуальная модель Системы поддержки принятия решения (СППР) повышения БДД включает все вышеуказанные предложения, в том числе модифицированную матрицу Хэддона и имитационные модели в качестве интеллектуального ядра, что позволит оценить эффективность, как предлагаемых управленческих решений, так и проектов по модернизации и реконструкции параметров УДС на этапе разработки, направленных на: увеличение пропускной способности участка, изменение средней скорости движения, снижение суммарного времени движения всех участников и негативного воздействия на окружающую среду.

Методы исследования, достоверность и обоснованность результатов: Методологической основой послужили методы математической статистики, методы оптимизации, методы системного анализа, теория планирования эксперимента, теория ассоциативных правил, методы деревьев принятия решений, математическое и имитационное моделирование.

На защиту выносятся:

- дерево факторов аварийных ситуаций;

- математическая модель повышения БДД для минимизации уровня аварийности;

- концептуальная модель СППР для повышения уровня БДД на основе модифицированной матрицы Хэддона и имитационных моделей;

- имитационная модель проблемного участка УДС, позволяющая повысить качество управления дорожной инфраструктурой;

- алгоритм повышения БДД на основе обратной связи.

Область исследования соответствует требованиям паспорта научной специальности ВАК: 05.22.10 - Эксплуатация автомобильного транспорта, а именно: п.5. «Обеспечение экологической и дорожной безопасности автотранспортного комплекса; совершенствование методов автодорожной и экологической экспертизы, методов экологического мониторинга автотранспортных потоков»; п. 7. «Исследования в области безопасности движения с учётом технического состояния автомобиля, дорожной сети, организации движения автомобилей; проведение дорожно-транспортной экспертизы»; п.15. «Развитие новых информационных технологий при перевозках, технической эксплуатации и сервиса».

Апробация работы. Результаты работы обсуждались и получили одобрение на Международной научно-практической конференции «Технологии, материалы, транспорт и логистика: перспективы развития - TMTL'19» (КФУ, Набережные Челны, 24 апреля 2019 г.); V International Conference on Vehicle Technology and Intelligent Transport Systems (Крит, Греция, 3-5 Мая 2019 г.); V, VII Международных научно-практических конференциях «Информационные технологии и инновации на транспорте» (ОГУ им. И.С. Тургенева, г. Орел, 22-23 мая 2019 г., 18-19 мая 2021 г.); Всероссийской научно-технической конференции с международным участием «Энергоэффективность автотранспортных средств: нанотехнологии, информационно-коммуникационные системы, альтернативные источники энергии» (ВГЛТУ, г. Воронеж, 4-7 июня 2019 г.); VIII International Symposium of Young Researchers «Transport Problem 2019» (Польша, Краков, 24-26 июня 2019); 12 th International Conference Developments in eSystems Engineering 2019 «Robotics, Sensors and Industry 4.0» (КФУ, г. Казань, 7-10 октября 2019 г.); 6-7 th International Conference on Vehicle Technology and Intelligent Transport Systems (VE-HITS) (Прага, 2 - 4 мая 2020г.; Португалия 28-29 апреля 2021 г.); 20th International Multi-Conference Reliability and Statistics in Transportation and Communication (Латвия, Рига, 14-17 октября 2020 г.), 12 th International Science-Technical Conference AUTOMOTIVE SAFETY (Польша, 21-23 октября 2020 г.); 14-я Международная конференция "Организация и безопасность дорожного движения в крупных городах" (Санкт-Петербург, СПбГАСУ, 21-24 октября 2020 г.).

Публикации. Основные положения и результаты исследований опубликованы в 20 печатных работах, из них 4 статьи в ведущих научных журналах, входящих в перечень ВАК, 10 статей в изданиях, индексируемых Web of Science и/или Scopus, 2 свидетельства о регистрации программы для ЭВМ (объект интеллектуальной собственности), а также в сборниках научных трудов и материалах научных конференций различного уровня.

Структура и объем работы. Диссертация состоит из введения, пяти глав, основных выводов и результатов, списка использованных источников (196 наименований). Содержание работы изложено на 156 страницах машинописного текста, содержит 66 иллюстрации, 21 таблицу, 2 приложения.

Глава 1. Анализ основных направлений исследований в области организации и безопасности дорожного движения 1.1. Анализ системы дорожного движения с точки зрения влияющих на нее факторов

Изучение причин возникновения ДТП всегда актуально, и является приоритетной задачей во многих странах. В начале 2018 года в России была принята стратегия БДД до 2024 года [5], в которой сформулирована приоритетная цель по достижению минимальной смертности на дорогах. Реализация мероприятий, предложенных в этом документе, должна привести к снижению показателя смертности при ДТП до 20 тыс. человек в год, а показатель социального риска - до четырёх погибших на 100 тыс. населения. Показатели смертности таких странах как Швеция (инициатор программы Vizion Zero, реализуемой с 1997 года [4, 6]) и Великобритания не превышают 3 человек на 100 тысяч населения [7], а средний показатель по странам ЕС не превышает 5,5 человек на 100 тысяч населения [1].

Решение задачи повышения уровня БДД заключается в выявлении факторов, влияющих на возникновение аварийных ситуаций, чтобы, воздействуя на них, снизить вероятность рисковых событий или тяжесть их последствий. В рамках разработанной в МАДИ концептуальной модели дорожного движения (ДД): «водитель - автомобиль - дорога - среда» (ВАДС), ДТП можно представить как результат взаимодействия составляющих её элементов [8, 9, 10, 11, 12].

Как любая большая система, ВАДС включает в себя совокупность компонентов, имеет свои определенные свойства и качества. К числу основных характеристик ВАДС относится ее надежность, определяемая безотказностью, при этом человек в этой системе, по мнению экспертов, является самым ненадежным и непредсказуемым элементом, поскольку согласно статистике, аварийные ситуации в большинстве случаев (более 80%) случаются по вине водителя [8, 9, 13, 10, 11, 12, 13]. По мнению исследователей, нарушение взаимодействия участников движения чаще всего приводят к ДТП. Выделяется две причины, которые в основном приводят к ДТП: несоблюдение участниками правил дорожного движения (ПДД); потеря устойчивости ТС, которая обычно классифицируется сотрудниками Государственной инспекцией безопасности дорожного движения (ГИБДД) - «водитель не справился с управлением».

Факторы, вызванные ошибками водителей и негативно влияющие на БДД, это: техническая неисправность ТС, низкое качество дорожного полотна, нерациональная организация дорожного движения, неблагоприятные погодные условия, плохая видимость проезжей части, высокая плотность ТП, а также нарушение ПДД и несоблюдение скоростного режима.

Авторами системы ВАДС определены свойства и параметры компонентов с точки зрения БДД. Так, Автомобиль (транспортное средство - ТС) должен, по мнению авторов, соблюдать траекторию, в соответствии с действиями водителя. Для обозначения свойства, характеризующего способность автомобиля не реагировать на неквалифицированные, неумелые, неадекватные действия водителя при нештатных ситуациях, существует специальный термин -«невозмутимость автомобиля». Причинами ДТП могут быть техническое состояние ТС, включая не только техническое состояние его систем и оборудования, но и технические характеристики, такие как мощность двигателя и скоростные характеристики, а также марку и модель, габаритные размеры и массу. Эксплуатация ТС, находящегося в недопустимом техническом состоянии, или имеющего большой пробег, когда технический ресурс большинства систем и механизмов практически исчерпан, ведет к непредсказуемым последствиям, увеличивая риск ДТП.

Дорога характеризуется такими параметрами, как: ширина и границы проезжей части, состояние покрытия дорожного полотна, конфигурация в плане и профиле. Как отмечено в [9]: «Обустройство дороги и уровень организации дорожного движения могут облегчать или затруднять работу водителя, тем самым, оказывать прямое влияние на его надежность». Кроме дорожного полотна, понятие «Дорога» в приведенной системе содержит светофоры, дорожные знаки, разделительные линии, неподвижные препятствия, находящиеся на проезжей части и в придорожном пространстве, в том числе, автотранспортные средства, пешеходов, животных. Элемент Дорога может также влиять на риск ДТП в том случае, когда параметры потока не соответствуют пропускной способности инфраструктуры, либо схема движения не оптимальна.

