Studying Traffic Flow Intensity Using Machine Learning for Intelligent Transport Systems
Abstract
The effectiveness of intelligent transport systems in urban agglomerations depends on their software and hardware capabilities for analyzing traffic flow intensity. Currently, neural networks process video streams to calculate this parameter and build predictive models. However, these models are not universal due to narrow data training. A generalized method for forecasting traffic intensity based on machine learning algorithms is proposed.
About the Authors
N. G. Sheshera
Far Eastern State Transport University (FESTU)
Russian Federation
Russian Federation
Nikolay G. Sheshera, Candidate of Technical Sciences, Senior Researcher.
I. N. Pugachev
Khabarovsk Federal Research Center of the Far Eastern Branch of the Russian Academy of Sciences; Far Eastern State Transport University (FESTU)
Russian Federation
Russian Federation
Igor N. Pugachev, Doctor of Technical Sciences, Deputy Director for Research; Professor at the Department of Surveying and Design of Railways and Highways.
D. E. Grigorov
Far Eastern Law Institute of the Ministry of Internal Affairs of Russia
Russian Federation
Russian Federation
Denis E. Grigorov, Head of the Department of Special Disciplines, Department of Information and Technical Support of Air Traffic Control.
References
1. Пугачев И. Н., Скрипко П. Б., Шешера Н. Г. Программный подход к комплексному сбору и подготовки данных об интенсивности движения транспортных средств, погодных условий и естественной освещенности в часовых интервалах // T-Comm: Телекоммуникации и транспорт. 2023. Т. 17. № 10. С. 43–51.
2. Пугачев И. Н., Шешера Н. Г., Григоров Д. Е. Использование инструментов современных библиотек Python по работе с географическими координатами для решения задач безопасности дорожного движения // Транспорт Азиатско-Тихоокеанского региона. 2024. № 3(40). С. 60–66.
3. Жук А. Ю., Саблин С. Ю., Скрыпников А. В. и др. Исследование математической модели рельефа местности при проектировании автомобильных дорог // Системы. Методы. Технологии. 2021. № 2 (50). С. 88–93.
4. Голов Е. В., Сорокина Е. В., Евтюков С. С. Проблемные вопросы использования спутниковой навигации при оценке состояния факторов «Дорога» и «Среда» в системе ВАДС // Вестник гражданских инженеров. 2022. № 4 (93). С. 141–150.
5. Пугачев И. Н., Шешера Н. Г., Григоров Д. Е. Определение эффективных широт интервалов влияния температурных режимов на интенсивность транспортного потока с использованием ранговой корреляции Спирмена // T-Comm: Телекоммуникации и транспорт. 2024. Т. 18. № 3. С. 34–40.
6. Болодурина И. П., Анциферова Л. М., Гришина Л. С. Интеллектуальная модель прогнозирования интенсивности движения транспортных средств на перекрестке // Интеллект. Инновации. Инвестиции. 2022. № 6. С. 69–78.
7. Зацерковный А. В., Нурминский Е. А. Нейросетевой анализ транспортных потоков городских агломераций на основе данных публичных камер видеообзора // Компьютерные исследования и моделирование.2021.Т.13.№ 2.С.305–318.
8. Mazloumi E., Rose G., Currie G., Moridpour S. Prediction intervals to account for uncertainties in neural network predictions: methodology and application in bus travel time prediction // Eng. Appl. Artif. Intell. 2011. № 24(3). Pp. 534–542.
9. Донченко Д. С., Садовникова Н. П., Парыгин Д. С. Прогнозирование степени тяжести последствий ДТП с использованием методов машинного обучения // Вестник Воронежского института высоких технологий. 2019. № 13(4).
10. Habib M., Bashir B., Alsalman A., Bachir H. Evaluating the accuracy and effectiveness of machine learning methods for rapidly determining the safety factor of road embankments // Multidiscipline Modeling in Materials and Structures. 2023. Vol. 19. № 5. Pp. 966–983.
Review
For citations:
Sheshera N.G., Pugachev I.N., Grigorov D.E. Studying Traffic Flow Intensity Using Machine Learning for Intelligent Transport Systems. Transport of the Russian Federation. 2025;(3):31-36. (In Russ.)
Views:
10
Email this article 