Разработка нейросетевых методов распознавания образов в задаче управления транспортными потоками тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Мосева Марина Сергеевна

• Мосева Марина Сергеевна
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Мосева Марина Сергеевна

Введение

Глава 1. Анализ современных подходов к мониторингу транспортных потоков

1.1 Анализ предметной области мониторинга транспортных потоков

1.2 Методы и средства активного мониторинга транспортных потоков

1.2.1 Анализ существующих систем мониторинга поведения водителя

1.2.2 Анализ существующих методов определения поведения водителя

1.3 Методы и средства пассивного мониторинга транспортных потоков

1.4 Выводы

Глава 2. Исследование и разработка адаптивного метода сбора и распознавания паттернов движения участников дорожного движения

2.1 Разработка метода накопления данных об участнике дорожного движения

2.1.1 Описание исходных данных

2.1.2 Коррекция данных, получаемых с датчиков акселерометра и гироскопа

2.1.3 Коррекция данных, получаемых от датчика GPS

2.1.4 Разработка клиент-серверной системы накопления и отображения данных

2.2 Исследование и разработка нейросетевого алгоритма распознавания паттернов

2.2.1 Описание исходного набора данных

2.2.2 Постановка задачи и оценка качества метода распознавания паттернов

2.2.3 Исследование алгоритмов распознавания паттернов

2.2.4 Исследование нейросетевых алгоритмов

2.2.5 Исследование алгоритма AlexNet

Реализация архитектуры сети

2.2.6 Исследование алгоритма ResNet

2.2.7 Исследование алгоритма ResNeXt

2.2.8 Исследование адаптированного алгоритма ResNeXt

2.2.9 Оценка разработанного алгоритма распознавания паттернов

2.3 Разработка метода управления движением транспортного средства

2.4 Выводы

Глава 3. Исследование и разработка нейросетевого алгоритма извлечения данных об основных характеристиках транспортного потока

3.1 Исследование и разработка нейросетевого алгоритма классификации

3.1.1 Описание исходного набора данных

3.1.2 Исследование алгоритма Mask R-CNN

3.1.3 Разработка нейросетевого алгоритма классификации участников дорожного движения

3.2 Исследование и разработка алгоритма получения данных об основных характеристиках транспортного потока

3.2.1 Модель трекинга движущихся объектов

3.2.2 Методика расчета основных характеристик транспортного потока

3.3 Использование разработанного метода для расчета пропускной способности УДС

3.4 Выводы

Заключение

Список использованной литературы

ПРИЛОЖЕНИЕ А. ЛИСТИНГИ ФРАГМЕНТОВ ПРОГРАММ

ПРИЛОЖЕНИЕ Б. АКТЫ ВНЕДРЕНИЯ

ПРИЛОЖЕНИЕ В. СВИДЕТЕЛЬСТВА ОБ ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

Введение диссертации (часть автореферата) на тему «Разработка нейросетевых методов распознавания образов в задаче управления транспортными потоками»

Введение

Актуальность исследования. Интенсивное развитие автомобильного транспорта и дорожной инфраструктуры привели к увеличению количества происшествий и значительным задержкам в движении транспортных средств. Для достижения должного уровня безопасности дорожного движения и оптимизации движения транспортных средств проводятся исследования в области управления дорожным движением как в Российской Федерации, так и за ее пределами.

Согласно статистике Росстата, количество частных легковых автомобилей по субъектам Российской Федерации (на 1000 человек населения) ежегодно увеличивается. Диаграмма прироста по федеральным округам представлена на рисунке 1 [1].

Рост количества легковых автомобилей на 1000 человек

400,0 367,3

0,0

0 0 о гм 0 3 0 4 0 1Л 0 6 0 7 0 00 0 О! 0 0 гм 3 4 1Л 6 7 00 О! 0

0 о 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 о 00 0

гм гм гм гм гм гм гм гм гм гм гм гм гм гм гм гм гм

ЦФО СЗФО ЮФО СКФО ПФО УФО СФО ДФО

Рисунок 1 -Рост количества легковых автомобилей в Российской Федерации На приведенной выше диаграмме видно, что за последние 20 лет количество участников дорожного движения увеличилось примерно в 4 раза.

На рисунке 2 приведено количество участников дорожного движения, таких как легковые автомобили, грузовые автомобилей и автобусы общего пользования [2].

Количество транспортных средств

60000 -6 564 7000

0 0

ооооооооооооооооооооо гмгмгмгмгмгмгмгмгмгмгмгмгмгмгмгмгмгмгмгмгм

Год

^^»Количество легковых автомобилей ^^»Количество грузовых автомобилей

Количество автобусов общего пользования

Рисунок 2 -Количество транспортных средств Увеличение количества транспортных средств в городах приводит к увеличению протяженности и количества улично-дорожных сетей, появляются сложные развязки, увеличивается их пропускная способность.

Для принятия решения о построении улично-дорожных сетей и их характеристиках (пропускная способность, протяженность и т.п.) используются различные подходы к моделированию транспортных потоков.

Анализ современного уровня управления транспортными потоками, позволил выделить следующий ряд проблем:

Проблема 1. Постоянное повышение уровня автомобилизации городов, которое ведет к образованию транспортных заторов. Одним из подходов к решению данной проблемы является реализация новых транспортных развязок и модернизация старых дорог. Однако, строительство и модернизация дорог является дорогостоящим решением, которое не всегда приводит к ожидаемому результату. Например, увеличение пропускной способности одного транспортного участка может привести к появлению «узкого места» на других участках.

Проблема 2. Возрастание значимости обеспечения безопасности движения транспортных средств и их взаимодействия с участниками дорожного движения [3, 4].

Проблема 3. Серьезное ухудшение экологической ситуации и расширение области загрязнения окружающей среды из-за большого количества вредных выбросов, возникающих в дорожных заторах.

Моделирование транспортных потоков позволяет выявить «узкие места» существующей улично-дорожной сети. В большинстве ситуаций наилучшим решением вышеуказанных проблем является совершенствование существующей транспортной системы. Данный подход является достаточно дорогостоящим. В связи с этим исследования в области разработки и применения современных и перспективных технологий при создании интеллектуальных транспортных систем различного уровня и для различных целей актуальны как в настоящее время, так и в обозримом будущем.

Данная диссертационная работа нацелена на решение вышеперечисленных проблем путем разработки новых методов сбора и обработки данных о транспортных потоках.

Большое количество исследований и публикаций по данной тематике свидетельствует об актуальности диссертационного исследования. Разработкой программных методов, предназначенных для обработки данных с оконечных устройств занимаются многие российские (А.Г. Таташев, Б.Н. Четверушкин, Н.Г. Чурбанова, М.В. Яшина, И. И. Мельников, К. А. Демиденков, И. А. Евсеенко, А.В. Гасников) и зарубежные (Dong-Yuan Ge, Xi-Fan Yao, Wen-Jiang Xiang, En-Chen Liu, Zhi-Bin Xu, Muhammad Asif Manzoor, Yasser Morgan and Abdul Bais) исследователи.

В настоящее время для сбора и дальнейшего анализа данных о поведении участника дорожного движения используются системы, включающие в себя различные датчики, такие как CAN-шина, OBS, датчики смартфона. Большое количество исследований посвящено обработке данных, полученных с датчиков смартфона, так как такой способ сбора данных

является простым в реализации и предоставляет необходимый и достаточный набор данных для анализа поведения участника дорожного движения.

Наиболее используемыми методами для анализа данных, получаемых с датчиков смартфона об участнике дорожного движения, являются методы машинного обучения. В современных исследованиях оценка результатов разработанных алгоритмов не проводилась с использованием данных с видеокамеры смартфона.

Системы сбора данных о транспортном потоке можно разделить на два класса: системы пассивного мониторинга и системы активного мониторинга. Системы пассивного мониторинга делятся на системы, расположенные сбоку от проезжей части, расположенные над проезжей частью и расположенные над проезжей частью. Наиболее простыми в реализации являются системы, состоящие из видеокамер и центрального сервера обработки данных.

Наименее затратным и наиболее простым в реализации способом пассивного мониторинга является анализ данных о транспортных потоках с помощью видеокамер. Обзор исследований по данной теме показывает, что все разработанные системы классифицируют транспортные средства на некоторое небольшое количество классов (максимальное количество - 11 классов).

Анализ результатов проводимых исследований показал, что до сих пор остаются актуальными задачи анализа данных о транспортных потоках посредством видеоаналитики и данных с оконечных устройств, а также задачи принятия решения в режиме квазиреального времени для повышения уровня безопасности, снижения негативного воздействия на окружающую среду и установления оптимального режима передвижения транспортных средств. Данная работа нацелена на решение задачи повышения пропускной способности участка улично-дорожной сети.

