CC BY
0
НАУЧНЫЕ ИССЛЕДОВАНИЯ В ОБЛАСТИ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ ДОРОЖНОГО ДВИЖЕНИЯ
SCIENTIFIC RESEARCH IN THE FIELD OF ENSURING ROAD SAFETY
Научная статья © Гавриленко А.А., 2024
УДК 004
О ПЕРСПЕКТИВАХ ИСПОЛЬЗОВАНИЯ НЕЙРОСЕТЕЙ В АНАЛИТИКЕ БЕЗОПАСНОСТИ
ДОРОЖНОГО ДВИЖЕНИЯ
Александр Алексеевич Гавриленко
Научный центр БДД МВД России [email protected]
Аннотация. В статье проводится анализ безопасности дорожного движения, приводятся примеры использования нейро-сетей в обеспечении безопасности дорожного движения, рассмотрены возможности и перспективы применения нейросетей в аналитике безопасности дорожного движения.
Ключевые слова: безопасность дорожного движения, дорожно-транспортное происшествие, дорожно-транспортная аварийность, нейросеть, искусственный интеллект
Для цитирования: Гавриленко А.А. О перспективах использования нейросетей в аналитике безопасности дорожного движения // Современная наука. 2024. № 4. С. 8-11.
Original article
ABOUT THE PROSPECTS OF USING NEURAL NETWORKS IN ROAD SAFETY ANALYTICS
Alexandr A. Gavrilenko
Scientific State Institution of Road Safety of the Ministry of the Interior of the Russian Federation [email protected]
Abstract. The article analyzes road safety, provides examples of the use of neural networks in ensuring road safety, and discusses the possibilities and prospects for the use of neural networks in road safety analytics.
Keywords: road safety, traffic accident, traffic accidents, neural network, artificial intelligence
For citation: Gavrilenko A.A. On the prospects for using neural networks in road safety analytics // Modern Science. 2024. № 4. P. 8-11.
Впервые термин «Искусственный интеллект» был применен еще в 40-х годах прошлого века. Однако на тот момент знания и технологии не позволяли создать такую систему. На сегодняшний день понятие «Искусственный интеллект» стало обычным, повсеместно встречающимся.
Под искусственным интеллектом принято понимать компьютерную программу, которая способна приобретать, обрабатывать и применять знания и навыки на основе полученных извне данных, а также собственных выводов [1]. Данные могут быть совершенно разными: от обычных фотографий, текстов и таблиц до больших банков данных.
Искусственный интеллект значительно отличается от простого алгоритма принятия решения. Если алгоритм просто сделает что-то на основе заложенных в него действий, то искусственный интеллект способен самостоятельно обучаться и делать выводы, основанные на прошлом опыте.
Необходимо также понять, что сам искусственный интеллект - обширное понятие и его существование больше описано, нежели применено в реальности. Гораздо правильнее и уместнее будет использование понятия «Нейросеть» - сеть примитивных обрабатывающих элементов, соединенных взвешенными связями с регулируемыми весами, в которой
каждый элемент выдает значение, применяя нелинейную функцию к своим входным значениям, и передает его другим элементам или представляет его в качестве выходного значения [1]. Для более наглядного понимания нейросети и искусственного интеллекта можно сравнить их с человеческим мозгом. Так, если принять искусственный интеллект за мозг в целом, то нейросеть будет являться его составляющим и выполнять определенную функцию, например, принятие решений или координация действий.
В современном мире нейросети используются в различных областях. Так, их применение уже заложено в различных поисковых системах, торговых площадках и т.п. Особое место нейросети занимают в сфере аналитики данных, в том числе и аналитики безопасности дорожного движения.
Так, аналитику можно рассматривать как часть искусства рассуждения, логики, задачей которой является выявление и интерпретация закономерностей, получение новых знаний на основе уже имеющихся [2].
Безопасность дорожного движения - состояние данного процесса, отражающее степень защищенности его участников от дорожно-транспортных происшествий и их последствий [3]. Обеспечение безопасности дорожного движения является важным
и неотъемлемым аспектом повседневной деятельности общества и государства в целом.