Характеристики Среды, как элемента системы ВАДС, это такие параметры ее состояния, как: температурные показатели, ветреность, влажность, запыленность и ограничение видимости. Поскольку параметры Среды влия-

ют на работоспособность Водителя, его надёжное и адекватное поведение на дороге, то ему необходимо при помощи технических устройств ТС обеспечить защиту от негативного воздействия окружающей среды, поскольку качество вождения определяют, как субъективные, так и объективные факторы, например, время суток, солнечная активность и погодные условия. К факторам внешней среды, влияющим на вероятность аварийных ситуаций, как правило, относятся время дня (вечернее или ночное время суток или основные часы-пик), погодные условия (дождливая и снежная погода, слякоть, туманность, ветреность и т.д.), состояние покрытия дорожного полотна (мокрое покрытие, его ненадлежащее состояние, гололед), высокая загруженность дороги ТС, проведение плановых и неплановых дорожно-ремонтных работ. Нельзя исключать тот факт, что все факторы неоднозначно взаимосвязаны, т.е. любая причина может повлиять на вероятность возникновения происшествия и тяжесть последствий, вызывая необратимую эмоционально-психическую нагрузку на человека, а также невозможность своевременного принятия решений в сложившейся ситуации на дороге.

По оценкам экспертов, «человеческий фактор» является причиной значительной части ДТП. Это категория, в которой сгруппированы причины, вызванные поведением или состоянием человека, которые привели к ДТП или повысили риск аварии. Это могут быть причины, как неумышленные: невнимательность, неопытность (стаж вождения); усталость, стресс, болезненное состояние (возраст водителя); неустойчивое психологическое состояние, так и умышленные нарушения (несоблюдение ПДД); неадекватное состояние водителя (или других участников движения), приведшее к аварийной ситуации (например, употребление алкоголя и запрещённых препаратов). Кроме того, сюда входят такие причины как: недостаточная информированность и незнание ПДД; невысокий уровень интеллекта; а также социальный статус участника движения [14], что приводят к конфликтным ситуациям между участниками движения и повышают вероятность аварий. «Конфликтное поведение на дороге - это реализация стремления получить преимущество, пренебрегая интересами других участников дорожного движения и предписаниями правовых норм в области безопасности дорожного движения. Минимизация проявления конфликтов на дороге является одной из важных задач в области обеспечения БДД» [15].

Как показано выше, факторами, влияющими на БДД, могут быть состояние автомобиля, его водителя, внешней среды и дорожные условия. В то же время, как показывает практика, существенна доля ДТП, виновниками которых, как и жертвами, являются пешеходы, которых относят к одной из самых уязвимых категорий участников движения. Поэтому поведение пешеходов, как безусловного участника движения, можно отнести к еще одной группе существенных факторов, влияющих на БДД. Поэтому, выделяя значимые факторы и учитывая статистику ДТП [16], наиболее пристальное внимание следует обратить на человеческий фактор, включая состояние водителя, его навыки вождения и соблюдение ПДД всеми участниками дорожного движения.

Многие факторы внешней среды являются природными, а не человеческими, хотя создают стресс и затрудняют движение. Влияние этих факторов нельзя исключать, однако роль человека, берущего на себя ответственность за принимаемое им во время движения решение, является самой значимой. «Человек в системе управления является наиболее важным и одновременно менее надёжным звеном. Он легко отвлекается, сравнительно быстро утомляется, его поведение подвержено влиянию очень многих непредсказуемых факторов, и поэтому он не может безошибочно выполнять работу в течение продолжительного времени» - утверждает автор статьи [9]. Многие исследователи считают, что значительное внимание необходимо уделять именно обучению и психоэмоциональной подготовке водителя, следует ввести более жесткий контроль и принятию мер наказания при несоблюдении ПДД ко всем участникам ДТП.

Для упорядочения и систематизации факторов, влияющих на риск ДТП, предлагаются различные качественные методы и модели. Одним из известных методов считается Матрица Хэддона. Это классический метод двумерной классификации значимых факторов риска аварийных ситуаций. Согласно данной модели, выделяются три фазы ДТП (до его возникновения, в процессе и после), а также три группы факторов, соответствующих каждой из этих фаз: особенности личности человека (участника движения), характеристики ТС и окружающей среды (например, состояние покрытия дорожного полотна) [17]. Эта модель помогает аналитическим путем выявить все факторы, относящиеся к аварии, на которые можно повлиять. Как отмечено в [18]

«подход, предложенный Хэддоном, позволил добиться существенного прогресса в понимании факторов, связанных с поведением водителя, характеристиками транспортного средства и состоянием дорожной инфраструктуры, которые влияют на возникновение ДТП и тяжесть последствий для их участников».

В основном при анализе БДД на практике, эксперты ограничиваются рассмотрением динамической и структурной составляющими аварийности по всем показателям, а именно статистическими и вероятностными. Статистические показатели представлены физическими величинами или их соотношениями, полученными в результате обработки статистических данных. Одним из главных их достоинств считается объективность. Вероятностные показатели находятся, как правило, методами теории вероятностей. Здесь ДТП, как принято, считают возможным вариантом исхода конкретной дорожной ситуации, а случайное событие (возникновение аварийной ситуации) рассматривают с точки зрения случайности возникновения на временном отрезке и в пространственной динамике неблагоприятных причин, способствующих его появлению. Вероятностные методы помогают отработать требования к уровню БДД при проектировании ТС, основываясь на опыте эксплуатации подобных моделей [19, 20, 21].

Статистический анализ играет важную роль в повышении уровня БДД. Но, по мнению некоторых исследователей [19, 20, 21], такие показатели имеют ряд недостатков, которые можно скомпенсировать вероятностными показателями, позволяющими решать множество задач, например: «оценить влияние на БДД отдельного неблагоприятного фактора или некоторой совокупности неблагоприятных факторов; отработать требования к уровню БДД для разрабатываемого ТС на основании опыта эксплуатации прототипа; определять соответствие фактического уровня БДД заданному; оценивать эффективность мероприятий, направленных на повышение БДД, еще до их практической реализации и другие».

Автор [22] утверждает, что с помощью системы автоматической фиксации (САФ) нарушений ПДД, можно значительно сократить вероятность возникновения ДТП. В разработанной им методике приведена оценка эффективности функционирования САФ нарушений ПДД.

При решении задачи предотвращения ДТП за счет своевременного выявления внешних и внутренних факторов, отвечающих за безопасность современных автомобилей, авторами [23, 24] предложен синергетический метод, согласно которому эффективное управление сложными нелинейными системами, состоящими из множества подсистем, достигается путем целенаправленных воздействий на процессы самоорганизации самих систем [23, 25]. При этом под самоорганизацией понимается «процесс упорядочения элементов одного уровня в системе за счет внутренних факторов, без внешнего специфического воздействия».

В исследованиях [27, 28] предложены методы, основанные на использовании экспертных систем, выделяя три класса БДД: «класс, в котором безопасность движения зависит от дорожных условий; класс потенциальных опасностей в конфликтных точках (на перекрестках и переходах, тротуарах); а также класс потенциальных опасностей, регулируемых локальными, нормативными и законодательными актами». Первый класс использует метод прогнозирования с помощью статистических данных о ДТП. Второй класс рассматривает конфликтные ситуации, с точки зрения возможности предотвращения ДТП. «Суть метода сводится к выявлению и оценке опасных мест на дорогах, анализу факторов, влияющих на аварийную ситуацию и разработке мероприятий по их устранению. Метод базируется на предположении, что ДТП предшествуют неоднократно повторяющиеся опасные ситуации. Метод конфликтных ситуаций даёт прогноз по совокупности факторов, влияющих на аварийность». В третьем классе автором предложена и описана методика разработки автоматизированной системы принятия решений для управления безопасностью, в основе которой лежит экспертная система.

Список литературы диссертационного исследования кандидат наук Якупова Гульнара Анваровна, 2021 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ:

1. Zero mortality: how does the Swedish concept of Vision Zero work? http://www.aif.ru/auto/safety/obnulit_smertnost_kak_rabotaet_shvedskaya_koncepciya_vision_z ero.

2. Jurecki, R.S., 2020. Analysis of Road Safety in Poland after Accession to the European Union, Communications, vol. 22, no. 2, pp. 60-67.

3. Buehler, R., Pucher, J., 2021. The growing gap in pedestrian and cyclist fatality rates between the United States and the United Kingdom, Germany, Denmark, and the Netherlands, 19902018. Transport Reviews. Advance online publication. doi:10.1080/01441647.2020.1823521

4. ITF (2020), "Monitoring Progress in Urban Road Safety", International Transport Forum Policy Papers, No. 79, OECD Publishing, Paris.

5. Об утверждении Стратегии безопасности дорожного движения. Распоряжение от 8 января 2018 года №1-р. URL: http://government.ru/docs/31102/ . Дата обращения: 22.01.2019.

6. Что такое Vision Zero. Кратко и лаконично. URL: http://transspot.ru/2018/05/10/chto-takoe-vision-zero-kratko-i-lakonichno/ . Дата обращения: 10.01.2019.

7. Vision Zero — политика инноваций в дорожной безопасности. URL: https://city4people.ru/post/blog_646.html. Дата обращения: 10.01.2019.