Объектом исследования являются системы сбора и обработки данных о состоянии участников транспортного потока и транспортных потоках в целом.

Предметом исследования являются методы и алгоритмы анализа, обработки информации для управления и повышения безопасности движения транспортных потоков.

Цель диссертационной работы заключается в повышении пропускной способности на участках улично-дорожной сети за счет применения подсистем активного и пассивного мониторинга транспортных потоков для обеспечения оптимальности передвижения посредством современных информационных технологий и алгоритмов машинного обучения.

Для достижения поставленной цели в работе решены следующие задачи:

1) анализ современных алгоритмов и их программной реализации в области сбора и обработки данных о транспортных потоках, а также недостатков существующих алгоритмов и их программных реализаций;

2) разработка метода сбора, передачи скорректированных данных с оконечного устройства, установленного на борту участника дорожного движения, и выявления в них паттернов движения посредством методов машинного обучения;

4) разработка методов определения основных характеристик транспортного потока посредством детектирования и распознавания объектов на видеопотоке на основе алгоритмов машинного обучения;

5) экспериментальное исследование точности и применимости разработанных методов для верификации существующих математических моделей организации дорожного движения.

Методы исследования

При анализе существующих методов решения задачи повышения пропускной способности транспортных потоков использовались методы системного подхода и системного анализа. Для оценки математических моделей, используемых для разработки алгоритмов в соответствии с перечнем задач использовались экспериментально-аналитический и

экспериментальный методы исследования. Для реализации алгоритмов,

лежащих в основе разработанного программного обеспечения, использовались методы машинного обучения и интеллектуального анализа данных.

Научная новизна работы заключается в разработке совокупности научно обоснованных технических решений, направленных на повышение пропускной способности участка улично-дорожной сети.

В процессе выполнения диссертационной работы получены следующие научные результаты:

1. Предложен адаптивный метод сбора данных с борта транспортного средства, который включает в себя коррекцию данных акселерометра и гироскопа.

2. Предложен метод уточнения геопозиции транспортного средства с использованием видеопоследовательности, позволяющий получить месторасположение участника дорожного движения с использованием базы данных статических объектов.

3. Предложен метод распознавания паттернов поведения участников дорожного движения, отличающийся от существующих количеством классов и точностью, позволяющий повысить пропускную способность и безопасность дорожного движения.

4. Предложен нейросетевой метод обработки изображений для извлечения данных об основных характеристиках транспортного потока, отличающийся количеством классов транспортных средств, временем и точностью распознавания не менее 91%, позволяющий верифицировать параметры математической модели управления и планирования передвижения транспортных средств.

Достоверность результатов диссертации основана на их согласованности с известными данными, представленными в отечественных и зарубежных публикациях, применении апробированных методов анализа, а также данными о практическом применении, а также исследованиями

адекватности предложенных методов и алгоритмов на реальных данных, в том числе в режиме реального времени.

Практическая ценность работы заключается в том, что основные положения, выводы и рекомендации диссертации ориентированы на применение в области управления транспортными потоками с целью повышения пропускной способности улично-дорожной сети и повышения безопасности передвижения.

Результаты работы могут быть использованы при создании автоматизированной системы управления транспортными потоками с обратной связью, позволяя за счет разработанных методов осуществлять воздействие на участников дорожного движения.

Внедрение результатов диссертации.

Результаты диссертационной работы были использованы при выполнении научных исследований по темам:

РФФИ 17-29-03419 Алгоритмы и технология on-line распознавания на мобильных устройствах движущихся объектов и характеристик потоков;

РФФИ 17-07-01358 Исследование качественных свойств потоков информации на линейно-кольцевых сетях;

РФФИ 19-29-06036 Разработка распределенной системы мониторинга, управления и прогнозирования движения беспилотных транспортных средств.

Разработанные методы использованы в учебном процессе в МТУСИ, МАДИ, внедрены в ООО «СпецДорСтрой», ООО «Саянские магистрали».

Положения, выносимые на защиту

1. Адаптивный метод накопления данных об участнике дорожного движения, осуществляющий коррекцию числовых значений, получаемых с акселерометра, гироскопа и GPS-датчика для уменьшения погрешности с учетом расположения оконечного устройства.

2. Предложенный метод распознавания паттернов поведения участников дорожного движения, обладающий точностью не менее 98%, позволяющий выявить 11 классов поведенческих маневров участника

дорожного движения, контролировать ситуации нарушения участником дорожного движения оптимального передвижения, повысить эффективность транспортного потока не менее чем на 18%.

3. Разработанный нейросетевой метод обработки изображений для извлечения данных об основных характеристиках транспортного потока, позволяющий распознавать класс движущегося объекта с точностью не менее 91%, определять с погрешностью 5% скорость движущегося объекта, плотность и интенсивность потока движущихся объектов, а также повысить эффективность оценки пропускной способности на участке улично-дорожной сети не менее чем на 13%.

Апробация исследования. Основные результаты работы докладывались на всероссийских и международных научно-технических конференциях: Технологии информационного общества (2018); International Conference ''Quality Management, Transport and Information Security, Information Technologies (2018, 2019), International Conference on Computational & Mathematical Methods in Science & Engineering (2019), Wave Electronics and its Application in Information and Telecommunication Systems (2019, 2020), Systems of Signals Generating and Processing in the Field of on Board Communications (2020), International Conference on Engineering Management of Communication and Technology (2020), Systems of Signal Synchronization, Generating and Processing in Telecommunications (2020, 2021), Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED) (2021).

Публикации. В результате подготовки диссертационной работы были опубликованы 23 работы, из них: 3 в изданиях, включенных в перечень рецензируемых журналов, рекомендованных ВАК; 18 - в изданиях, индексируемых в международных наукометрических базах данных Web of Science и Scopus, 2 - в изданиях, индексируемых в РИНЦ. Получено 8 свидетельств о регистрации программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, 3 глав, списки использованной литературы и приложения. Объем

работы составляет 172 страницы, в работе присутствует 62 рисунка, 10 таблиц, библиографический список из 117 наименований и приложения на 29 страницах.

Глава 1. Анализ современных подходов к мониторингу транспортных

потоков

1.1 Анализ предметной области мониторинга транспортных потоков

Уровень автомобилизации мегаполисов возрастает с каждым годом. Для эффективного планирования и управления транспортными потоками на сегодняшний день применяются различные технологии, позволяющие собирать и обрабатывать поступающие данных, а также принимать решения на их основе.

Системы мониторинга транспортных потоков являются неотъемлемым компонентом интеллектуальных транспортных систем и используются для сбора данных о дорожном движении, таких как количество транспортных средств, тип транспортных средств, скорость движения и т.д.. Согласно ГОСТ Р 56829-2015 [5] интеллектуальная транспортная система (ИТС) - система управления, интегрирующая современные информационные и телематические технологии и предназначенная для автоматизированного поиска и принятия к реализации наиболее эффективных сценариев управления транспортно-дорожным комплексом региона, конкретным транспортным средством или группой транспортных средств с целью обеспечения заданной мобильности населения, максимизации показателей использования дорожной сети, повышения безопасности и эффективности транспортного процесса, комфортности для водителей и пользователей транспорта. Используя собранные данные интеллектуальные системы выполняют анализ трафика с целью эффективного использования дорожных систем, прогнозирования состояния транспортных потоков и повышения безопасности. Транспортные компании во многих странах вкладывают огромные средства в разработку, внедрение и обслуживание систем мониторинга дорожного движения.

При анализе транспортных потоков моделирование необходимо для анализа текущего состояния транспортной системы без потребления большого количества ресурсов. Моделирование транспортных потоков позволяет решить проблемы связанные с непредсказуемостью движения каждого

участника дорожного движения, перепланировкой транспортных перекрестков и развязок, изменением параметров светофорного регулирования, увеличением/уменьшением полос движения и т.п.

Наиболее известной является классификация моделей транспортного потока в зависимости от его уровня детализации. Используя такую классификацию все модели транспортных потоков можно разделить на три класса [6]: макроскопические, мезоскопические и микроскопические модели. Рассмотрим каждый из классов подробнее.

Современные концепции, лежащие в основе макромоделирования транспортного потока, начали формироваться в 1980-х годах. Первоначально считалось, что ансамбли машин на автомагистралях обладают воспроизводимыми характеристиками, которые не зависят от особенностей отдельных водителей, а только от технических характеристик транспортного средства, расстояния между автомобилями и реакции водителя. Когда расстояние между автомобилями становится ниже критического значения, движение становится неустойчивым, возникает задержка реакции водителей, что приводит к «старт-стоп волнам».