Его успешная реализация зависит от большого количества аспектов, которые действуют вместе и непосредственно влияют друг на друга. Первоначальным и наиболее важным аспектом можно, безусловно, назвать аналитику безопасности дорожного движения.
Аналитика безопасности дорожного движения - это комплекс интегрированных аппаратных и программных информационно-аналитических средств, предназначенных для выработки управленческих решений в области безопасности дорожного движения.
Нейросети могут быть использованы для сбора сведений о ключевых показателях в этой сфере, анализа и прогноза, а также для генерации и составления предложений по предупреждению дорожно-транспортных происшествий и снижению тяжести их последствий.
Аналитика безопасности дорожного движения включает сбор и анализ данных, основной задачей которой является выявление причин аварий и улучшение мер противодействия им. Основными аспектами аналитики, которые будут рассмотрены, являются: сбор данных; моделирование рисков; разработка рекомендаций; мониторинг и оценка [4]. Сбор данных - это процесс получения информации из различных источников. Он может быть как внутренним (данные, предоставляемые организацией), так и внешним (данные сторонних организаций, средств массовой информации и т.д.).
Использование нейросетей для сбора информации в органах внутренних дел используется повсеместно. Наглядным примером можно назвать применение нейросети в федеральной системе безопасности и контроля автотранспорта «Паутина» [5, 6, 7].
«Паутина» - информационно-аналитическая система Госавтоинспекции. Данная система сочетает в себе современные методы и способы поиска и сбора информации. Данная сеть объединяет средства фото- и видеофиксации по всей России.
Применение нейросети в «Паутине» позволяет в режиме Оп-Ьте фиксировать, собирать, хранить и предоставлять большое количество данных. Так, система автоматически, то есть без участия человека, способна после получения съемок с камер фото- и видеофиксации определить марку автомобиля, его государственный регистрационный знак, а также на основе этих данных другие сведения о водителе и автомобиле, например, кто является его собственником, имеется ли регистрация данного автомобиля в системах учета, имеется ли страховка на автомобиль и др. После получения данных они в автоматическом режиме сохраняются в базу данных, в которой хранятся до востребования и можут быть предоставлены пользователю системы в необходимом ему виде.
Также следует отметить, что для сбора информации используют и другие нейросети, которые
способны помочь собрать и проанализировать большие объемы данных из сторонних источников, например, с сайтов или организаций.
После окончания этапа сбора и анализа информации необходимо передать полученные данные для последующего изучения, а именно провести моделирование рисков и закономерностей.
Моделирование рисков в безопасности дорожного движения есть не что иное, как процесс создания и использования математических моделей для оценки и последующего прогнозирования рисков в области дорожного движения.
Для грамотного моделирования рисков необходимо проанализировать большой объем данных, применить различные способы анализа данных. Для реализации этих методов человеком будет задействован большой временной период, что может негативно сказываться на предоставлении данных, так как необходимо учитывать такое свойство информации, как своевременность. Также необходимо отметить влияние человеческого фактора на выполнение работ. Это означает, что человек может совершить ошибку при проведении вычислений, что, в свою очередь, приведет к искажению данных.
Для исключения этих факторов для моделирования рисков в области безопасности дорожного движения необходимо использовать нейро-сети [8].
Так, при их применении возможно значительно сократить время предоставления данных, так как машина сможет выполнить вычисления и смоделировать поведение (риски) быстрее, чем человек. Также это позволит исключить человеческий фактор, так как нейросеть будет считать все по алгоритмам и формулам, и достигнуть машинной точности в вычислениях.
На основе полученных данных на этапе сбора информации и моделирования рисков, а также предыдущего опыта необходимо сделать выводы и разработать рекомендации. Для решения такой задачи успешно можно применять нейросети.
Можно сказать, что рекомендательная система - это не что иное, как инструмент, предназначенный для объединения и анализа прошлого опыта и существующих данных, и на их основе вывода предложения для его изменения в положительную сторону.
Также необходимо отметить, что рекомендательная система выполняет и функцию фильтрации информации, таким образом решая вопрос избыточности данных.