8. Гатиятуллин, М.Х. Влияние уровня аварийности в г. Казани на общую тенденцию аварийности в республике / М.Х. Гатиятуллин, Р.В. Николаева // Вестник НЦ БЖД - 2010. -№ 5. - с.70 - 76.

9. Кириленко, С.Н. Некоторые составляющие безопасности дорожного движения / С.Н. Кириленко // Наука и практика. - 2014. - № 4 (61). - с.38 - 41.

10. Маткеримов, Т.А. Безопасность дорожного в пригороде в контексте системы «водитель-автомобиль-дорога-среда» / Т.А. Маткеримов, Э.Т. Кадыров // Бишкек: Вестник КГУСТА. - 2016. - № 1(51). - с. 336 - 342.

11. Пугачев, И.Н., Горев, А.Э., Олещенко, Е.М. Организация и безопасность дорожного движения: Учеб. пособие. М.: Издательский центр «Академия», 2009.

12. Сашко, А.А. Сравнительная оценка факторов риска при дорожно-транспортных происшествиях / А.А. Сашко, А.М. Воробьев, А.К. Чернышев, Л.А. Ситко // Медицина в Кузбассе. - 2011. - № 2, T. 10. - с.22 - 25.

13. Донченко, Д. С. Обзор подходов к применению алгоритмов искусственного интеллекта для выявления факторов, влияющих на риск возникновения ДТП / Д. С. Донченко, Н. П. Садовникова, Д. С. Парыгин // Вестник Воронежского ин-та высоких технологий. -2018. - № 4 (27). - С. 54-57.

14. Войтенков, Е.А. Актуальные проблемы в сфере безопасности дорожного движения и возможные организационно-правовые пути их решения / Е.А. Войтенко // Юридический мир - 2010. - №8. - с. 48 - 52.

15. Безруков, Д.А. Основные социально-психологические черты конфликтов в дорожном движении и их особенности / Д.А. Безруков, Е.А. Войтенков // Юридическая психология. -2011. - № 1.

16. Николаева, Р.В. Влияние человеческого фактора на безопасность дорожного движения / Р.В Николаева // Вестник НЦ БЖД - 2016. - № 1 (27). - с.56 - 62.

17. Касимов, Р.Ф. Факторы, влияющие на возникновение дорожно-транспортных происшествий / Р.Ф. Касимов, Н.К. Чепурных // Актуальные вопросы транспортной безопасности: сб. материалов Всероссийской научно-практической конференции - 2017г.

18. Фаттахов, Т. Дорожно-транспортный травматизм в России и факторы его возникновения / Фаттахов Т. // Электронный научный журнал «Социальные аспекты здоровья населения»: ISSN 2071-5021 Эл№ФС77-28654, http://vestnik.mednet.ru

19. Кузьмин, А.В. Расчёт рисков совершения дорожно-транспортного происшествия по условному среднему показателю вероятности / А.В. Кузьмин // Качество и жизнь - 2016. -№3 (11).

20. Павлова, В.А. Субъективные и объективные факторы обеспечения безопасности дорожного движения / В.А. Павлова // Традиции и инновации в строительстве и архитектуре. Строительство - 2017. - с.111 - 115.

21. Христофоров, Е.Н. Методы расчёта вероятностных показателей безопасности дорожного движения / Е.Н. Христофоров, Е.Н. Сакович, В.В. Никуллин, А.М. Никитин // Мир транспорта и технологических машин - 2014. - № 4 (47). - с. 115-124.

22. Марусин А.В. Методика оценки эффективности функционирования систем автоматической фиксации нарушений правил дорожного движения: дис. канд. техн. наук. СПб.,

2017. 160 с.

23. Дубовский, В.А. Алгоритм предупреждения кризисных дорожно-транспортных ситуаций / В.А. Дубовский, В.В. Савченко, А.Д. Крупок // Перспективы развития транспортного комплекса: материалы IV Международной заочной научно-практической конференции. -

2018. - с. 84 - 90.

24. Колесников, А.А. Синергетическая теория управления: концепции, методы, тенденции развития / А.А. Колесников // Известия ТРТУ. - 2001. -№ 5 (23). - С.7-27.

25. Haken, H. How to modify psychopathological states? Hypotheses based on complex systems theory / H. Haken, W. Tschacher // Nonlinear Dynamics, Psychology, and Life Sciences. - 2017. - Vol. 21, No. 1. - P. 19 - 34.

26. Yannis, G., Dragomanovits, A., Laiou, A., La Torre, F., Domenichini, L., Richter, T. and et al., "Road traffic accident prediction modelling: a literature review," Proc. of the Inst. of Civ. Eng. - Trans, vol. 170, iss. 5, pp. 245-254, 2017.

27. Nambuusi, B.B., Brijs, T. and Hermans, E. "A review of accident prediction models for road intersections," Policy Res Cent Traf Saf, Publication RA-M0W-2008-004, 72 p., 2008.

28. Zou, X., Yue, W. L. and. Vu, H.L. "Visualization and analysis of mapping knowledge domain of road safety studies," Accid Anal Prev, vol.118, pp. 131-145, 2018.

29. Matuszak, Z., Nowak, A., Zabinska, I., Osés, F. "Road safety on the example of the city of Bytom," The Arch of Auto Eng, vol. 83(1), pp. 43-57, 2019, DOI: https://doi.org/10.14669/AM.V0L83.ART3.

30. Михеева, Т.И. Интеллектуальная геоинформационная платформа исследования транспортных процессов / Т.И. Михеева, О.К. Головнин, А.А. Федосеев // Информационные технологии и нанотехнологии. Сборник трудов III международной конференции и молодежной школы. Самарский национальный исследовательский университет им. ак. С.П. Королева, 2017, стр. 753-761.

31. Новиков И.А. Методология прогнозирования и предупреждения дорожно-транспортных происшествий: дис. докт. тех. наук, ОГТУ, 2019, 305 стр.

32. Das, S., Dutta, A., Avelar, R., Dixon, K., Sun, X., 2019. Supervised association rules mining on pedestrian crashes in urban areas: identifying patterns for appropriate countermeasures. In International Jornal of Urban Sciences, vol.23, pp. 30-48, 2019.

33. Dong, C., Shao, C., Clarke, D.B., Nambisan, S.S. "An innovative approach for traffic crash estimation and prediction on accommodating unobserved heterogeneities," Transportation Research Part B: Methodological Volume 118, Dec.2018, pp. 407-428.

34. A. Ditcharoen, B. Chhour, T. Traikunwaranon, N. Aphivongpanya, K. Maneerat and V. Ammarapala, "Road traffic accidents severity factors: A review paper," 2018 5th International Conference on Business and Industrial Research (ICBIR), Bangkok, 2018, pp. 339-343, doi: 10.1109/ICBIR.2018.8391218.

35. Y. Qian and Q. Zeng, "Synthetic Evaluation Model of Traffic Safety Based on Reliability Theory," 2008 International Conference on Risk Management & Engineering Management, Beijing, 2008, pp. 65-69, doi: 10.1109/ICRMEM.2008.25.

36. C. Shi and Y. Deng, "Analysis of factors influencing severity of urban expressway accidents in Guangdong province," 2019 5th International Conference on Transportation Information and Safety (ICTIS), Liverpool, United Kingdom, 2019, pp. 243-246, doi: 10.1109/ICTIS.2019.8883842.

37. Alibaba's map product allows riders to hail RoboTaxis. https://www.zdnet.com/article/alibabas-map-product-allows-riders-to-hail-robotaxis/. April 27, 2020

38. F. Wang, J. Tian and Z. Lin, "Identification and Assessment of Factors Contributing to Traffic Accidents of Taxis in Beijing," 2018 Annual Reliability and Maintainability Symposium (RAMS), Reno, NV, 2018, pp. 1-5, doi: 10.1109/RAM.2018.8463024.

39. H. El Alaoui El Abdallaoui, A. El Fazziki, F. Z. Ennaji and M. Sadgal, "Decision Support System for the Analysis of Traffic Accident Big Data," 2018 14th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS), Las Palmas de Gran Canaria, Spain, 2018, pp. 514-521, doi: 10.1109/SITIS.2018.00084

40. F. Wang, J. Tian and Z. Lin, "Identification and Assessment of Factors Contributing to Traffic Accidents of Taxis in Beijing," 2018 Annual Reliability and Maintainability Symposium (RAMS), Reno, NV, 2018, pp. 1-5, doi: 10.1109/RAM.2018.8463024.

41. M. Divyaprabha, M. Thangavel and P. Varalakshmi, "A Comparative Study on Road Safety Problems," 2018 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), Madurai, India, 2018, pp. 1-7, doi: 10.1109/ICCIC.2018.8782353.