Метод моделирования транспортного потока на макроскопическом уровне был основан на предположении, что потоки трафика в целом сопоставимы с каким-либо физическим потоком (жидкости или газа). Среди гидродинамических моделей различают модели с учетом и без учета эффекта инерции. Модели, не учитывающие инерцию, могут быть получены из уравнения неразрывности путем рассмотрения скорости как функции плотности. Модели, учитывающие инерцию, представляются уравнениями Навье-Стокса со специфическим членом, который описывает стремление водителя ехать с комфортной скоростью.

Линейная зависимость является наиболее распространенной макроскопической моделью. Линейная зависимость между плотностью потока и его скоростью впервые была предложена Гриншилдсом и выражается уравнением:

где k - плотность потока, ку - максимальная плотность потока, V -скорость потока, у0 - скорость свободного движения, I - интенсивность движения.

Впоследствии эта модель была доработана Ричардсоном:

^Ю и '^Ю (2)

Если скорость свободного движения имеет высокие значения применение модели Гриншилдса для определения пропускной способности приводит к завышенным результатам. В работе [7] приводятся данные о том, что при максимальной плотности транспортного потока к] = 140 — 160 авт/км и скорости при уровне пропускной способности V = 45 км/ч для однородного потока легковых автомобилей пропускная способность достигает 1800-2000 авт/час. Для этих условий расчетные значения пропускной способности с использованием модели Гриншилдса составляют 3150-3600 авт/час. Степень соответствия расчетных и экспериментальных данных в модели Ричардса, так же, как и в модели Гриншилдса, повышается при снижении скорости свободного движения.

Макроскопические модели Гринберга и Эл-Хозаини имеют логарифмический тип зависимости. Модель Гринберга задается уравнением:

^кт\ (к]

V

= у01п(£) и 1 = ку01п(£) (3)

В качестве недостатка данной модели приводится тот факт, что при стремящейся к 0 плотности, расчетные значения скорости превышают скорость свободного движения, то есть максимально возможную скорость на участке.

Модель Эл-Хозаини имеет вид:

V = у0

Ч

21п ^ и I = ку0121п ^ (4)

Она дает достоверные результаты при высокой плотности и скорости транспортного потока менее 17 км/час.

В макроскопических моделях, основанных на экспоненциальной зависимости между скоростью и плотностью при высокой плотности движения > 0.75&у) фактические значения интенсивности ниже расчетных:

( Л

I = ку0ехр[——\ — модель Андервуда; (5)

/ = ку0ехр ( —0.5 ( — — \ I — модель Дрейка; (6)

/ = ку0 — ехр ^—_ модель Зярынова. (7)

Степенные модели Пайпса и Д. Дрю позволяют за счет коэффициента пропорциональности п позволяют изменить форму зависимости между плотностью и скоростью, учитывая значения конкретных экспериментальных данных:

п

к ,

/ = ку0 ( 1 — — I — модель Пайпса; (8)

п+1\

I = ку0\1-[^2 I - модель Д.Дрю. (9)

Исследованиями в области макроспопического моделирования занимались такие ученые, как А. В. Гасников, И. И. Морозов, Б.С. Кернер, Четвертушкин Б.Н., Трапезникова М.Н., Чурбанова Н.Г. и др. Гиперболическая система уравнений, описывающая автомобильное движение, представляет собой дифференциальные законы сохранения (изменения) «массы» и «импульса» на автодорогах (по аналогии с гидродинамикой), записанные в дивергентной форме:

17

др | д(ру) _

дг дх ~ Г10.

д(ру) д(ру2+Р(р))^ У ;

at дх Гг'

Здесь Р = Р(р) есть замыкающее систему уравнение состояния (зависимость давления от плотности), ^ - возможные источники или стоки «массы» (въезжающие на примыкающую дорогу или съезжающие с неё автомобили, останавливающиеся или начинающие движение автомобили и т. п.), ^ - учитывает импульс сил, действующих на систему.

В моделях следования за лидером очень важным является предположение о наличии связи между движением ведомого и головного автомобиля. По мере развития теории в моделях этой группы учитывалось время реакции водителя, проводилось исследование движения на многополосных дорогах, изучалась устойчивость движения. Этот класс моделей называется микроскопическими моделями.

В этих моделях описывается движение каждого автомобиля в отдельности, взаимодействие автомобилей друг с другом и дорожной инфраструктурой. Микроскопические м одели стали популярными после появления мощных вычислительных компьютеров, потому что требовали большого объема различных расчетов. В случае микроскопической модели динамика каждого автомобиля описывается с использованием пары дифференциальных уравнений относительно его скор ости и координат. Этот подход основан на желании водителя соблюдать при движении безопасную дистанцию, которая зависит от теку щей скорости транспортного средства, и поддерживать скорость, равную средней скорости потока. Такие модели подразумевают моделирование однополосного потока, но учитывая модель перестроения становится возможным пере ход к моделированию многополосного движения. Микроскопические мод ели активно используются в симуляторах транспортных потоков, компьютерных игр ах и тренажерах для обучения вождению. Исследованиями в области микроскопического моделирования занимались такие ученые как А.П. Буслаев, А.Г. Таташев, М.В.

Яшина и др. При данном подходе постановку задачи можно сформулировать следующим образом. Имеется цепочка частиц х± ,...,xN+1 .V п = 0,..., N справедливо

(О- 0 ~ лп (О + (t),

• 0 <xn(t)<Mlt п= 0,...,N,Vt>0, (11)

, |xn(t)| <М2, п= 0,...,N,Vt>0.

Начальные условия хх(0) = х1,.,хп(0) = xN.

Граничное условие для модели «Следование за лидером»

xN+i = fit), (12)

где задается функция f(t) движения xN+1 частицы (лидера). Необходимо восстановить функцию движения последующих частиц.

Мезоскопические модели используют средний уровень детализации. Данные модели описывают каждый автомобиль на высоком уровне детализации (как в микроскопическом моделировании), а их поведение и взаимодействие - на низком уровне (как в макроскопическом моделировании). Мезоскопическое моделирование позволяет моделировать дорожную сеть и движение автомобилей практически с таким же уровнем детализации, как и микроскопическое моделирование. Применение мезоскопического моделирования возможно в тех случаях, когда применение микроскопических моделей желательно, но невозможно из-за большого размера транспортной сети или ограниченности ресурсов, которые требуются на расчеты и анализ результатов.

В данной диссертационной работе исследование, описанное в главе 2 основывается на вышеописанной модели следования за лидером. При помощи разработанного программного обеспечения на основе накопленных данных производится расчет и подстановка параметров, зависящих от поведения конкретного водителя (модель смены полос, нарушение скоростного режима, агрессивность вождения, время реакции и т.д.). Определение характеристик, описывающих поведение конкретного водителя, основывается на выявлении паттернов - последовательности действий, обладающих определенной

закономерностью. Паттерны позволяют проанализировать реакцию и поведение водителя с учетом окружающих его условий транспортной инфраструктуры и провести уточнение значений динамических параметров модели транспортных потоков.

За последние 15 лет резко возрос объем данных для анализа и моделирования, получаемые с различных датчиков (данные видеокамер, GPS-датчики, данные сотовых операторов, данные геоинформационных систем) (рис. 3). Накопление и анализ данных о транспортных потоках позволяют проводить верификацию моделей, а также принимать решения о дальнейшем управлении потоками транспортных средств. С развитием информационных технологий и вычислительной техники совершенствовались методы сбора и обработки данных о состоянии транспортных потоков. На сегодняшний день возможно получать, обрабатывать данные и принимать решения для осуществления управления в режиме реального времени.

Подсистема обработки и представления информации

Подсистема обмена данными с транспортного средства

Датчиковый комплекс Информация о состоянии ТС Информация о передвижении ТС

Подсистема сбора информации

Подсистема передачи данных с внебортовых средств сбора информации

Внебортовые системы сбора информации

Подсистема передачи данных на дорожную инфраструктуру

Управление дорожным движением и информирование пользователей транспортных средств

Рисунок 3 -Концептуальная схема компонентов интеллектуальной

транспортной системы Говоря о способах и типах данных, которые могут быть получены о транспортных потоках можно выделить два подхода: активный и пассивный мониторинг транспортных потоков [8]. Пассивный мониторинг подразумевает, что устройство для сбора и анализа данных о транспортном потоке расположено на проезжей части. Активный мониторинг подразумевает

Список литературы диссертационного исследования кандидат наук Мосева Марина Сергеевна, 2023 год

Список использованной литературы

1.Число собственных легковых автомобилей на 1000 человек населения по субъектам Российской Федерации. [Электронный ресурс]: Федеральная служба государственной статистики. 2021. URL:

https://rosstat.gov.ru/folder/23455 (дата обращения: 03.09.2021).

2.Наличие транспортных средств по Российской Федерации. [Электронный ресурс]: Федеральная служба государственной статистики. 2021. URL: https://rosstat.gov.ru/folder/23455 (дата обращения: 03.09.2021).

