Поиск :
Личный кабинет :
Электронный каталог: Капский, Денис Васильевич - Динамическое моделирование интегральных показателей безопасности дорожно-транспортной инфраструкт...
Капский, Денис Васильевич - Динамическое моделирование интегральных показателей безопасности дорожно-транспортной инфраструкт...
Книга (аналит. описание)
Автор: Капский, Денис Васильевич
Динамическое моделирование интегральных показателей безопасности дорожно-транспортной инфраструкт...
Dynamic modeling of integrated safety indicators for road transport infrastructure using artificial intelligence
б.г.
ISBN отсутствует
Автор: Капский, Денис Васильевич
Динамическое моделирование интегральных показателей безопасности дорожно-транспортной инфраструкт...
Dynamic modeling of integrated safety indicators for road transport infrastructure using artificial intelligence
б.г.
ISBN отсутствует
На полку
Книга (аналит. описание)
Капский, Денис Васильевич.
Динамическое моделирование интегральных показателей безопасности дорожно-транспортной инфраструктуры с применением искусственного интеллекта = Dynamic modeling of integrated safety indicators for road transport infrastructure using artificial intelligence / Д. В. Капский, Г. М. Кухаренок, С. В. Богданович // Транспорт и транспортные системы: конструирование, эксплуатация, технологии: сборник научных статей / Министерство образования Республики Беларусь, Белорусский национальный технический университет; [редакционная коллегия: С. В. Харитончик (главный редактор) и др.]. – Минск: БНТУ, 2018 -. - Вып. 7 : / редакционная коллегия: Б. Бекер [и др.]. – 2025. – С. 6-15. – Режим доступа : https://rep.bntu.by/handle/data/163224.
Статья представляет методологию динамического моделирования интегральных показателей безопасности дорожно-транспортной инфраструктуры с применением технологий искусственного интеллекта. В отличие от традиционных статических подходов, предлагаемый метод позволяет оценивать безопасность как сложной адаптивной системы, учитывая взаимодействие инфраструктурных элементов, транспортных потоков и внешних факторов в режиме реального времени. Разработан расширенный вариант индекса ARSI (Aggregate Road Safety Index), включающий динамический компонент на основе временных рядов данных от IoT-сенсоров, камер видеонаблюдения и подключенных транспортных средств. Основное внимание уделено алгоритмам машинного обучения для обработки пространственно-временных данных: рекуррентным нейронным сетям (LSTM) для прогнозирования аварийности, гибридным архитектурам CNN-LSTM для анализа видеопотоков и методам онлайн-обучения для адаптации весовых коэффициентов. Предложена математическая модель, интегрирующая скорость и плотность потока, погодные условия, состояние инфраструктуры и информационные потоки через взвешенную интегральную функцию. Практическая значимость исследования подтверждается возможностью интеграции с интеллектуальными транспортными системами для превентивного управления безопасностью. Обсуждаются ограничения, связанные с качеством данных и необходимостью калибровки под локальные условия, а также перспективы внедрения в концепцию «умных городов» и системы автономного транспорта.
The article presents a methodology for dynamic modeling of integrated safety indicators for road transport infrastructure using artificial intelligence technologies. Unlike traditional static approaches, the proposed method evaluates safety as a complex adaptive system, accounting for real-time interactions between infrastructure elements, traffic flows, and environmental factors. An enhanced version of the Aggregate Road Safety Index (ARSI) is developed, incorporating a dynamic component based on time-series data from IoT sensors, surveillance cameras, and connected vehicles. The study focuses on machine learning algorithms for spatiotemporal data processing: LSTM networks for accident prediction, CNN-LSTM hybrid architectures for video stream analysis, and online learning methods for adaptive weight calibration. A mathematical model is proposed, integrating traffic speed/density, weather conditions, infrastructure status, and information flows through a weighted integral function. Practical relevance is confirmed by the system's compatibility with intelligent transport systems for proactive safety management. The paper discusses limitations related to data quality and need for local calibration, along with implementation prospects in smart city ecosystems and autonomous vehicle systems.
625.7/.8
общий = БД Труды научных работников БНТУ : 2025г.
