XIV международная научно-практическая конференция молодых учёных и специалистов «ПРОБЛЕМЫ ТЕХНОСФЕРНОЙ БЕЗОПАСНОСТИ – 2025»·Применение современных информационных технологий, искусственного интеллекта в вопросах обеспечения техносферной безопасности УДК 614.8

Разработка пайплайна интеллектуального анализа данных по дорожно-транспортным происшествиям

Development of a pipeline for data mining on road traffic accidents

Кадиев Шамиль Кудрудинович1,Нелюб Сергей Александрович2
  1. 1 Академия ГПС МЧС Росиии
  2. 2 ООО "АиБ"
26 марта 2025 3 просмотров 5 мин чтения
Аннотация

Рассматриваются вопросы проведения кластерного анализа датасета по дорожно-транспортным происшествиям (ДТП), случившимся в период с 2009 по 2022 годы. Показана актуальность проводимой работы. Разработан пайплайн проведения кластерного анализа двумя методами: k-средних, агломеративной иерархической кластеризации. Проведена оценка качества кластеризации с учетом коэффициента Силуэта, Калински-Харабаса, Дэвиса-Болдуина, а также рассчитан коэффициент корреляции параметров ДТП. Соколов: 1. Соколов Григорий Владимирович  2. ООО "АиБ" 3.105005, г. Москва, вн. тер.г. муниципальный округ Басманный, Академика Туполева наб., д. 15, к. 2 4. руководитель разработки платформы ИИ  5. Нет 6. g.sokolov@baum.ru 7. 23.08.1985 8. Нет - придёт в течение 10 дней   Гирман: 1. Гирман Никита Владимирович 2. ООО "АиБ" 3. 105005, город Москва, наб Академика Туполева, д. 15 к. 2 4. Системный аналитик 5. Магистр 6. girmanik.nik@gmail.com 7. 26.11.2000 8. Нет - придёт в течение 10 дней   Нелюб: 1. Нелюб Сергей Александрович 2. ООО "АиБ" 3. 105005, г. Москва, вн. тер.г. муниципальный округ Басманный, Академика Туполева наб., д. 15, к. 2 4. Руководитель проектов в области ИТ 5. Нет 6. s.nelub@aib.pro 7. 31.03.1989 8. 9069-9200

#дорожно-транспортное происшествие#кластерный анализ#чрезвычайные ситуации#машинное обучение#интеллектуальный анализ данных
Abstract

The article discusses the issues of cluster analysis of the dataset on road accidents that occurred in the period from 2009 to 2022. A pipeline for cluster analysis using two methods has been developed: k-means and agglomerative hierarchical clustering.

#road transport origin#cluster analysis#emergency#machine learning#data mining
Полный текст878 слов

Введение. Актуальность проведения исследований в области реагирования на дорожно-транспортные происшествия (ДТП) обусловлена целым рядом социальных, экономических и технологических факторов. Ежегодно в мире в результате аварий на автомобильном транспорте гибнут более 1,3 миллиона человек, а десятки миллионов получают травмы различной степени тяжести [1], что делает проблему ДТП одной из наиболее острых в сфере общественной безопасности и здравоохранения. На территории Российской Федерации за 2024 год было совершено 132037 ДТП, на которых погибло 1403 человека [2]. Эффективное реагирование на аварии позволяет не только спасать жизни, но и минимизировать долгосрочные последствия для пострадавших, сокращая нагрузку на систему здравоохранения и социальные службы.

Современные реалии требуют внедрения новых технологий и методов организации помощи на месте ДТП. Развитие телемедицины, искусственного интеллекта и автоматизированных систем оповещения, открывает новые возможности для сокращения времени прибытия спасательных служб и повышения качества оказания помощи. Кроме того, анализ больших данных позволяет оптимизировать работу спасательных служб, прогнозировать аварийно-опасные участки дорог, и разрабатывать превентивные меры.

Важным аспектом является и экономическая составляющая: ДТП наносят колоссальный ущерб экономике из-за потерь человеческого капитала, затрат на лечение, ремонт инфраструктуры и ликвидацию заторов. Исследования в этой области помогают находить оптимальные решения, снижающие финансовые потери и повышающие эффективность использования ресурсов.