42. Q. Zhang, Y. Wang, C. Wu and H. Zhang, "Research on Maximum Driving Time Based on Driving Fatigue Model from Field Experiment," 2019 5th International Conference on Transportation Information and Safety (ICTIS), Liverpool, United Kingdom, 2019, pp. 1068-1073, doi: 10.1109/ICTIS.2019.8883733.

43. Гатиятуллин, М.Х. Интеллектуальная транспортная система для крупных городов / М.Х. Гатиятуллин, Р.Р. Загидуллин // Вестник НЦ БЖД. - 2010. - № 5. - С.76 - 82.

44. S. Srivastava, A. Bagga and R. Singh Shekhawat, "Review of the Machine Learning Techniques in Road Crashes," 2020 International Conference on Computation, Automation and Knowledge Management (ICCAKM), Dubai, United Arab Emirates, 2020, pp. 373-376, doi: 10.1109/ICCAKM46823.2020.9051506.

45. M. F. Labib, A. S. Rifat, M. M. Hossain, A. K. Das and F. Nawrine, "Road Accident Analysis and Prediction of Accident Severity by Using Machine Learning in Bangladesh," 2019 7th

International Conference on Smart Computing & Communications (ICSCC), Sarawak, Malaysia, 2019, pp. 1-5, doi: 10.1109/ICSCC.2019.8843640.

46. A. Jain, G. Ahuja, Anuranjana and D. Mehrotra, "Data mining approach to analyses the road accidents in India," 2016 5th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO), Noida, 2016, pp. 175-179, doi: 10.1109/ICRIT0.2016.7784948.

47. Lau, M., May, A. and Smith, R. "Application of Accident Prediction Models," Trans Res Rec, vol. 1238, pp. 20-30, 1989.

48. Moral-García, S., Castellano, J.G., Mantas, C. J., Montella, A. and Abellán, J. "Decision Tree Ensemble Method for Analyzing Traffic Accidents of Novice Drivers in Urban Areas," Entropy, vol. 21(4), pp.360, 2019.

49. Zheng, M., Li, T., Zhu, R., Chen, J., Ma, Z., Tang, M. and et al., "Traffic accident's severity prediction: a deep learning approach based CNN network," IEEE Access PP (99), vol.; 7, pp. 39897-39910, 2019.

50. Chen, C., Zhang, G., Qian, Z., Tarefder, R.A. and Tian, Z. "Investigating driver injury severity patterns in rollover crashes using support vector machine models," Accid Anal Prev, vol.90, pp. 128-139, 2016.

51. C. Chen, G. Zhang, J. Yang, J.C. Milton, and A.D. Alcántara, "An explanatory analysis of driver injury severity in rear-end crashes using a decision table/Naïve Bayes (DTNB) hybrid classifier," Accid Anal Prev, vol. 90, pp. 95-107, 2016.

52. S. Srivastava, A. Bagga and R. Singh Shekhawat, "Review of the Machine Learning Techniques in Road Crashes," 2020 International Conference on Computation, Automation and Knowledge Management (ICCAKM), Dubai, United Arab Emirates, 2020, pp. 373-376, doi: 10.1109/ICCAKM46823.2020.9051506

53. Machin, M.A. and Sankey, K.S. "Relationships between young drivers' personality characteristics, risk perceptions, and driving behavior," Accid Anal Prev, vol. 40 (2), pp. 541-547, 2008.

54. Young, R.K. and Liesman, J. "Estimating the relationship between measured wind speed and overturning truck crashes using a binary logit model," Accid Anal Prev, vol. 39 (3), pp. 574-580, 2007.

55. Zhai, X., Huang, H., Sze, N.N., Song, Z. and Hon, K.K. "Diagnostic analysis of the effects of weather condition on pedestrian crash severity," Accid Anal Prev, vol. 122, pp. 318-324, 2019.

56. Salon, D. and McIntyre, A. "Determinants of pedestrian and bicyclist crash severity by party at fault in San Francisco, CA," Accid Anal Prev, vol. 110, pp. 149-160, 2018.

57. M. Jalayer, R. Shabanpour, M. Pour-Rouholamin, N. Golshani, H. Zhou, "Wrong-way driving crashes: A random-parameters ordered probit analysis of injury severity," Accid Anal Prev, vol.117, pp. 128-135, 2018.

58. M. Rezapour, M. Moomen, and K. Ksaibati, "Ordered logistic models of influencing factors on crash injury severity of single and multiple-vehicle downgrade crashes: A case study in Wyoming," Jour Saf Res, vol. 68, pp. 107-118, 2019.

59. M.M. Ahmed, R. Franke, K. Ksaibati, and D.S. Shinstine, "Effects of truck traffic on crash injury severity on rural highways in Wyoming using Bayesian binary logit models," Accid Anal Prev, vol.117, pp. 106-113, 2018

60. E.F. Sam, S. Daniels, K. Brijs, T. Brijs, and G. Wets, "Modelling public bus/minibus transport accident severity in Ghana," Accid Anal Prev, vol. 119, pp. 114-121, 2018.

61. M.M. Ahmed, R. Franke, K. Ksaibati, and D.S. Shinstine, "Effects of truck traffic on crash injury severity on rural highways in Wyoming using Bayesian binary logit models," Accid Anal Prev, vol.117, pp. 106-113, 2018

62. Penmetsa, P., Pulugurtha, S.S. "Modeling crash injury severity by road feature to improve safety," Traf Inj Prev, vol. 19, iss. 1, pp. 102-109, 2018.

63. Wu, P., Meng, X., Song, L., Zuo, W. "Crash Risk Evaluation and Crash Severity Pattern Analysis for Different Types of Urban Junctions: Fault Tree Analysis and Association Rules Approaches," Trans Res Rec, vol. 2673, iss. 1, pp. 403-416, 2019.

64. C. Shi and Y. Deng, "Analysis of factors influencing severity of urban expressway accidents in Guangdong province," 2019 5th International Conference on Transportation Information and Safety (ICTIS), Liverpool, United Kingdom, 2019, pp. 243-246, doi: 10.1109/ICTIS.2019.8883842.

65. Newnam, S., Blower, D., Molnar, L., Eby, D. and Koppel, S. "Exploring crash characteristics and injury outcomes among older truck drivers: An analysis of truck-involved crash data in the United States," Saf Sc, vol. 106, pp. 140-145, 2018.

66. Wu, P., Meng, X., Song, L., Zuo, W. Crash Risk Evaluation and Crash Severity Pattern Analysis for Different Types of Urban Junctions: Fault Tree Analysis and Association Rules Approaches. In Trans Res Rec, vol. 2673, iss. 1, pp. 403-416, 2019.

67. Chang, L-Y., Wang, H.-W., 2006. Analysis of traffic injury severity: An application of non-parametric classification tree techniques. Accid. Anal. Prev.3(5), 1019-1027

68. Zhang, J., Li, Z., Pu, Z., and Xu, C., 2018. Comparing Prediction Performance for Crash Injury Severity Among Various Machine Learning and Statistical Methods. IEEE Access PP (99): 1-1.

69. Makarova, I. & Shubenkova, K., Mavrin, V., Buyvol, P. Improving safety on the crosswalks with the use of fuzzy logic. Transport Problems. 2018. Vol. 13. Iss. 1. P. 97-109.

70. A. Ditcharoen, B. Chhour, T. Traikunwaranon, N. Aphivongpanya, K. Maneerat and V. Ammarapala, "Road traffic accidents severity factors: A review paper," 2018 5th International Conference on Business and Industrial Research (ICBIR), Bangkok, 2018, pp. 339-343, doi: 10.1109/ICBIR.2018.8391218

71. Vadeby, A. and Forsman, A. "Traffic safety effects of new speed limits in Sweden," Accid Anal Prev, vol.114, pp. 34-39, 2018.

72. Tarak K. Trivedi, Charles Liu, Anna Liza M. Antonio, "Injuries Associated With Standing Electric Scooter Use", JAMA Newt Open. 2019, 2(1): e187381. Doi: 10.1001.

73. Bland, M.L., Zuby, D.S., Mueller, B.C., Rowson, S. "Differences in the protective capabilities of bicycle helmets in real-world and standard-specified impact scenarios", Traf Inj Prev, vol. 19, pp. 5158-5163, 2018.

74. Montella, A., 2011. Identifying crash contributory factors at urban roundabouts and using association rules to explore their relationships to different crash types. In Accident Analysis & Prevention, vol. 43, iss. 4, pp. 1451-1463.

75. Xu, C., Bao, J., Wang, C., Li, P., 2018. Association rule analysis of factors contributing to extraordinarily severe traffic crashes in China. In Journal of Safety Research, vol. 67, pp. 65-75.