труды сотрудников БНТУ = Автотракторный факультет : кафедра "Двигатели внутреннего сгорания"
труды сотрудников БНТУ = Научно-исследовательский политехнический институт (НИПИ) : НИЦ дорожного движения
труды сотрудников БНТУ = Автотракторный факультет : кафедра "Транспортные системы и технологии"
труды сотрудников БНТУ = Перечень ВАК РБ (труды)
труды сотрудников БНТУ = Перевозки. Безопасность дорожного движения. Логистика (труды)
общий = ТРАНСПОРТНАЯ ИНФРАСТРУКТУРА
общий = ДИНАМИЧЕСКОЕ МОДЕЛИРОВАНИЕ
общий = БЕЗОПАСНОСТЬ ДОРОЖНОГО ДВИЖЕНИЯ
общий = ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Капский, Денис Васильевич.
Динамическое моделирование интегральных показателей безопасности дорожно-транспортной инфраструктуры с применением искусственного интеллекта = Dynamic modeling of integrated safety indicators for road transport infrastructure using artificial intelligence / Д. В. Капский, Г. М. Кухаренок, С. В. Богданович // Транспорт и транспортные системы: конструирование, эксплуатация, технологии: сборник научных статей / Министерство образования Республики Беларусь, Белорусский национальный технический университет; [редакционная коллегия: С. В. Харитончик (главный редактор) и др.]. – Минск: БНТУ, 2018 -. - Вып. 7 : / редакционная коллегия: Б. Бекер [и др.]. – 2025. – С. 6-15. – Режим доступа : https://rep.bntu.by/handle/data/163224.
Статья представляет методологию динамического моделирования интегральных показателей безопасности дорожно-транспортной инфраструктуры с применением технологий искусственного интеллекта. В отличие от традиционных статических подходов, предлагаемый метод позволяет оценивать безопасность как сложной адаптивной системы, учитывая взаимодействие инфраструктурных элементов, транспортных потоков и внешних факторов в режиме реального времени. Разработан расширенный вариант индекса ARSI (Aggregate Road Safety Index), включающий динамический компонент на основе временных рядов данных от IoT-сенсоров, камер видеонаблюдения и подключенных транспортных средств. Основное внимание уделено алгоритмам машинного обучения для обработки пространственно-временных данных: рекуррентным нейронным сетям (LSTM) для прогнозирования аварийности, гибридным архитектурам CNN-LSTM для анализа видеопотоков и методам онлайн-обучения для адаптации весовых коэффициентов. Предложена математическая модель, интегрирующая скорость и плотность потока, погодные условия, состояние инфраструктуры и информационные потоки через взвешенную интегральную функцию. Практическая значимость исследования подтверждается возможностью интеграции с интеллектуальными транспортными системами для превентивного управления безопасностью. Обсуждаются ограничения, связанные с качеством данных и необходимостью калибровки под локальные условия, а также перспективы внедрения в концепцию «умных городов» и системы автономного транспорта.
The article presents a methodology for dynamic modeling of integrated safety indicators for road transport infrastructure using artificial intelligence technologies. Unlike traditional static approaches, the proposed method evaluates safety as a complex adaptive system, accounting for real-time interactions between infrastructure elements, traffic flows, and environmental factors. An enhanced version of the Aggregate Road Safety Index (ARSI) is developed, incorporating a dynamic component based on time-series data from IoT sensors, surveillance cameras, and connected vehicles. The study focuses on machine learning algorithms for spatiotemporal data processing: LSTM networks for accident prediction, CNN-LSTM hybrid architectures for video stream analysis, and online learning methods for adaptive weight calibration. A mathematical model is proposed, integrating traffic speed/density, weather conditions, infrastructure status, and information flows through a weighted integral function. Practical relevance is confirmed by the system's compatibility with intelligent transport systems for proactive safety management. The paper discusses limitations related to data quality and need for local calibration, along with implementation prospects in smart city ecosystems and autonomous vehicle systems.
625.7/.8
общий = БД Труды научных работников БНТУ : 2025г.
труды сотрудников БНТУ = Автотракторный факультет : кафедра "Двигатели внутреннего сгорания"
труды сотрудников БНТУ = Научно-исследовательский политехнический институт (НИПИ) : НИЦ дорожного движения
труды сотрудников БНТУ = Автотракторный факультет : кафедра "Транспортные системы и технологии"
труды сотрудников БНТУ = Перечень ВАК РБ (труды)
труды сотрудников БНТУ = Перевозки. Безопасность дорожного движения. Логистика (труды)
общий = ТРАНСПОРТНАЯ ИНФРАСТРУКТУРА
общий = ДИНАМИЧЕСКОЕ МОДЕЛИРОВАНИЕ
общий = БЕЗОПАСНОСТЬ ДОРОЖНОГО ДВИЖЕНИЯ
общий = ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