Кроме того, глобализация и унификация стандартов безопасности требуют изучения международного опыта и адаптации лучших практик к местным условиям. Разработка единых протоколов взаимодействия между экстренными службами, внедрение цифровых платформ для координации и обучение персонала новым методам работы – всё это делает исследования в сфере реагирования на ДТП крайне востребованными. Постоянное совершенствование систем реагирования – это ключевой фактор в создании безопасной и устойчивой транспортной системы будущего.

Таким образом, актуальность проводимой работы обусловлена необходимостью совершенствования системы управления реагированием на ДТП, за счет применения кластерного анализа, для определения ресурсов для реагирования, которые позволят снизить время принятия решений в условиях большого количества исходной информации.

Целью исследования является анализ данных по реагированию подразделений МЧС России на аварии на автомобильном транспорте с разработкой пайплайна интеллектуального анализа данных. Для достижения цели поставлены следующие задачи:

  1. Подготовить датасет по ДТП в период с 2009 по 2022 годы.

  2. Разработать пайплайн интеллектуального анализа данных на web-сервисе Razum.ai.

  3. Провести очистку, нормализацию и стандартизацию данных в датасете.

  4. Провести кластерный анализ данных на тестовом датасете.

  5. Сформулировать выводы по итогам проведенного исследования и предложить направления дальнейшего исследования.

Основная часть

Для проведения анализа был составлен датасет дорожно-транспортных происшествий в период с 2009 по 2022 годы. За исследуемый период имеются записи по 68063 происшествиям, на которых пострадало 69515 человек, погибло 11316 человек, оказана помощь 43556 людям (рис. 1).

Рисунок 1 – Показатели по ДТП за период с 2009 по 2022 годы

С целью определения необходимого количества сил и средств для реагирования на ДТП разработан пайплайн проведения кластерного анализа датасета по происшествиям. Пайплайн состоит из 10 этапов, каждый из которых включает в себя анализ датасета и (или) визуализацию полученных результатов.

После подготовки датасета приступаем к второму этапу «Запуск табличного датасета», в рамках этого этапа анализируемый датасет представляется в табличном варианте. Следующим этапом будет «Выбор целевых признаков», в рамках которого:

  • реализуем поиск пропущенных значений;

  • проводим дескриптивную статистику датасета

  • проверяем наличии связей с помощью коэффициента корреляции Пирсона (таблица 1).

Таблица 1. Матрица корреляции Пирсона

Всего человек

Месяц

Час пик

Загруженность дорог

Всего человек

1

0,04

0,08

0,06

Месяц

0,04

1

-0,01

-0,02

Час пик

0,08

-0,01

1

-0,03

Загруженность дорог

0,06

-0,02

-0,03

1

Четвертый этап включает в себя разделение датасета на тестовый и обучающий, далее в обучающем датасете происходит «Заполнение пропусков» (заполняем пропущенные значения средним), «Порядковое кодирование» (кодируем значения дня/ночи, часа пик, загруженности дорог) и «Стандартизация» с применением метода главных компонент.

Последующая серия этапов направлена на проведение кластерного анализа методом k-средних и агломеративной иерархической кластеризации, в рамках которых были установлены 6 кластеров (рис. 2).

Рисунок 2. Распределение количества сил по кластерам

Оптимальное количество кластеров подтверждается методом локтя [3]. (рис. 4)

Рисунок 3. Оптимальное количество кластеров

Таким образом, в результате разработки пайплайна интеллектуального анализа данных по дорожно-транспортным происшествиям проведен кластерный анализ. Определены наличие связей между критериями ДТП с помощью метода корреляции Пирсона. В результате анализа установлено, что оптимальное количество кластеров – 6, в рамках кластеров определен диапазон необходимых сил и средств для реагирования.

Список литературы

  1. Global status report on road safety 2023 : strengthening evidence-based action / World Health Organization. – Geneva : WHO, 2023. – 116 p. – URL: https://www.who.int/publications/i/item/9789240085624 (дата обращения: 26.03.2025).

  2. Официальная статистика аварийности : [сайт] / ГИБДД МВД России. – URL: http://stat.gibdd.ru/ (дата обращения: 26.03.2025).

  3. Селуков Д. А., Шилов В. С. Нахождение оптимального числа кластеров" Методом локтя" //Инновационные технологии: теория, инструменты, практика. – 2016. – Т. 1. – С. 107-111.

Есть что обсудить?
Оставьте комментарий — автор и читатели увидят его в обсуждении.