76. Petrov, A. and Petrova, D. "Assessment of Spatial Unevenness of Road Accidents Severity as Instrument of Preventive Protection from Emergency Situations in Road Complex," IOP Conf Ser: Materials Sc Eng, vol. 142, iss. 1, paper № 012116, 2016.

77. Evtukov, S., Golov, E., Sazonova, T. "Prospects of scientific research in the field of active and passive safety of vehicles," MATEC Web of Conferences, vol. 239, paper № 040182018, 2018.

78. Открытые данные и обратная связь о ситуации на дорогах. URL: безопасные доро-ги.рф. Дата обращения: 05.01.2020.

79. Карта ДТП. URL: https://dtp-stat.ru/. Дата обращения: 05.01.2020.

80. Дорнадзор. URL: https://dornadzor-sz.ru/. Дата обращения: 05.01.2020.

81. Какие города отказываются от машин и зачем это нужно. URL: https://vc.ru/future/46544-kakie-goroda-otkazyvayutsya-ot-mashin-i-zachem-eto-nuzhno.

82. Олещенко Е. М. Разработка методики оценки эффективности систем обеспечения безопасности дорожного движения: дис. канд. техн. наук. СПб., 2001. 123 с.

83. Плотников, А.М. Методика оценки безопасности дорожного движения на одноуровневых пересечениях дорог / А.М. Плотников // Вестник гражданских инженеров. - 2018. - № 6 (71). - С.201-207. - DOI: 10.23968/1999-5571-2018-15-6-201-207.

84. Агуреев, И.Е. Моделирование загрузки улично-дорожной сети г. Тулы / И.Е. Агуреев,

B.А. Пышный, В.И. Швецов // Известия ТулГУ. Технические науки. - 2013. - вып. 6, ч. 2. -

C.127-139.

85. Кретов, А. Ю. Комплексная методика оценки состояния транспортных потоков на улично-дорожной сети / А. Ю. Кретов, В. А. Митюгин, В. А. Пышный, Н. А. Фролов // Наука и инновации в технических университетах: материалы Седьмого Всероссийского форума студентов, аспирантов и молодых ученых, Санкт-Петербург: Изд-во Политехнического Университета, 2013. - С. 41-43.

86. Hsien, A.T. Optimal Signal Timing for an Oversaturated Intersection / A.T. Hsien, J.T. Lin // Transportation Research, Part B, 2000. - vol. 34. - P. 471-491.

87. Javed, M. A. Data analytics for Cooperative Intelligent Transport Systems / M. A. Javed, S. Zeadally, E. B. Hamida // Vehicular Communications. - 2019. - vol. 15. - P. 63 - 72.

88. Keshkamat, S.S. The formulation and evaluation of transport route planning alternatives: a spatial decision support system for the Via Baltica project, Poland / S.S. Keshkamat, J.M. Looi-jen, M.H.P. Zuidgeest // Journal of Transport Geography. - 2009. - vol.17. - P. 54 - 64.

89. Lebdeh, A. Genetic Algorithmfor Traffic Signal Controland Queue Management of Oversaturated Two- Way Arterials / A. Lebdeh, G.Rahim, F. Benekohal // In Transportation Research Record: Journal of the Transportation Research Board No. 1727, TRB, National Research Council, Washington, DC, 2000. - P. 61-67.

90. Rychlewski, J. Street network design for a sustainable mobility system / Rychlewski, J. // Transportation Research Procedia. - 2016. - vol. 14. - P. 528 - 537.

91. Makarova, I. Improving safety on the crosswalks with the use of fuzzy logic / I. Makarova, K. Shubenkova, V. Mavrin, P. Buyvol // Transport Problems. - 2018. - vol. 13, iss. 1. - P. 97109.

92. Баранов, Ю.Н. Основы обеспечения безопасности в системе «человек - машина - среда» / Ю.Н Баранов, А.А. Катунин, Р.В. Шкрабак, Ю.Н. Брагинец // Вестник НЦ БЖД. -2014. - №1 (19). - С.73-76.

93. Новиков, А.Н. Совершенствование дорожной сети для повышения их пропускной способности с использованием средств транспортной телематики / А.Н. Новиков, В.А. Голен-ков, Ю.Н. Баранов, А.А. Катунин, А.С. Бодров // Известия ТулГУ. Технические науки. -2014. - вып. 6. ч. 2. - С.128-139.

94. Gorodokin,V. Procedure for calculating on-time duration of the main cycle of a set of coordinated traffic lights / V. Gorodokin, Z. Almetova, V. Shepelev // Transportation Research Procedia. - 2017. - № 20. - P. 231-235.

95. Климович, А.Н. Алгоритм управления перекрестком на основе V21 взаимодействия / А.Н. Климович, Шуть В.Н. // Системный анализ и прикладная информатика. - 2018. - №4.

- С.21 -27.

96. Viti, F. Models and Technologies for Intelligent Transportation Systems: New Challenges and Metaheuristic Solutions for Large-Scale Network Applications / F. Viti, C. Tampere // Journal of Intelligent Transportation Systems: Technology, Planning, and Operations. - 2014. - № 18.

- P. 1-4.

97. Park, P.Y., Sahaji, R., 2013. Safety network screening for municipalities with incomplete traffic volume data. Accid. Anal. Prev. (50), 1062-1072.

98. Serhiyenko, V., John, N., Ravishanker, N., Islam, M. S., 2014. Dynamic compotional modeling of pedestrian crash counts on urban roads in Connecticut. Accid. Anal. Prev. (64), Pp. 7885.

99. Stipancic, J., Miranda-Moreno, L., Labbe, A., Saunier, N., 2019. Measuring and visualizing space-time congestion patterns in an urban road network using large-scale smartphone-collected GPS data. The International Journal of Transportation Research, Vol. 170, Issue 7, Pp. 391-401.

100. Yannis, G., Dragomanovits, A., Laiou, A., La Torre, F., Domenichini, L., Richter, T., Ruhl, S., Graham, D., Karathodorou, N., 2017. Road traffic accident prediction modelling: a literature review. Proceedings of the Institution of Civil Engineers - Transport, Vol. 170, Issue 5, 245254.

101. Huang, H., Chin, H.C., Haque, M., 2009. Empirical evaluation of alternative approaches in identifying crash hot spots: naive ranking, empirical Bayes, and full Bayes methods. Transp. Res. Rec. (2103), 32-41.

102. Jiang, X., Abdel-Aty, M., Alamili, S., 2014. Application of Poisson random effect models for highway network screening. Accid. Anal. Prev. (63), 74-82.

103. Serhiyenko, V., Mamun, S.A., Ivan, J.N., Ravishanker, N., 2016. Fast Bayesian inference for modelling multivariate crash counts. Anal. Methods Accid. Res. 9, 44-53.

104. Cheng, W., Gill, G. S., Dasu, R., Xie, M., Jia, X., Zhou, J., 2017. Comparison of Multi-variate Poisson lognormal spatial and temporal crash models to identify hot spots of intersections based on crash types. Accident Analysis & Prevention. Vol. 99, Part A, Pp. 330-341.

105. Road safety strategy in the Russian Federation for 2018 - 2024. Order of the Government of the Russian Federation of January 8, 2018 N 1-r Moscow.

106. https://ritm3.ru/

107. Shepelev, V., Aliukov, S., Nikolskaya, K., Shabiev, S. The capacity of the road network: Data collection and statistical analysis of traffic characteristics. Energies. Volume 13, Issue 7, April 2020, Номер статьи 1765

108. Khazukov, K., Shepelev, V., Karpeta, T., Shabiev, S., Slobodin, I., Charbadze, I., Alferova, I. Real-time monitoring of traffic parameters. Journal of Big Data, Volume 7, Issue 1, 1 December 2020, Номер статьи 84

109. Makarova, I., Khabibullin, R., Belyaev, E., Mavrin, V. "Increase of city transport system management efficiency with application of modeling methods and data intellectual analysis". Studies in Systems, Decision and Control Volume 32, 2016, Pages 37-80.

110. Shepelev, V., Aliukov, S., Glushkov, A., Shabiev, S., Identification of distinguishing characteristics of intersections based on statistical analysis and data from video cameras. Journal of Big Data, Volume 7, Issue 1, 1 December 2020, Номер статьи 46

111. Новиков, А.Н. Применение интеллектуальных транспортных систем (ИТС) для повышения эффективности функционирования городского общественного транспорта / А.Н. Новиков, А.Л. Севостьянов, А.А. Катунин, А.В. Кулев // Мир транспорта и технологических машин № 1(40) 2013, стр. 85-90.

112. European Initiative on Smart Cities, 2010-2020, http://setis.ec.europa.eu/set-plan imple-mentation/technologyroadmaps/european-initiative-smart-cities.