3.Распоряжение Правительства РФ от 08.01.2018 N 1-р «Об утверждении Стратегии безопасности дорожного движения в Российской Федерации на 2018 - 2024 годы». [Электронный ресурс]: Консультант Плюс. 2018. URL: http://www.consultant.ru/document/cons doc LAW 288413/df7700fdc6ec2d3793 8dd5435543e61ffea84440/ (дата обращения: 03.09.2021).

4.Московская Е.Д., Звягина О.В., Полянцева К.А., Мосева М.С. Сравнительный анализ и разработка интеллектуальных систем автоматического детектирования дорожно-транспортных происшествий // Телекоммуникации и информационные технологии. 2020. Т. 7. № 2. С. 98-106.

5.ГОСТ Р 56829-2015 Интеллектуальные транспортные системы. Термины и определения. - М. : Стандартинформ, 2018. - 10 с.

6. 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.

7.МИХЕЕВА Т.И., МИХЕЕВ С.В., Богданова И.Г. Модели транспортных потоков в интеллектуальных транспортных системах // Современные проблемы науки и образования. — 2013. — № № 6. — С. 216

8.Городничев М.Г. Информационные и математические аспекты модели следования за лидером : дис. ... канд. техн. наук : 05.13.17 / Городничев Михаил Геннадьевич. - М., 2015. - 120 с.

9.Wei Tu, Zhixiang Fang, and Qingquan Li. Exploring time varying shortest path of urban od pairs based on floating car data. In Proc. of the IEEE International Conference on Geoinformatics (ISyG), 2010

10.Leduc, Guillaume. (2008). Road Traffic Data: Collection Methods and Applications.

11.Craig Smith. 2016. The Car Hacker's Handbook: A Guide for the Penetration Tester (1st. ed.). No Starch Press, USA.

12.MucahitKaraduman and HalukEren(2017). Smart Driving in Smart City, 5th International Congress and Fair on Smart Grid and Cities (ICSG), pp.115-119.Turkey-Istanbul. ]

13.Yi-Shih Chung and Jinn-Tsai Wong. Investigating Driving Styles and Their Connections to Speeding and Accident Experience. Journal of the Eastern Asia Society for Transportation Studies, 8, 2010.

14.Orit Taubman-Ben-Ari, Mario Mikulincer, and Omri Gillath. The multidimensional driving style inventory-scale construct and validation. Accident Analysis & Prevention, 36(3):323 - 332, 2004.

15.T. Bar, D. Nienhuser, R. Kohlhaas, and J.-M. Zollner. Probabilistic driving style determination by means of a situation based analysis of the vehicle data. In 2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC), pages 1698-1703, 2011

16.S. Zorrofi, S. Filizadeh, and P. Zanetel. A simulation study of the impact of driving patterns and driver behavior on fuel economy of hybrid transit buses. In IEEE on Vehicle Power and Propulsion Conference, 2009 VPPC '09, pages 572577, 2009.

17.Y.L. Murphey, R. Milton, and L. Kiliaris. Driver's style classification using jerk analysis. In IEEE Workshop on Computational Intelligence in Vehicles and Vehicular Systems, 2009. CIVVS '09, pages 23-28, 2009.,

18.N. Tricot, D. Sonnerat, and J.-C. Popieul. Driving styles and traffic density diagnosis in simulated driving conditions. In IEEE on Intelligent Vehicle Symposium, 2002, volume 2, pages 298-303, 2002

19.Eva Ericsson. Independent driving pattern factors and their influence on fuel-useand exhaust emission factors. Transportation Research Part D: Transport and Environment, 6(5):325 - 345, 2001,

20.Rui Wang and S.M. Lukic. Review of driving conditions prediction and driving style recognition based control algorithms for hybrid electric vehicles. In IEEE on Vehicle Power and Propulsion Conference (VPPC), 2011, pages 1-7, 2011.

21.A. Aljaafreh, N. Alshabatat, and M.S. Najim Al-Din. Driving style recognition using fuzzy logic. In 2012 IEEE International Conference on Vehicular Electronics and Safety (ICVES), pages 460-463, 2012.

22.Zhiwei Zhu, Qiang Ji, and Peilin Lan. Real Time Non-intrusive Monitoring and Prediction of Driver Fatigue. IEEE Transactions on Vehicular Technology, 53:1052-1068, 2004.

23.Najim Al-Din, Munaf. (2018). Driver Behavior Detection Techniques: A survey. International Journal of Applied Engineering Research. 13.]

24.Intelligent Transportation Systems Report for Mobile 2015

25.Hang-Bong Kang (2013).Various Approaches for Driver and Driving Behavior Monitoring: A Review. Proceedings of IEEE International Conference on Computer Vision Workshops.Sydney, Australia

26.Minglin Wu, Sheng Zhang and Yuhan Dong, "A Novel Model-Based Driving Behavior Recognition System Using Motion Sensors", Sensors, Vol 16, 2016.

27.Luis Miguel Bergasa, Jesus Nuevo, Miguel A Sotelo, Rafael Barea, and Maria Elena Lopez (2006). Real-time system for monitoring driver vigilance. Intelligent Transportation Systems, IEEE Transactions.

28.Radoslav Stoichkov, Android Smartphone Application for Driving Style Recognition. Project Thesis, 2013.

29.Nattakorn Promwongsa1, Pramookh Chaisatsilp1, Automatic Accelerometer Reorientation for Driving Event Detection Using Smartphone, 2National Electronics and Computer Technology Center,Tailand

30.Yantao Li1 ■ Gang Zhou2, Determining driver phone use leveraging smartphone sensors. Multimed Tools Appl DOI 10.1007/s11042-015-2969-7,2015.

31.Adnan K. Shaout and Adam E. Bodenmiller, A Mobile Application for Monitoring Inefficient and Unsafe Driving Behaviour. The Electrical and Computer Engineering Department

32.D. A. Johnson and M. M. Trivedi, "Driving style recognition using a smartphone as a sensor platform," 2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC), Washington, DC, USA, 2011, pp. 1609-1615, doi: 10.1109/ITSC.2011.6083078.

33.Javier E. Meseguer, Carlos T. Calafate, DrivingStyles: a smartphone application to assess driver behavior. 978-1-4799-3755-4/13/$31.00 ©2013 IEEE

34.Zhongyang Chen, Jiadi Yuz. D3: Abnormal Driving Behaviors Detection and Identification Using Smartphone Sensors,2015

35.Vygandas Vaitkus and Paulius Lengvenis. Driving Style Classification using Long-Term Accelerometer Information. ©2014 IEEE

36.Shigeki Tezuka, Hitoshi Soma, and KatsuyaTanifuji (2006).A study of driver behavior inference model at time of lane change using Bayesian networks. In IEEE International Conference on Industrial Technology (ICIT).

37.H.Eren, S.Makinist, Estimating Driving Behavior by a Smartphone*, Intelligent Vehicles Symposium,2012

38.Grivon, D.; Vezzetti, E.; Violante, M.G (2013). Development of an Innovative Low-cost MARG Sensors Alignment and Distortion Compensation Methodology for 3D Scanning Applications. Robot.Auton

39.Christian G. Quintero M., José Oñate López. Driver Behavior Classification Model based on an Intelligent Driving Diagnosis System. 15th International IEEE Conference on Intelligent Transportation Systems Anchorage, Alaska, USA,2012. 40.0luwatobi Olabiyi, Eric Martinson. Driver Action Prediction Using Deep (Bidirectional) Recurrent Neural Network. California, USA.2017 41.Shou-Tao Li, Li-ShuGuo, HuiXu, ChangfuZong and Rui-Kang Shi (2009).Drivers' braking intentions identification of EHB system based on fuzzy logic. International Conference on Machine Learning and Cybernetics

42.Anna Booth. Using Neural Networks to Improve Behavioural Realism in Driving Simulation Scenarios, 2007

43.RahelHadgu (2015).Statistical Analysis of Driver Behaviour and Eco-Driving model based on CAN bus Data. M.Sc. Thesis, Halmstad University

44.Fugiglando, Umberto & Massaro, Emanuele & Santi, Paolo & Milardo, Sebastiano & Abida, Kacem & Stahlmann, Rainer & Netter, Florian & Ratti, Carlo. (2017). Driving Behavior Analysis through CAN Bus Data in an Uncontrolled Environment. IEEE Transactions on Intelligent Transportation Systems. PP. 10.1109/TITS.2018.2836308.

45.Shou-Tao Li, Li-Shu Guo, Hui Xu, Changfu Zong and Rui-Kang Shi, "Drivers' braking intentions identification of EHB system based on fuzzy logic", IEEE 2009 International Conference on Machine Learning and Cybernetics, pages 619-624, 2009.

