Оперативное прогнозирование рисков возникновения дорожно-транспортных происшествий на основе нейросетевого анализа больших данных

Abstract

В статье предлагается подход к оперативному прогнозированию дорожно- транспортных происшествий с разделением по видам на основе многослойного перцептрона Румельхарта. Используются большие данные, поступающие в онлайн режиме из внешних разнородных источников данных. Учитываются погодные, дорожные, организационные факторы и параметры транспортного потока. Программная реализация подхода использует фреймворк TensorFlow и библиотеку Keras. Проведенные эксперименты показали, что подход обеспечивает точность распознавания ситуаций в 90%. Программная реализация предназначена для функционирования в составе систем предотвращения аварий и инцидентов. The paper proposes an approach to the operational forecasting of traffic accidents with the separation of accident types based on the multilayer Rumelhart perceptron. The approach is applied to analyze Big Data consists of data collected from external heterogeneous data sources. Weather, road, organizational factors and traffic flow parameters are taken into account. The software implementation of the approach uses the TensorFlow framework and the Keras library. The experiments showed that the approach provides a 90% accuracy in recognizing situations. The software implementation is intended to function as part of accident prevention systems.