113. Djahel, S., Doolan, R., Muntean, G.-M., Murph, J., 2015. A Communications-oriented Perspective on Traffic Management Systems for Smart Cities: Challenges and Innovative Approaches. In IEEE Communications Surveys & Tutorials, vol. 17, iss. 1, pp.125-151.

114. Lom, M., Pribyl, O., Svitek, M.: Industry 4.0 as a Part of Smart Cities Smart Cities Symposium Prague. In: 2016 Smart Cities Symposium Prague (SCSP), pp. 1-6. Prague. (2016).

115. IEEE Smart Cities, http://smartcities.ieee.org/about.html, last accessed 2020/06/20.

116. Kazhaev, A., Almetova, Z., Shepelev, V., & Shubenkova, K. (2018). Modelling urban route transport network parameters with traffic, demand and infrastructural limitations being considered. Paper presented at the IOP Conference Series: Earth and Environmental Science, 177(1) doi: 10.1088/1755-1315/177/1/012018

117. Makarova, I., Shubenkova, K., Mavrin, V., Buyvol, P.: Improving safety on the crosswalks with the use of fuzzy logic. Transport Problems, 13 (1), 97-109 (2018).

118. Y. Zhao, H. Yao and D. Long, "Evaluation of Highway traffic safety based on velocity dispersion," Proceedings 2011 International Conference on Transportation, Mechanical, and Electrical Engineering (TMEE), Changchun, 2011, pp. 141-145, doi: 10.1109/TMEE.2011.6199166.

119. M. Divyaprabha, M. Thangavel and P. Varalakshmi, "A Comparative Study on Road Safety Problems," 2018 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), Madurai, India, 2018, pp. 1-7, doi: 10.1109/ICCIC.2018.8782353.

120. Beying Deng and Xufeng Zhang, "Car networking application in vehicle safety," 2014 IEEE Workshop on Advanced Research and Technology in Industry Applications (WARTIA), Ottawa, ON, 2014, pp. 834-837, doi: 10.1109/WARTIA.2014.6976402.

121. Z. Peng, S. Gao, Z. Li, B. Xiao and Y. Qian, "Vehicle Safety Improvement through Deep Learning and Mobile Sensing," in IEEE Network, vol. 32, no. 4, pp. 28-33, July/August 2018, doi: 10.1109/MNET.2018.1700389.

122. Saha, S. Automated Traffic Law Enforcement System: A Feasibility Study for the Congested Cities of Developing Countries. In International Journal of Innovative Technology and Interdisciplinary Sciences, vol. 3, iss. 1, pp. 346-363, 2020. DOI: 10.15157/IJITIS.2020.3.1.346-363.

123. Agrahari, A., Singh, D. Smart City Transportation Technologies: Automatic No-Helmet Penalizing System. In: Singh D., Rajput N. (eds) Blockchain Technology for Smart Cities. Block-chain Technologies. Springer, Singapore, 2020. DOI: 10.1007/978-981-15-2205-5_6.

124. Shepelev, V., Aliukov, S., Nikolskaya, K., Das, A. and Slobodin, I. The Use of MultiSensor Video Surveillance System to Assess the Capacity of the Road Network. In Transport and Telecommunication, vol. 21 (1), pp. 15-31, 2020.

125. Shepelev, V., Glushkov, A., Almetova, Z. and Mavrin, V. A Study of the Travel Time of Intersections by Vehicles using Computer Vision. In Proceedings of the 6th International Conference on Vehicle Technology and Intelligent Transport Systems, pp. 653-658, 2020. DOI: 10.5220/0009806206530658.

126. Tiwari, G. Progress in pedestrian safety research. International Journal of Injury Control and Safety Promotion, vol. 27, iss. 1, pp. 35-43, 2020, DOI: 10.1080/17457300.2020.1720255.

127. K. Hosford, M.-S. Cloutier, M. Winters. Observational Study of Pedestrian and Cyclist Interactions at Intersections in Vancouver, BC and Montréal, QC. In Transportation Research Record, vol. 2674, iss. 6, pp. 410-419, DOI: 10.1177/0361198120919407

128 . J. Wang, J. Wu and Y. Li, "The Driving Safety Field Based on Driver-Vehicle-Road Interactions," in IEEE Transactions on Intelligent Transportation Systems, vol. 16, no. 4, pp. 22032214, Aug. 2015, doi: 10.1109/TITS.2015.2401837.

129. Zhihao Zhang, Wenzhong Yang and Silamu Wushour Traffic Accident Prediction Based on LSTM-GBRT Model Research Article | Open Access Volume 2020 | Article ID 4206919 / 10 pages | https://doi.org/10.1155/2020/4206919

130. Введение в математическое моделирование транспортных потоков: учеб. пособие / Гасников А.В., Кленов С.Л., Нурминский Е.А., Холодов Я.А., Шамрай Н.Б.; Приложения: Бланк М.Л., Гасникова Е.В., Замятин А.А. и Малышев В.А., Колесников А.В., Райгород-ский А.М; Под ред. А.В. Гасникова. — М.: МФТИ, 2010. — 362 с.

131. Лозе Д. Моделирование транспортного предложения и спроса на транспорт для пассажирского и служебного транспорта - Обзор теории моделирования. // Система управления деятельностью в области обеспечения безопасности дорожного движения на федеральном уровне, на уровне субъектов РФ, на уровне местного самоуправления. 2007. с. 154-179.

132. Лившиц В.В. Математическая модель случайно-детерминированного выбора и ее применение для расчета трудовых корреспонденций // Автоматизация процессов градостроительного проектирования, 1973. с. 39-57.

133. Новиков, А. Н. Модернизация улично-дорожной сети города Орла (на примере Наугорского шоссе) / А. Н. Новиков, Ю. Н. Баранов, А. А. Катунин, Д. Д. Матназаров // Мир транспорта и технологических машин № 2(45). - 2014. - стр.86-96.

134. Новиков, А.Н. Совершенствование дорожной сети для повышения их пропускной способности с использованием средств транспортной телематики / А.Н. Новиков, В.А. Го-ленков, Ю.Н. Баранов, А.А. Катунин, А.С. Бодров // Известия Тульского государственного университета. Технические науки, №6. - 2014. - стр. 128-139.

135. Hoogendoorn S.P., Bovy P.H. State-of-the-art of vehicular traffic flow modeling // Proceedings of the Institution of Mechanical Engineers. Part I: Journal of Systems and Control Engineering, Vol. 215, No. 4, 2001. pp. 283-303.

136. Todosiev E.P., Barbosa L.C. A Proposed Model for the Driver-Vehicle System // Traffic Engineering, Vol. 34, 1964. pp. 17-20.

137. Сильянов В.В., Ерёмин В.М., Муравьёва Д.И. Имитационное моделирование транспортных потоков в проектировании дорог. М.: МАДИ, 1961- 119 с.

138. Абрамова, Л.С. Моделирование заторных ситуаций по улично-дорожной сети [Электронный ресурс] / Л.С. Абрамова, Ширин В.В. // Автомобильный транспорт. - 2009. -№25. - Режим доступа: http://cyberleninka.ru/article/n/modelirovanie-zatorovyh-situatsiy-po-ulichno-dorozhnoy-seti.

139. Абрамова, Л.С. Имитационная модель управления транспортными потоками [Электронный ресурс] / Л.С. Абрамова, Н.С. Чернобаев // Вестник ХНАДУ. - 2009. - № 47. -Режим доступа: http://cyberleninka.ru/article/n/imitatsionnaya-model-upravleniya-transportnymi-potokami.

140. Батищев, И. Н. Применение программных средств имитационного моделирования при управлении транспортными потоками / И. Н. Батищев, А. С. Бодров, Д. О. Ломакин, А. В. // Воронежский научно-технический вестник. - 2016 г. - № 3(17) - стр. 20-26.

141 . Воронин, В.Е. Оптимизация управления транспортными системами с использованием имитационного моделирования [Электронный ресурс] / В.Е. Воронин, В.С. Куранцева // ИММ0Д-2007. - Режим доступа: http://www.gpss.ru/immod07/doklad/65.html.

142. Черненко, В.Е. Низкоуровневое имитационное моделирование транспортных систем: автореф. дис. ... канд. техн. наук: 05.13.18 / Виталий Евгеньевич Черненко. - Ульяновск: УлГУ, 2010. - 23 с.

143. Сергеева, К.Ф. Анализ и оптимизация транспортных потоков с помощью моделирования [Электронный ресурс]. - Режим доступа: http://masters.donntu.org/2005/kita/shapovalova/library/sergeeva.pdf.

144. Могорас, А.А. Управление транспортными потоками мегаполиса на основе прогнозирования и поведения интеллектуальных агентов: дис. канд. техн. наук: 05.13.01 / Андрей Александрович Могорас. - Москва, 2011. - 195 с.