46.lireza Khodayari, Reza Kazemi, Ali Gha_ari, and Reinhard Braunstingl, "Design of an improved fuzzy logic based model for prediction of car following behavior. In IEEE International Conference on Mechatronics (ICM), pages 200-205, 2011

47.German Castignani and Raphael Frank. Driver Behavior Profiling using Smartphones.In International IEEE Annual Conference on Intelligent Transportation Systems,2013

48.Chen Chen, Xiaohua Zhao. Driver's Eco-Driving Behavior Evaluation Modeling Based on Driving Events. In Journal of Advanced Transportation, 2018

49.Wakita, Toshihiro & Ozawa, Koji & Miyajima, Chiyomi & Igarashi, Kei & Itou, Katunobu & Takeda, Kazuya & Itakura, Fumitada. (2005). Driver identification using driving behavior signals. Ieice Transactions - IEICE. E89D. 396 - 401. 10.1109/ITSC.2005.1520171.

50. S. A. Rajab, A. Mayeli, and H. H. Refai, "Vehicle classification and accurate speed calculation using multi-element piezoelectric sensor," in 2014 IEEE Intelligent Vehicles Symposium Proceedings. IEEE, 2014, pp. 894-899

51.C. Xu, Y. Wang, X. Bao, and F. Li, "Vehicle classification using an imbalanced dataset based on a single magnetic sensor," Sensors, vol. 18, no. 6, p. 1690, 2018

52.M. Stocker, M. Rônkkô, and M. Kolehmainen, "Situational knowledge representation for traffic observed by a pavement vibration sensor network," IEEE Transactions on Intelligent Transportation Systems, vol. 15, no. 4, pp. 1441-1450, 2014

53.S. Meta and M. G. Cinsdikici, "Vehicle-classification algorithm based on component analysis for single-loop inductive detector," IEEE Transactions on Vehicular Technology, vol. 59, no. 6, pp. 2795-2805, 2010

54.B. Yang and Y. Lei, "Vehicle detection and classification for low-speed congested traffic with anisotropic magnetoresistive sensor," IEEE Sen- sors Journal, vol. 15, no. 2, pp. 1132-1138, 2015

55.W. Ma, D. Xing, A. McKee, R. Bajwa, C. Flores, B. Fuller, and P. Varaiya, "A wireless accelerometer-based automatic vehicle classification prototype system," IEEE Transactions on Intelligent Transportation Systems, vol. 15, no. 1, pp. 104111, 2014

56.J. George, L. Mary, and K. Riyas, "Vehicle detection and classification from acoustic signal using ANN and KNN," in Control Communication and Computing (ICCC), 2013 International Conference on. IEEE, 2013, pp. 436-439

57.H. Lee and B. Coifman, "Using LIDAR to validate the performance of vehicle classification stations," Journal of Intelligent Transportation Systems, vol. 19, no. 4, pp. 355-369, 2015

58.E. Odat, J. S. Shamma, and C. Claudel, "Vehicle classification and speed estimation using combined passive infrared/ultrasonic sensors," IEEE Transactions on Intelligent Transportation Systems, 2017

59.M. Won, S. Zhang, and S. H. Son, "WiTraffic: Low-cost and non-intrusive traffic monitoring system using WiFi," in 2017 26th International Con - ference on Computer Communication and Networks (ICCCN). IEEE, 2017, pp. 1-9

60.T. Tang, S. Zhou, Z. Deng, L. Lei, and H. Zou, "Arbitrary-oriented vehicle detection in aerial imagery with single convolutional neural networks," Remote Sensing, vol. 9, no. 11, p. 1170, 2017

61.Z. Chen, T. Ellis, and S. A. Velastin, "Vehicle detection, tracking and classification in urban traffic," in 2012 15th International IEEE Conference on Intelligent Transportation Systems. IEEE, 2012, pp. 951-956.

62.C. M. Bautista, C. A. Dy, M. I. Mañalac, R. A. Orbe, and M. Cordel, "Convolutional neural network for vehicle detection in low resolution traffic videos," in Region 10 Symposium (TENSYMP), 2016 IEEE. IEEE, 2016, pp. 277281

63.Z. Chen, T. Ellis, and S. A. Velastin, "Vehicle detection, tracking and classification in urban traffic," in 2012 15th International IEEE Conference on Intelligent Transportation Systems. IEEE, 2012, pp. 951-956.]

64.Z. Zivkovic and F. Van Der Heijden, "Efficient adaptive density esti- mation per image pixel for the task of background subtraction," Pattern recognition letters, vol. 27, no. 7, pp. 773-780, 2006.]

65.Z.Chen, N.Pears, M.Freeman, and J.Austin, "Background subtraction in video using recursive mixture models, spatio-temporal filtering and shadow removal," in International Symposium on Visual Computing. Springer, 2009, pp. 1141-1150

66.L. Unzueta, M. Nieto, A. Cortés, J. Barandiaran, O. Otaegui, and P. Sánchez, "Adaptive multicue background subtraction for robust vehicle counting and classification," IEEE Transactions on Intelligent Trans- portation Systems, vol. 13, no. 2, pp. 527-540, 2012

67.N.C.Mithun,N.U.Rashid,andS.M.Rahman,"Detection and classification of vehicles from video using multiple time-spatial images," IEEE Transactions on Intelligent Transportation Systems, vol. 13, no. 3, pp. 1215-1225, 2012

68.H. C. Karaimer, I. Cinaroglu, and Y. Bastanlar, "Combining shape-based and gradient-based classifiers for vehicle classification," in 2015 IEEE 18th International Conference on Intelligent Transportation Systems. IEEE, 2015, pp. 800-805

69.H. Huttunen, F. S. Yancheshmeh, and K. Chen, "Car type recognition with deep neural networks," in 2016 IEEE Intelligent Vehicles Sympo- sium (IV). IEEE, 2016, pp. 1115-1120.]

70. J. Bergstra and Y. Bengio, "Random search for hyper-parameter opti- mization," Journal of Machine Learning Research, vol. 13, no. Feb, pp. 281-305, 2012

71. [Z. Dong, Y. Wu, M. Pei, and Y. Jia, "Vehicle type classification using a semisupervised convolutional neural network," IEEE transactions on intelligent transportation systems, vol. 16, no. 4, pp. 2247-2256, 2015

72.A. Kumar and H. Daume III, "Learning task grouping and overlap in multi-task learning," arXiv preprint arXiv: 1206.6417, 2012

73.Y. Peng, J. S. Jin, S. Luo, M. Xu, and Y. Cui, "Vehicle type classification using pca with self-clustering," in 2012 IEEE International Conference on Multimedia and Expo Workshops. IEEE, 2012, pp. 384-389.

74.A. Hasnat, N. Shvai, A. Meicler, P. Maarek, and A. Nakib, "New vehicle classification method based on hybrid classifiers," in 2018 25th IEEE International Conference on Image Processing (ICIP). IEEE, 2018, pp. 3084-3088

75. J. H. Friedman, "Greedy function approximation: a gradient boosting machine," Annals of statistics, pp. 1189-1232, 2001

76.R. Theagarajan, F. Pala, and B. Bhanu, "EDeN: Ensemble of deep networks for vehicle classification," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2017, pp. 33- 40

77.P.-K. Kim and K.-T. Lim, "Vehicle type classification using bagging and convolutional neural network on multi view surveillance image," in Proc. of CVPRW, 2017

78.Lin, M., & Zhao, X. (2019). Application Research of Neural Network in Vehicle Target Recognition and Classification. Paper presented at the 2019 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS)

79.W. Liu, M. Zhang, Z. Luo, and Y. Cai, "An ensemble deep learning method for vehicle type classification on visual traffic surveillance sensors," IEEE Access, vol. 5, pp. 24 417-24 425, 2017

80.Awang, S., Azmi, N. M. A. N., & Rahman, M. A. (2020). Vehicle type classification using an enhanced sparse-filtered convolutional neural network with layer-skipping strategy. IEEE Access, 8, 14265-14277

81.Zhu, Erxi, Xu, Min, & Pi, De Chang (2021). Vehicle Type Recognition Algorithm Based on Improved Network in Network. Complexity.

82.Lin, M., Chen, Q., & Yan, S. (2014). Network In Network. CoRR, abs/1312.4400.

83.Gorodnichev M.G., Nazarova A.N., Moseva M.S. Development of platform for confirming and storing supply data using blockchain technology // Proceedings of the 2019 IEEE International Conference Quality Management, Transport and Information Security, Information Technologies IT and QM and IS 2019. 2019. С. 182-185.

84.Alan Alasdair Basic sensors in iOS. - 1-е изд. - California: O'REILLY, 2011.

85.Матвеев В. В., Распопов В. Я. Основы построения бесплатформенных инерциальных навигационных систем. 2-е изд / Под ред. В. Я. Распопова. — СПб.: ЦНИИ «Электроприбор», 2009.

