Динамическое моделирование интегральных показателей безопасности дорожно-транспортной инфраструктуры с применением искусственного интеллекта

Abstract

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.