145. Ломакин Д.О. Мезоскопические модели транспортных потоков / Д.О. Ломакин // Материалы 2-ая Международная научно-практическая конференция «Информационные технологии и инновации на транспорте» - 2016г. - стр. 53 - 59.

146. Кураксин А.А. Совершенствование методов оценки эффективности организации дорожного движения на основе применения технологий мезоскопического моделирования транспортных потоков: дис. канд. техн. наук: 05.22.10 / Антон Александрович Кураксин. -Рязань, 2020. - 192 стр.

147. Постановление Правительства РФ от 19 сентября 2020 г. № 1502 "Об утверждении Правил учета дорожно-транспортных происшествий, об изменении и признании утратившими силу некоторых актов Правительства Российской Федерации"

148. Приказ МВД РФ от 8 июня 1999 г. № 410 «О совершенствовании нормативно-правового регулирования деятельности службы дорожной инспекции и организации движения Государственной инспекции безопасности дорожного движения Министерства внутренних дел Российской Федерации» (с изменениями от 7 июля 2003 г.)

149. Пучков, Н.П. Математическая статистика. Применение в профессиональной деятельности: учебное пособие / Н.П. Пучков. - Тамбов: Изд-во ФГБОУ ВПО «ТГТУ», 2013. - 80 с.

150. Brett Lantz. Machine Learning with R. Packt Publishing, Birmingham - Mumbai, 2013.

151. Барсегян, А.А., Куприянов, М.С., Степаненко, В.В., Холод, И.И. Методы и модели анализа данных: OLAP и Data Mining. - СПб.: БХВ-Петербург, 2004. - 336 с.

152 Q. Cai, "Cause Analysis of Traffic Accidents on Urban Roads Based on an Improved Association Rule Mining Algorithm," in IEEE Access, vol. 8, pp. 75607-75615, 2020, doi: 10.1109/ACCESS.2020.2988288.

153. M. Gimignani, M. Paparo, D. Rossi and S. Scaccianoce, "RF design and technology supporting Active Safety in automotive applications," 2013 IEEE 10th International Conference on ASIC, Shenzhen, China, 2013, pp. 1-4, doi: 10.1109/ASICON.2013.6811875.

154. J. Trager, L. Kalova, R. Pagany, W. Dorner (2021) Warning Apps for Road Safety: A Technological and Economical Perspective for Autonomous Driving - The Warning Task in the Transition from Human Driver to Automated Driving, International Journal of HumanComputer Interaction, 37:4, 363-377, DOI: 10.1080/10447318.2020.1860545

155. Makarova, I., Pashkevich, A., Mukhametdinov, E., Mavrin, V. "Application of the situational management methods to ensure safety in intelligent transport systems". VEHITS 2017 -Proceedings of the 3rd International Conference on Vehicle Technology and Intelligent Transport Systems 2017, Pages 339-345

156. Makarova, I., Shubenkova, K., Mavrin, V., Buyvol, P. "Improving safety on the crosswalks with the use of fuzzy logic". Transport Problems, Volume 13, Issue 1, 2018, Pages 97-109.

157. Николаева Р.В. Влияние человеческого фактора на безопасность дорожного движения / Р.В Николаева // Вестник НЦ БЖД - 2016. - № 1 (27). - с.56 - 62.

158. S. De Nadai, M. Benza, M. D'Inca, F. Parodi and R. Sacile, "A system of systems approach to evaluate at-risk human behaviour in the transport by road," 2015 IEEE International Symposium on Systems Engineering (ISSE), Rome, 2015, pp. 212-215, doi: 10.1109/SysEng.2015.7302759

159. Martinussen, L.M. How indicative is a self-reported driving behaviour profile of police registered traffic law offences? / L.M. Martinussen, M. M0ller et al. // Accident Analysis and Prevention. - 2017. - Vol. 99. - P. 1-5.

160. C. C. Hsu, Y. L. Chen, W. C. Chou, S. H. Huang and K. K. Chang, "Motorcycle Riding Safety Education with Virtual Reality," 2018 IEEE International Conference on Artificial Intelligence and Virtual Reality (AIVR), Taichung, Taiwan, 2018, pp. 216-218, doi: 10.1109/AIVR.2018.00050.

161. S. Jin, J. A. Alagbe and D. Ma, "Drivers' Phone Use Behavior at Red Traffic Signals," in IEEE Intelligent Transportation Systems Magazine, vol. 13, no. 1, pp. 169-180, Spring 2021, doi: 10.1109/MITS.2018.2889726.

162. Gorodokin, V., Almetova, Z., Shepelev, V., 2017. Procedure for Calculating On-Time Duration of the Main Cycle of a Set of Coordinated Traffic Lights. Transportation Research Procedia, vol. 20, 2017, pp. 231-235.

163. Crowley, F., Daly, H., Doran, J., Ryan, G., 2020. COVID-19, social distancing, remote work and transport choice. http://hdl.handle.net/10419/221739

164. Sergey V. Shaytura, Alina M. Minitaeva, Konstantin V. Ordov, Slaveyko G. Gospodinov, Vitaliy O. ChulkovReview of Distance Learning Solutions Used during the COVID-19 Crisis. Proceedings of the 2020 6th International Conference on Social Science and Higher Education (ICSSHE 2020), Advances in Social Science, Education and Humanities Research, volume 505. doi:10.2991/assehr.k.201214.001.

165. Gonzalo De La Torre, PaulRad, Kim-Kwang RaymondChoo, 2020. Driverless vehicle security: Challenges and future research opportunities. Future Generation Computer Systems. Volume 108, July 2020, Pages 1092-1111

166. P. Posuniak, M. Jaskiewicz, K. Kowalski and F. D^browski, "Child restraint systems: Problems related to the safety of children transported in booster seats (without integral safety belts)," 2018 XI International Science-Technical Conference Automotive Safety, Casta, 2018, pp. 1-7, doi: 10.1109/AUTOSAFE.2018.8373352

167. World Health Organization. GLOBAL STATUS REPORT ON ROAD SAFETY 2018, URL: https://nonews.co/wp-content/uploads/2019/02/GSRRS2018.pdf

168. K. Goniewicz, • M. Goniewicz, • W. Pawlowski, • P. Fiedor. Road accident rates: strategies and programmes for improving road traffic safety. Eur J Trauma Emerg Surg (2016) 42:433438. DOI 10.1007/s00068-015-0544-6

169. S. Lyapin, Y. Rizaeva, D. Kadasev and I. Kadaseva, "Models for Ensuring the Minimum Arrival Time of Accident Response Services in Intelligent Transportation and Logistics System," 2020 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), Lipetsk, Russia, 2020, pp. 766-771, doi: 10.1109/SUMMA50634.2020.9280810.

170. A. Abrisqueta, C. A. Bishop, S. P. Perryman, L. M. Shoebotham, J. Wang and M. Porter, "Evaluation of VDOT's Safety Service Patrols to Improve Response to Incidents," 2019 Systems and Information Engineering Design Symposium (SIEDS), Charlottesville, VA, USA, 2019, pp. 1-5, doi: 10.1109/SIEDS.2019.8735648.

171. Indicators of road safety. Official website of the traffic police, URL: http://stat.gibdd.ru.

172. Якупова Г.А. Анализ последствий дорожно-транспортных происшествий с использованием статистических методов / Макарова И.В., Буйвол П.А., Якупова Г.А., Мухаметди-нов Э.З. // Сборник: информационные технологии и инновации на транспорте. Материалы 5-ой Международной научно-практической конференции. Издательство: орловский государственный университет имени И.С. Тургенева (Орел) под общей редакцией А.Н. Новикова. 2020. С. 171-179.

173. Юдин, Ю.В., Майсурадзе, М.В., Водолазский, Ф.В. Организация и математическое планирование эксперимента: учебное пособие / Ю.В. Юдин, М.В. Майсурадзе, Ф.В. Водолазский. Екатеринбург: Издательство Уральского университета, 2018, 125 стр.

174. Haddon Jr., W. Options for the prevention of motor vehicle crash injury. Israel Journal of Medical Sciences, Volume 16, Issue 1, 1980, Pages 45-65

175. Fedorov, A., Nikolskaia, K., Ivanov, S., Shepelev, V., Minbaleev, A.: Traffic flow estimation with data from a video surveillance camera. Journal of Big Data, 6(1), doi:10.1186/s40537-019-0234-z (2019)

176. Shepelev, V., Aliukov, S., Nikolskaya, K., Das, A., Slobodin, I. The Use of Multi-Sensor Video Surveillance System to Assess the Capacity of the Road Network (2020) Transport and Telecommunication, 21 (1), pp. 15-31.

177. Makarova, I., Buyvol, P., Magdin, K., Pashkevich, A., Boyko, A., Shubenkova, K.: Usage of microscopic simulation to estimate the environmental impact of road transport. Transportation Research Procedia, 44, 86-93 (2020).