Для разработки рекомендаций довольно давно используются как уже имеющиеся нейросети (например, Ье№^5), так и написанные непосредственно под определенный круг задач.
Выполнение данной функции нейросетью несет в себе такую же функцию, что и моделирование рисков, а именно сокращение времени для принятия решения, что, в свою очередь, позволяет своевременно решить поставленную задачу и предотвратить дорожно-транспортные происшествия.
Необходимо отметить, что нейросеть может сгенерировать большое количество рекоменда-
ций, в том числе и ранее не применяемых, а также ненужных или малоэффективных.
Возможность оценки эффективности данных рекомендаций может быть проверена совместными действиями человека и машины. Так, на основе прошлого опыта и своих познаний человек может оценить их эффективность, а нейросеть способна просчитать их с помощью математических формул и представить их эффективность в виде цифр и графиков, а также методом прогнозирования показать их эффективность во времени. В совокупности это позволяет эффективно решать поставленные задачи.
После выполнения всех перечисленных ранее действий и ввода в эксплуатацию рекомендаций и систем, необходимо осуществлять мониторинг и оценку эффективности их применения.
Для решения данной задачи целесообразно применение нейросетей, так как такой большой объем информации проанализировать за короткий промежуток времени человеку не под силу. То же самое относится и к применению мер реагирования на ситуацию. Нейросеть позволяет в максимально короткие сроки принимать решения и реагировать на изменения ситуации в целом.
Однако существуют и ограничения в применении нейросетей в сфере аналитики безопасности дорожного движения.
Одной из причин сложности их применения в государственных структурах является их нормативная неурегулированность. Так, на данный момент хоть и существуют ГОСТ и методические рекомендации по нейросетям, невозможно их привязать к рамкам закона.
Это связано с тем, что в большинстве случаев на данный момент нейросети написаны частными лицами.
Это вводит такую проблему, как предвзятость данных по той причине, что в большинстве случаев невозможно определить, на основе каких данных была обучена нейросеть и сможет ли ее обучение удовлетворять потребностям, требуемым для выполнения той или иной задачи.
Из этой проблемы вытекает и проблема прозрачности и подотчетности. Большинство кодов нейросети являются скрытыми, то есть их прочтение и анализ являются невозможными.
Это приводит к тому, что невозможно с уверенностью утверждать, что данная нейросеть не будет собирать данные, пересылая их в другие структуры или частным лицам, а также утверждать, что нейросеть не запрограммирована на сознательное изменение данных.
Одними из главных проблем являются технические трудности в реализации. Так, для быстрых и корректных вычислений нейросети необходимы довольно большие вычислительные мощности.
Их достижение возможно лишь при наличии достаточного мощного серверного и вычислительного оборудования, что, в свою очередь, приводит к материальным затратам на их покупку и реализацию, а также на их эксплуатацию и ремонт.
Исходя из вышесказанного, можно прийти к выводу, что современные технологии, в частности
нейросети, могут существенно улучшить аналитику в области безопасности дорожного движения.
Их повсеместное внедрение позволит сократить время принятия решений, повысит их эффективность и точность. Однако для их применения необходимо решить вопросы в техническом и материальном обеспечении, нормативном урегулировании, а также вопроса кадровой нехватки специалистов в данной сфере.
Список источников
1. ГОСТ Р ИСО/МЭК 24668-2022. Национальный стандарт Российской Федерации. Информационные технологии. Искусственный интеллект. Структура управления процессами аналитики больших данных // СПС «Консультант Плюс» (дата обращения: 14.11.2024).
2. Пономарев А.Б., Пикулева Э.А. Методология научных исследований: учебное пособие. Пермь: Издательство Пермского национального исследовательского политехнического университета, 2014. 186 с.
3. Федеральный закон от 10 декабря 1995 г № 196-ФЗ «О безопасности дорожного движения» // СПС «Консультант Плюс» (дата обращения: 14.11.2024).
4. Курносов Ю.В., Конотопов П.Ю. Аналитика: методология, технология и организация информационно-аналитической работы: учебник. М.: Издательство «Русаки», 2004. 550 с.