86.Енохович А. С. Краткий справочник по физике. — М.: «Высшая школа», 1976.

87.Gorodnichev M.G., Polyantseva K.A., Moseva M.S., Yashina M.V. On some methods for correcting accelerometer and gyroscope data using machine learning algorithms // Proceedings of the 2019 IEEE International Conference Quality Management, Transport and Information Security, Information Technologies IT and QM and IS 2019. 2019. С. 186-191.

88.M. V. Yashina and M. S. Moseva, On-Board Video Method for Correction of Geoposition using Reference Points // 2021 Systems of Signal Synchronization, Generating and Processing in Telecommunications SYNCHROINFO 2021, pp. 1-5.

89.Moseva M., Gorodnichev M., Dzhabrailov Kh., Gematudinov R. On the task of recognizing road infrastructure on devices with low computing power // 2020 International Conference on Engineering Management of Communication and Technology, EMCTECH 2020 - Proceedings. 2020. С. 9261559.

90.Gorodnichev M., Moseva M., Dzhabrailov Kh., Yashina M., Gematudinov R. Neural network methods in real-time recognition of road infrastructure objects //

IOP Conference Series: Materials Science and Engineering. 8. Сер. "VIII International Scientific Conference Transport of Siberia 2020" 2020. С. 012077.

91.Мосева М.С., Яшина М.В. Модификация принципов представления цифровой информации в современных вычислительных устройствах // ТЕХНОЛОГИИ ИНФОРМАЦИОННОГО ОБЩЕСТВА. Сборник трудов XII Международной отраслевой научно-технической конференции. 2018. С. 149153.

92.M. G. Gorodnichev, M. S. Moseva and D. R. Belousov, "Architecture Development for a High-Load Vehicle Tracking Application," 2021 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF), 2021, pp. 1-5.

93.The JSON Data Interchange Syntax // ecma International. - 2017. - №2. 94.Sheluhin O.I., Gorodnichev M.G., Moseva M.S., Izotova A.A. Development of a unified control unit for an on-board vehicle system with a module for predicting the failure of individual units by machine learning methods // 2020 Wave Electronics and its Application in Information and Telecommunication Systems, WECONF 2020. 2020. С. 9131438.

95.Buslaev A.P. et al Mathematical Problems of Traffic Flow Theory. Proc. Of the 10th International Conference on Computational and Mathematical Methods in Science and Engineering, CMMSE'10, 2010.

96.МосеваМ.С., Тишкин В.Ф., Яшин В.Б., Яшина М.В. О методах мобильного сбора и анализа сырых данных GPS-трека в задаче характеризации типа вождения // Качество. Инновации. Образование. 2018. № 6 (157). С. 92-99

97.Alexei White. Major JavaScript Engines // JavaScript Programmer's Reference. — Indianapolis, IN 46256: Wiley Publishing, Inc., 2009.

98.Марк Бейтс. CoffeeScript. Второе дыхание JavaScript = Mark Bates. Programming in CoffeeScript. — М.: ДМК, 2012.

99. Официальный сайт amCharts // https://www.amcharts.com (дата обращения: 12.05.2021).

100.Tishkin V.F., Yashina M.V., Moseva M.S., Yashin V.B. Method of the GPS tracking analysis for extraction of geometrical properties // Proceedings of the 2018 International Conference ''Quality Management, Transport and Information Security, Information Technologies'', IT and QM and IS 2018. 2018. C. 266-270.

101.Picard, R. R. and Cook, R. D., Cross-validation of regression models, Journal of the American Statistical Association, 79, 1984. — P. 575-583

102.Refaeilzadeh, P., Tang, L., and Liu, H., Cross-validation, in Encyclopedia of Database Systems, pp. 532-538, Springer US, 2009.

103.Reitermanov, Z. Data splitting. WDS'10 Proceedings of Contributed Papers. 2010. P. 31-36.

104.Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks // Advances in Neural Information Processing Systems 25 / Curran Associates, Inc., 2012. — P. 1097-1105.

105.Deep Residual Learning for Image Recognition / Kaiming He et al. // arXiv, 2015. https://arxiv.org/abs/1512.03385.

106.Going Deeper with Convolutions / C. Szegedy et al. // arXiv, 2014, vol. abs/1409.4842. http://arxiv.org/abs/1409.4842.

107.Polyantseva K.A., Gorodnichev M.G., Moseva M.S., Potapchenko T.D. On the applicability of neural networks in the tasks of detecting dangerous movement // 2019 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF 2019). 2019. C. 8840654.

108.Degtyareva V.V., Gorodnichev M.G., Moseva M.S. Study of machine learning techniques for transport // Lecture Notes in Networks and Systems. 2021. T. 155. C. 1585-1595.

109.Gorodnichev M.G., Moseva M.S., Dzhabrailov K.A., Gematudinov R.A. Development of algorithms for recognition of objects in video in real time // 2020 Systems of Signal Synchronization, Generating and Processing in Telecommunications, SYNCHROINFO 2020. 2020. C. 9166075.

110.K. He, G. Gkioxari, P. Dollár and R. Girshick, "Mask R-CNN," 2017 IEEE International Conference on Computer Vision (ICCV), 2017, pp. 2980-2988, doi: 10.1109/ICCV.2017.322.

111.J. Lin, W. D. Qi, and P. Liu, "Bias-compensation Kalman filter algorithm for AoA-ToA target tracking," Information and Control, vol. 49, no. 6, pp. 657-666, 2020.

112.D. Liu, Y. B. Zhao, Z. Q. Yuan et al., "Target tracking methods based on a signal-to-noise ratio model," Frontiers of Information Technology & Electronic Engineering, vol. 21, no. 12, pp. 1804-1814, 2020.

113.F. L. Chen, Q. H. Ding, and H. B. Luo, "Anti-occlusion real time target tracking algorithm employing spatio-temporal context," Infrared and Laser Engineering, vol. 50, no. 1, Article ID 20200105, pp. 1-11, 2021.

114.Moseva M.S., Yashina M.V., Nosov E.A. Design features of the on-board complex for image recognition tasks in driver assistance systems (DAS) // 2020 Systems of Signals Generating and Processing in the Field of on Board Communications. 2020. С. 9078595.

115.Мосева М.С. О методах сбора и анализа основных характеристик транспортного потока TComm Телекоммуникации и транспорт ТОМ 16. №2, 2022, с. 29-38.

116.M.G. Gorodnichev, S.D. Erokhin, A.V. Sheremetev, R.A. Gematudinov, M.S. Moseva, "Development of software module for recognizing traffic flows through deep learning", Journal of Industrial Integration and Management, doi: 10.1142/S2424862222500178.

117. ОДМ 218.2.020-2012 ОТРАСЛЕВОЙ ДОРОЖНЫЙ МЕТОДИЧЕСКИЙ ДОКУМЕНТ Методические рекомендации по оценке пропускной способности автомобильных дорог

ПРИЛОЖЕНИЕ А. ЛИСТИНГИ ФРАГМЕНТОВ ПРОГРАММ

Программный код формы авторизации

import UIKit import FBSDKLoginKit import Alamofire import SwiftyJSON var USID:String = "" var FBflag:Bool = false var ENTERflag:Bool = false

class EnterViewController: UlViewController, UITextFieldDelegate { static let Ent = EnterViewController() var loginSuccess = false let defaultValues = UserDefaults.standard @IBOutlet weak var FBLogin: UIButton! @IBOutlet weak var textFieldPassword: UITextField! @IBOutlet weak var textFieldName: UITextField! @IBAction func loginButton(_ sender: Any) { let parameters: Parameters=[ "username" :textFieldName.text!, "password":textFieldPassword.text!

]

USID = textFieldName.text!