178. Makarova I., Yakupova G., Shubenkova K., Abeshev K., Drakaki M.: Improving road safety by affecting negative factors. VEHITS 2019 - Proceedings of the 5th International Conference on Vehicle Technology and Intelligent Transport Systems, 2019. - Pages 629-637.

179. Yakupova G., Buyvol P., Mukhametdinov E., Boyko A.: Road safety analysis from a viewpoint of influencing factors. In: Proceedings - International Conference on Developments in eSystems Engineering, pp. 806-811. DeSE, Kazan. (2019).

180. Makarova, I., Yakupova, G., Buyvol, P., Mukhametdinov, E., Pashkevich, A. Association Rules to Identify Factors Affecting Risk and Severity of Road Accidents. In Proceedings of the 6th International Conference on Vehicle Technology and Intelligent Transport Systems (VEHITS 2020), pp. 614-621. DOI: 10.5220/0009836506140621

181. Яндекс. Народная карта. URL: https://n.maps.yandex.ru/#!/?z=19&ll=52.357277%2C55.718685&l=nk%23sat.

182. Якупова Г.А. Совершенствование транспортной системы города с использованием имитационного моделирования ее отдельных сегментов / Макарова И.В., Буйвол П.А., Якупова Г.А. // АВТОГАЗОЗАПРАВОЧНЫЙ КОМПЛЕКС + АЛЬТЕРНАТИВНОЕ ТОПЛИВО, 2020. № 19 (1). - С. 29-33.

183. ГОСТ Р 52289-2019 Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств. Применяется с 01.04.2020 взамен ГОСТР 52289-2004

184. Ким П.А. Повышение безопасности пешеходов на нерегулируемых пешеходных переходах / диссертация на соискание ученой степени кандидата технических наук, Иркутск, 2014 стр. 149.

185. Пеньшин Н.В., Пудовкин В.В., Колдашев А.Н., Ященко А.В. Организация и безопасность движения: Учебное пособие / Тамбов. - Издательство ТГТУ; 2006.

186. Васильев, А.П., Яковлев, Ю.М., Коганзон, М.С., и др. Реконструкция автомобильных дорог. Технология и организация работ: Учебное пособие / МАДИ. - М.; 1998. URL: http://www.gosthelp.ru/text/PosobieRekonstrukciyaavto.html

187. Определение экономической эффективности мероприятий по организации дорожного движения: Методические указания к практическим занятиям по дисциплине «Экономика отрасли». URL: http://vunivere.ru/work34600/page6

188. Гост. стандарт ГОСТ Р 56162 - 2014 Выбросы загрязняющих веществ в атмосферу. Метод расчета выбросов от автотранспорта при проведении сводных расчетов для городских населенных пунктов. Москва, Стандартинформ 2014

189. Постановление Правительства РФ от 3 октября 2013 г. N 864 "О федеральной целевой программе "Повышение безопасности дорожного движения в 2013 - 2020 годах" http://www.fcp-pbdd.ru/ (дата обращения 20.06.2021г.)

190. Майоров В.И. Риски в управлении обеспечением безопасности дорожного движения // Вестник Челябинского государственного университета. Серия: Право. 2018. Т. 3. № 1. С. 47 - 50.

191. Майоров В.И. Управление рисками в сфере дорожного движения // Управление социально-экономическими системами: теория, методология, практика: Монография / Под общ. ред. Г.Ю. Гуляева. Пенза, 2017. С. 118 - 127.

192. Майоров В.И. Социальное управление системой обеспечения безопасности в дорожном движении // Вестник Уральского института экономики, управления и права. 2015. № 1(30).

193. Горовенко С.С. Вопросы совершенствования организации системы управления рисками в сфере обеспечения безопасности дорожного движения // Вестник Уральского института экономики, управления и права. 2018. № 1(30).

194. Майоров, В. И. Стратегия безопасности дорожного движения в Российской Федерации на 2018-2024 годы: основные риски / В. И. Майоров, С. И. Иванова // Административное право и процесс. — 2018. — № 11. — С. 9-14.

195. Абдульзянов А.Р. Виды рисков в системе дорожно-транспортной безопасности // Известия высших учебных заведений. Поволжский регион. 2018. N 2 (46). С. 123-134.

196. Жахина Д.А. Классификация рисков в сфере безопасности дорожного движения // Юридическая наука и правоохранительная практика. 2020. N 4 (54). С. 82-88.

ПРИЛОЖЕНИЕ А. Акты внедрения

МВД России

МИНИСТЕРСТВО ВНУТРЕННИХ ДЕЛ ПО РЕСПУБЛИКЕ ТАТАРСТАН (МВД по Республике Татарстан)

ОТДЕЛ МИНИСТЕРСТВА ВНУТРЕННИХ ДЕЛ РОССИИ ПО ЕЛАБУЖСКОМУ РАЙОНУ

Директору высшей инженерной школы Д.Л.Панкратову

пр.Сююмбике I Оа, г. Набережные Челны 423812

ул Максам» I nfi.Koro.9J. г.Е.шб>'га. 425600 1ГЛ.И5557 7-*4-|4.ф<иа::?-*4-00.7-84-и

на * иХГ7-11Л6__от II» 06 2021_

АКТ

о внедрении результатов диссертационного исследования Якуповой Гульнары Анваровны

на тему: «ПОВЫШЕНИЕ БЕЗОПАСНОСТИ ДОРОЖНОГО ДВИЖЕНИЯ НА ОСНОВЕ СИСТЕМНОГО ПОДХОДА С ПРИМЕНЕНИЕМ СОВРЕМЕННЫХ МЕТОДОВ И МОДЕЛЕЙ»

Отделение ГИБДД отдела МВД России по Ьлабужскому району настоящим удостоверяет, что результаты диссертационного исследования Якуповой Гульнары Анваровны используются в качестве мероприятий по снижению количества и степени тяжести последствий ДТП, в том числе для снижения транспортной нагрузки на улично-дорожную сеть и предотвращения заторов.

В целом, разработки и рекомендации, представленные в диссертационной работе, имеют практическую ценность и могут быть применены для повышения безопасности дорожного движения в г. Елабуга.

Начальник 01ИБД Д огдела МВД России по Елабужскому рано капитан полиции

Р.М.Харисов

Рисунок А.1 - Акт о внедрении результатов диссертации ОГИБДД отдела

МВД России по Елабужскому району

Министерство науки и высиего образования Российской Федерации Федеральное государственное автономное образовательное учреждение высшего образования «КАЗАНСКИЙ (ПРИВОЛЖСКИЙ) ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ»

ОГРН 1021802841391 НАБЕРЕЖНОЧЕЛМИНСКИЙ ИНСТИТУТ (ФИЛИАЛ)

пр Сююмбике 10А, г Набережные Челны. 423812 телефон/факс ($552) 39-59-72 email: [e-mail]

Q В. Q 6. Z021 гчн ¿4'¿'У '6С На Ns_от_

Г л

УТВЕРЖДАЮ:

Директор Набережночелнинского института (фцпй/^а) ФГЧОУ ВО КФУ.

«и

7Шм1

МЛ1. Ганиев

2021¡Г

Справка

о внедрении результатов диссертационного исследования Якуповой Г.А. «Повышение безопасности дорожного движения на основе системного подхода с применением современных методов и моделей»

Результаты диссергационнопо исследования Якуповой Гульнары Анваровны «Повышение безопасности дорожного движения на основе системного подхода с применением современных методов и миделей» внедрены в учебный процесс Иабережночслнинского института (филиала) федерального государственного автономного образовательного учреждения высшего образования «Казанский (Приволжский) федеральный университет».

В частности, материалы диссертационной работы используются при подготовке студентов по направлениям подготовки «Эксплуатация транспортао-технологичсских машин н комплексов»« «Информационные системы и технологии». «Наземные транспортно-технологмчеекне комплексы» в ряде дисциплин, связанных с организацией безопасности дорожного движения, моделированием и интеллектуализацией процессов в транспортных системах.

/1

Заместитель директора по образовательной деятельности, к.т.н., доцент

Заведующий кафедрой «Сервис транспортных систем» д.т.н., профессор

Заведующий кафедрой

«Эксплуатация автомобильного транспорта»

д.т.н., профессор

/

Н.Д. Ахмегов

А. Г. Кулаков

017027

Рисунок А.2 - Справка о внедрении результатов диссертации в учебном процессе НЧИ (филиала) ФГАОУ ВО «К(П)ФУ»

ПРИЛОЖЕНИЕ Б. Свидетельство о регистрации программы для ЭВМ

Рисунок Б.1 - Свидетельство о регистрации программы для ЭВМ

Рисунок Б.2 - Свидетельство о регистрации программы для ЭВМ