5. Исаев М.М. Основные тенденции использования технических средств автоматической фотовидеофикса-ции административных правонарушений в области дорожного движения // Актуальные вопросы применения норм административного права (Кореневские чтения): VIII Международная научно-практическая конференция: сборник научных трудов (Москва, 27 марта 2024 г.). М.: Московский университет МВД России им. В.Я. Кикотя, 2024. С. 194-197.
6. Головко В.В., Исаев М.М. Проблемы и перспективы использования цифровых технологий при фиксации административных правонарушений в области дорожного движения // Безопасность дорожного движения. 2023. № 2. С. 27-33.
7. Майоров В.И., Дымберов А.Д., Молчанов П.В. Правовые проблемы применения специальных технических средств автоматической фотовидеофиксации нарушений правил дорожного движения // Юридическая наука и правоохранительная практика. 2016. № 3 (37). С. 69-77.
8. Царегородцева Е.А. Динамическое прогнозирование времени в пути на основе сетей пространственно-временных графов // Управление деятельностью по обеспечению безопасности дорожного движения: состояние, проблемы, пути совершенствования: сборник материалов XVIII Международной научно-практической конференции (Орёл, 25-26 апреля 2024 г). Орёл: Орловский юридический институт МВД РФ им. В.В. Лукьянова, 2024. С. 206-211.
References
1. National standard of the Russian Federation GOST R ISO/IEC 24668-2022 «Information technologies. Artificial intelligence. Structure for managing big data analytics processes» // Legal reference system «Consultant Plus» (date of access: 14.11.2024).
2. Ponomarev A.B., Pikuleva E.A. Methodology of scientific research: textbook. Perm: Perm National Research Polytechnic University Publishing House, 2014. 186 p.
3. Federal Law dated 10.12.1995 № 196-FZ «On road safety» // Legal reference system «Consultant Plus» (date of access: 14.11.2024).
4. Kumosov Y.V., Konotopov P.Y. Analitika: methodology, technology and organization of information-analytical work: textbook. M.: Rusaki Publishing House, 2004. 550 с.
5. Isaev M.M. Main trends in the use of technical means of automatic photo-video fixation of administrative offenses in the field of road traffic // Actual issues of application of norms of administrative law (Korenevskie chteniya): VIII International scientific and practical conference: collection of scientific papers (Moscow, 27.03.2024). M.: Kikot Moscow University of the Ministry of Internal Affairs of Russia, 2024. С. 194-197.
6. Golovko V.V., Isaev M.M. Problems and prospects of using digital technologies in fixing administrative offenses in the field of traffic // Road Safety. № 2. 2023. P. 27-33.
7. Mayorav V.I., Dymberav A.D., Molchanov P.V. Legal issues of using special technical means of automatic photo and video recording of traffic violations // Legal Science and Law Enforcement Practice. 2016. № 3 (37). P. 69-77.
8. Tsaregorodtseva E.A. Dynamic forecasting of travel time on the basis of networks of spatial-temporal graphs // Management of activities to ensure road safety: state, problems, ways to improve: Proceedings of the xVlII International scientific and practical conference (Oryol, 25-26.04.2024). Oryol: Oryol Law Institute of the Ministry of Internal Affairs of Russia named after V.V. Lukyanov, 2024. С. 206-211.
Информация об авторе
А.А. Гавриленко - научный сотрудник отдела изучения проблем нормативного правового и аналитического обеспечения
Научного центра БДДМВД России
Контакты: ул. Поклонная, д. 17, Москва, Россия, 121293
Information about the author
A.A. Gavrilenko - Researcher Department of Study of Problems of Regulatory Legal and Analytical Support Scientific State Institution of Road Safety of the Ministry of the Interior of the Russian Federation Contacts: ul. Poklonnaya, d. 17, Moscow, Russia, 121293
Статья поступила в редакцию 15.11.2024; одобрена после рецензирования 22.11.2024; принята к публикации 29.11.2024. The article was submitted 15.11.2024; approved after reviewing 22.11.2024; accepted for publication 29.11.2024.