//making a post request

Alamofire.request(URL_USER_LOGIN, method: .post, parameters: parameters).responseString {

responseString in

//printing response

print(responseString.result.value!)

if (responseString.result.value == "user not found") {

//error message in case of invalid credential

self.DisplayMyAlertMassege(userMassege: "Пользователя с такими данными не существует! Повторите попытку."); } else { ENTERflag = true

self.performSegue(withIdentifier: "GoAfterLoginSegue", sender: self )

}

}

}

override func viewDidLoad() { super.viewDidLoad()

self.navigationController?.navigationBar.backgroundColor = UIColor(red: 0/255, green: 179/255, blue: 159/255, alpha: 1.0)

self.navigationController?.navigationBar.barStyle = UIBarStyle.blackTranslucent self.textFieldPassword.delegate = self self.textFieldName.delegate = self if FBSDKAccessToken.current() != nil { FacebookManager.getUserData(completion: {

self.FBLogin.setTitle("Пpoдoлжить как \(uslogname)", for: .normal)

})

}

}

override func viewDidAppear(_ animated: Bool) { if (FBSDKAccessToken.current() != nil && loginSuccess == true) { performSegue(withIdentifier: "ClientView", sender: self)

}

}

//убрать клавиатуру, когда тапаем вне ее

override func touchesBegan(_ touches: Set<UITouch>, with event: UIEvent?) { self.view.endEditing(true)

}

func textFieldShouldReturn(_ textField: UITextField) -> Bool { textFieldName.resignFirstResponder() textFieldPassword.resignFirstResponder() return (true)

}

@IBAction func facebookLofinButton(_ sender: Any) { if (FBSDKAccessToken.current() != nil) { self.loginSuccess = true self.viewDidAppear(true) FBflag = false } else { FBflag = true

FacebookManager.shared.logIn(withReadPermissions: ["public_profile", "email"], from: self, handler: { (result, error) in

if error == nil { FacebookManager.getUserData(completion: { self.loginSuccess = true self.viewDidAppear(true)

})}})}}

//уведомление об ошибке

func DisplayMyAlertMassege(userMassege: String){

let myAlert = UIAlertController(title: "Внимание!", message: userMassege, preferredStyle: UIAlertControllerStyle.alert);

let okAction = UIAlertAction(title: "Ok", style: UIAlertActionStyle.default, handler: nil);

myAlert.addAction(okAction);

self.present(myAlert, animated:true, completion: nil);

}

}

Программный код формы регистрации

import UIKit import Alamofire import SwiftyJSON var REGflag:Bool = false

class RegistrViewController: UIViewController, UITextFieldDelegate { @IBOutlet weak var datePickerTxt: UITextField! let datePicker = UIDatePicker()

func createDatePicker() {

datePicker.datePickerMode = .date let toolbar = UIToolbar() toolbar. sizeToFit()

let doneButton = UIBarButtonItem(barButtonSystemItem: .done, target: nil, action: #selector(donePressed)) toolbar.setItems([doneButton], animated: false) datePickerTxt.inputAccessoryView = toolbar datePickerTxt.inputView = datePicker

}

var age:Int = 0 @objc func donePressed(){ let dateFormatter = DateFormatter() dateFormatter.dateStyle = .short dateFormatter.timeStyle = .none

datePickerTxt.text = dateFormatter.string(from: datePicker.date)

// вычисление возраста let now = Date()

let birthday: Date = datePicker.date let calendar = Calendar.current

let ageComponents = calendar.dateComponents([.year], from: birthday, to: now)

age = ageComponents.year!

self.view.endEditing(true)

}

var sex: String = ""

@IBAction func femaleButton(_ sender: Any) { sex = "female"

}

@IBAction func maleButton(_ sender: Any) { sex = "male"

}

@IBOutlet weak var textFieldName: UITextField! @IBOutlet weak var textFieldPassword: UITextField! @IBOutlet weak var textFieldYesPassword: UITextField! @IBOutlet weak var textFieldProfession: UITextField! var activTextField : UITextField! override func viewDidLoad() { super.viewDidLoad() createDatePicker()

self.textFieldPassword.delegate = self self.textFieldName.delegate = self self.textFieldYesPassword.delegate = self self.textFieldProfession.delegate = self

}

//убрать клавиатуру, когда тапаем вне клавиатуры override func touchesBegan(_ touches: Set<UITouch>, with event: UIEvent?) { self.view.endEditing(true)

}

func textFieldShouldReturn(_ textField: UITextField) -> Bool { textFieldName.resignFirstResponder() textFieldPassword.resignFirstResponder() textFieldYesPassword.resignFirstResponder() textFieldProfession.resignFirstResponder() return (true)

}

@IBAction func registerButton(_ sender: Any) { let UserName = textFieldName.text; let UserPassword = textFieldPassword.text; let YesPassword = textFieldYesPassword.text; let UserProfession = textFieldProfession.text; // проверка на пустые ячейки

if((UserName?.isEmpty)! || (UserPassword?.isEmpty)! || (UserProfession?.isEmpty)! || (YesPassword?.isEmpty)! || (datePickerTxt.text?.isEmpty)!){

// выводим сообщение

DisplayMyAlertMassege(userMassege: "Не все поля заполнены!", flag: false); return;

}

// если пароли не совпадают if(UserPassword != YesPassword){

// выводим сообщение

DisplayMyAlertMassege(userMassege: "Введенные пароли не совпадают!", flag: false); return;

}

// P A R A M E T E R S let parameters: Parameters=[ "username" :textFieldName.text!, "password":textFieldPassword.text!, "age":String(age), "sex":sex,

"direction_of_work":textFieldProfession.text!,

]

let param: Parameters=[

"username" :textFieldName.text!,

"password":textFieldPassword.text!, ]

Alamofire.request(URL_USER_REGISTER, method: .post, parameters: parameters).responseString

{

responseString in //printing response print(responseString)

if (responseString.result.value == "Такое имя пользователя уже существует!"){

self.DisplayMyAlertMassege(userMassege: "Пользователь с такими данными уже существует! Повторите попытку.", flag: false); } else { REGflag = true

self.DisplayMyAlertMassege(userMassege: "Вы успешно зарегистрированы в системе!", flag: true);

}

Alamofire.request(self.URL_USER_LOGIN, method: .post, parameters: param).responseString {

response in

//printing response print(response)

}

USID = self.textFieldName.text!

}

}

//уведомление об ошибке

func DisplayMyAlertMassege(userMassege: String, flag: Bool){

let myAlert = UIAlertController(title: "Внимание!", message: userMassege, preferredStyle: UIAlertControllerStyle.alert);

var okAction = UIAlertAction(title: "Ok", style: UIAlertActionStyle.default, handler: nil); if (flag == true) {

okAction = UIAlertAction(title: "Ok", style: UIAlertActionStyle.default) { (action: UIAlertAction) -> Void

in

self.performSegue(withIdentifier: "okRegisterSegue", sender: self )

}

}

myAlert.addAction(okAction); self.present(myAlert, animated:true, completion: nil);

}

}

Программный код формы записи данных

import UIKit

import MapKit

import CoreLocation

import Alamofire

import SwiftyJSON

import CoreMotion

var urlTrackCoord:String = ""

class MapViewController: UIViewController, MKMapViewDelegate, CLLocationManagerDelegate { @IBOutlet weak var speedLable: UILabel! @IBOutlet weak var latLable: UILabel! @IBOutlet weak var longLabel: UILabel! @IBOutlet weak var mapView: MKMapView! let locationManager = CLLocationManager() var countLM:Int = 0 var countTRACK:Int = 0 var motionManager = CMMotionManager() var X:Double = 0 var Y:Double = 0 var Z:Double = 0 var countFl:Int = 0 override func viewDidLoad() { super.viewDidLoad()

locationManager.requestWhenInUseAuthorization() locationManager.allowsBackgroundLocationUpdates = true if CLLocationManager.locationServicesEnabled() {

locationManager.delegate = self locationManager.desiredAccuracy = kCLLocationAccuracyBest locationManager.startUpdatingLocation() mapView.showsUserLocation = true mapView.showsTraffic = true mapView.showsBuildings = true mapView.showsPointsOflnterest = true

}

}

func locationManager(_ manager: CLLocationManager, didUpdateLocations locations: [CLLocation]) { let urlTrack = URL_GET_TRACK + "/track" if let location = locations.first { if (countLM == 0){

Alamofire.request(urlTrack, method: .post, parameters: [:]).responseString {

responseString in print(responseString. result.value! ) var str = responseString.result.value!

var range = str.index(str.endIndex, offsetBy: -2)..<str.endIndex str.removeSubrange(range)

range = str.startIndex..<str.index(str.startIndex, offsetBy: 8)

str.removeSubrange(range)

print(str)

urlTrackCoord = self.URL_GET_TRACK + str

print(urlTrackCoord)

self.countTRACK = 1

}

let coordinateRegion = MKCoordinateRegionMakeWithDistance(location.coordinate, 2000, 2000) mapView.setRegion(coordinateRegion, animated: true)

latLable.isEnabled = true longLabel.isEnabled = true speedLable.isEnabled = true

}

countLM = countLM + 1

latLable.text = String(location.coordinate.latitude) longLabel.text = String(location.coordinate.longitude) if location.speed > 0{

speedLable.text = String(Double(round(100*location.speed * 3.6)/100)) }else{

speedLable.text = "0"

}

print(location. coordinate)

let today = NSDate()

let dateFormatter = DateFormatter()

dateFormatter.dateFormat = "MM-dd-yyyy hh:mm:ss"

var string = dateFormatter.string(from: today as Date)

string = string + " PM"

print(string)

motionManager.accelerometerUpdatelnterval = 0.2

motionManager.startAccelerometerUpdates(to: OperationQueue.current!) { (data, error) in if let myData = data{

if self.countFl == 0 {

self.preX = myData.acceleration.x self.preY = myData.acceleration.y self.preZ = myData.acceleration.z

}

self.X = myData.acceleration.x self.Y = myData.acceleration.y self.Z = myData.acceleration.z

let parameters: Parameters=[ "latitude ":String(location. coordinate. latitude), "longitude ":String(location. coordinate. longitude),

"ch angeX": String(self.chX), "changeY":String(self.chY), "changeZ":String(self.chZ), "user": USID,

"date ":String(string), ]

Alamofire.request(self.MY_URL_ACC, method: .post, parameters: parameters).responseJSON {

response in // printing response

print(response) }} }}

let point: Parameters=[ "point": [

"latitude":location.coordinate.latitude, "longitude":location.coordinate.longitude, "speed":Double(round(100*location.speed * 3.6)/100),

"date" :String(string), ]

]

Alamofire.request(urlTrackCoord, method: .post, parameters: point, encoding:

JSONEncoding.default).responseString {

responseString in //printing response print("ОТВЕТ:") print(responseString)}}}

func locationManager(_ manager: CLLocationManager, didChangeAuthorization status: CLAuthorizationStatus) { if(status == CLAuthorizationStatus.denied) { showLocationDisabledPopUp()

}

}

func showLocationDisabledPopUp() {

let alertController = UIAlertController(title: "Background Location Access Disabled", message: "In order", preferredStyle: .alert)

let cancelAction = UIAlertAction(title: "Cancel", style: .cancel, handler: nil) alertController.addAction(cancelAction)

let openAction = UIAlertAction(title: "Open Settings", style: .default) { (action) in if let url = URL(string: UIApplicationOpenSettingsURLString) { UIApplication.shared.open(url, options: [:], completionHandler: nil)

}

}

alertController.addAction(openAction) self.present(alertController, animated: true, completion: nil)

}}

Программный код коррекции координат

#include <iostream> #include <fstream> #include <vector> #include <math.h> #include <sstream> #include <iomanip> #include <string.h> #include "types.hpp" #include "plot.hpp" #include "config.hpp" using namespace std;

vector<vector<string>> read_table(string const &filename) { vector<vector<string>> table; ifstream input(filename); string line; int i = -1;

while (getline(input, line)) { table.push_back(vector<string>());

++i;

istringstream ss(line); string token;

while (getline(ss, token, ';')) { table[i] .push_back(token);

}

}

return table;

}

void parse_data(vector<vector<string>> const &table, list &ta, list &xa, list &ya, list &za, list &tg, list &xg, list &yg, list &zg, list &t_geo, list &speed_geo) { for (int i = 0; i < table.size(); ++i) { if (table[i].size() == 0) { continue;

}

string type = table[i][0]; if (type == "1") {

double t = atof(table[i][2].c_str()); ta.push_back(t);

xa.push_back(atof(table[i][3].c_str())); ya.push_back(atof(table[i][4].c_str())); za.push_back(atof(table[i] [5] .c_str())); } else if (type == "4") { double t = atof(table[i][2].c_str()); tg.push_back(t);

xg.push_back(atof(table[i] [3] .c_str())); yg.push_back(atof(table[i] [4] .c_str())); zg.push_back(atof(table[i][5].c_str())); } else if (type == "geo") { t_geo.push_back(atof(table[i][2].c_str())); speed_geo.push_back(atof(table[i][9].c_str()));

}

}

}

void replace_data(vector<vector<string>> &table, list const &ta, list const &xa, list const &ya, list const &za, list const &tg, list const &xg, list const &yg, list const &zg) { int ia = 0; int ig = 0;

for (int i = 0; i < table.size(); ++i) { if (table[i].size() == 0) { continue;

}

string type = table[i][0]; if (type == "1") { table[i][2] = to_string(ta[ia]); table[i][3] = to_string(xa[ia]); table[i][4] = to_string(ya[ia]); table[i][5] = to_string(za[ia]); ++ia;

} else if (type == "4") { table[i][2] = to_string(tg[ig]); table[i][3] = to_string(xg[ig]); table[i][4] = to_string(yg[ig]); table[i][5] = to_string(zg[ig]); ++ig;

}

}

}

void write_data(string const &filename, vector<vector<string>> const &table) { ofstream output(filename); for (int i = 0; i < table.size(); ++i) { for (int j = 0; j < table[i].size(); ++j) {

output << table[i][j] << ((j + 1 < table[i].size()) ? ';' : '\n');

}

}

output.close();

void dumb_track_calculation(list const &ta, list const &xa, list const &ya, list const &tg, list const &zg, list &x, list &y, int start = 0) { double x_cur = 0; double y_cur = 0; double alpha_cur = 0; double vx_cur = 0; double vy_cur = 0; for (int i = 0; i < start; ++i) { x.push_back(0); y.push_back(0);

}

for (int i = start, j = 0; i < ta.size() - 1; ++i) { while (j < zg.size() - 1 && tg[j + 1] < ta[i]) { alpha_cur += zg[j] * (tg[j + 1] - tg[j]);

cout << alpha_cur << ' ' << j << ' ' << zg[j] << ' ' << tg[j + 1] << ' ' << tg[j] << endl;

++j;

}

double dt = ta[i + 1] - ta[i];

double ax_cur = xa[i] * cos(alpha_cur) + ya[i] * sin(alpha_cur);

double ay_cur = -xa[i] * sin(alpha_cur) + ya[i] * cos(alpha_cur);

vx_cur += ax_cur * dt;

vy_cur += ay_cur * dt;

x_cur += vx_cur * dt;

y_cur += vy_cur * dt;

x.push_back(x_cur);

y.push_back(y_cur);

}

}

vector<vector<string>> table;

list ta, xa, ya, za;

list tg, xg, yg, zg;

list t_geo, speed_geo;

list xa_mean, ya_mean, za_mean;

string output_filename;

#ifdef PYPLOT

PyPlot plt;

#endif

int main(int argc, char **argv) {

google::SetUsageMessage("Program normalizes sensors values as recording device is always in the same orientation");

google::ParseCommandLineFlags(&argc, &argv, true); if (argc <= 1) { cerr << "No input file given" << endl; return -1;

}

table = read_table(argv[1]);

parse_data(table, ta, xa, ya, za, tg, xg, yg, zg, t_geo, speed_geo);

output_filename = FLAGS_output.length() > 0 ? FLAGS_output : "norm_" + string(argv[1]);

to_mean(ta, xa, xa_mean); to_mean(ta, ya, ya_mean);

to_mean(ta, za, za_mean);

vector<int> block_starts = get_block_indices(ta, xa_mean, ya_mean, za_mean); cout << block_starts.size() << " block(s) found" << endl; for (int i = 0; i < block_starts.size(); ++i) { int start = block_starts[i];

int finish = i < block_starts.size() - 1 ? block_starts[i + 1] : (int) ta.size();

vector<vector<double>> rot_matrix = get_z_rotation_matrix(start, finish, xa_mean, ya_mean, za_mean);

rotate_block(start, finish, xa_mean, ya_mean, za_mean, rot_matrix);

int start2 = (int) (lower_bound(tg.begin(), tg.end(), ta[block_starts[i]]) - tg.begin());

int finish2 = i < block_starts.size() - 1 ? (int) (lower_bound(tg.begin(), tg.end(), ta[block_starts[i + 1]]) -tg.begin()) :

((int) tg.size()); rotate_block(start2, finish2, xg, yg, zg, rot_matrix);

vector<vector<double>> rot_matrix2 = get_plane_rotation_matrix(start, finish, ta, xa_mean, ya_mean, tg, zg,

t_geo, speed_geo); rotate_block(start, finish, xa_mean, ya_mean, za_mean, rot_matrix2); rotate_block(start2, finish2, xg, yg, zg, rot_matrix2);

rotate_block(start, finish, xa, ya, za, rot_matrix); rotate_block(start, finish, xa, ya, za, rot_matrix2);

}

replace_data(table, ta, xa, ya, za, tg, xg, yg, zg); write_data(output_filename, table); #ifdef PYPLOT plt.plot(ta, xa_mean); plt.plot(ta, ya_mean); plt.plot(ta, za_mean); list vert;

vert.push_back(-10); vert.push_back( 10);

for (int i = 1; i < block_starts.size(); ++i) { list hor;

hor.push_back(ta[block_starts [i]]); hor.push_back(ta[block_starts [i]]); plt.plot(hor, vert, ", c='black', lw=3");

}

plt.show(); #endif return 0;

}

Программный код распознавания марки и типа транспортного средства

from PIL import Image

import warnings

warnings.filterwarnings('ignore')

import os

import sys

import json

import datetime

import numpy as np

import skimage.draw

import cv2

import random

import math

import re

import time