МЕТОДЫ АНАЛИЗА ДАННЫХ И ПРОГНОЗИРОВАНИЯ АВАРИЙНОСТИ НА ПРИМЕРЕ ГОРОДА МИНСКА

##plugins.themes.bootstrap3.article.main##

М. Р. ЛЕБЕДЕВА
А. О. ЛОБАШОВ
С. С. СЕМЧЕНКОВ

Аннотация

Представлены методы прогнозирования аварийности на дорогах с целью повышения безопасности дорожного движения. Апробирование методов и прогноз аварийности выполнен на примере г. Минска. Оценка количества погибших и раненых проведена с использованием двух моделей и двух методов: модели ARIMA, модели SARIMA, метода линейной регрессии и метода «случайного леса». Каждый метод и каждая модель оценивается по точности и достоверности прогнозов. Анализ показал: методы линейной регрессии и «случайного леса» наиболее точно предсказывают количество погибших, но для прогнозирования количества раненных требуется дальнейшая доработка моделей; модели ARIMA и SARIMA дают завышенные прогнозы для обеих категорий. В статье также рассматривается возможность использования экзогенных факторов для повышения точности прогноза. Результаты могут быть полезны для разработки эффективных мер по снижению аварийности и улучшению ситуации на дорогах.

##plugins.themes.bootstrap3.article.details##

Как цитировать
ЛЕБЕДЕВА, М. Р., ЛОБАШОВ, А. О., & СЕМЧЕНКОВ, С. С. (2025). МЕТОДЫ АНАЛИЗА ДАННЫХ И ПРОГНОЗИРОВАНИЯ АВАРИЙНОСТИ НА ПРИМЕРЕ ГОРОДА МИНСКА. Вестник Полоцкого государственного университета. Серия B. Промышленность. Прикладные науки, (1), 70-76. https://doi.org/10.52928/2070-1616-2025-51-1-70-76
Биографии авторов

А. О. ЛОБАШОВ, Белорусский национальный технический университет, Минск

д-р техн. наук, проф.

С. С. СЕМЧЕНКОВ, Белорусский национальный технический университет, Минск

канд. техн. наук

Библиографические ссылки

Amin, M. & Sadia, S. (2021). Traffic Accident Prediction Using a Machine-Learning-Enabled Data Analysis. International Journal of Advanced Computer Science and Applications, 12(1), 104–111.

Gyulyev, N., Galkin, A., Schlosser, T., Capayova, S. & Lobashov, O. (2022). Assessing Driver Fatigue During Urban Traffic Congestion Using ECG Method. Dynamics in Logistics, (May), 449–461. DOI:10.1007/978-3-031-05359-7_36

González-Hernández, B., Usami, D.S., Prasolenko, О., Burko, D., Galkin, А., Lobashov, О. & Persia, L. (2020). The driver’s visual perception research to analyze pedestrian safety at twilight. Transportation Research Procedia, (45), 827–834. DOI: 10.1016/J.TRPRO.2020.02.087

Chowdhury, M.S. & Khondoker, M.R. (2022). Road Car Accident Prediction Using a Machine-Learning-Enabled Data Analysis. Journal of Transportation Technologies, (12), 221–235.

Choudhary, D. & Gupta, S. (2023). Traffic Accident Forecasting using ARIMA and SARIMA Models. International Journal of Engineering and Technology, 12(4), 505–511.

Jha, A.K. & Prasad, P. (2021). Comparison of Time-Series Methods for Accident Forecasting. Journal of Transportation Safety & Security, 13(5), 682–696.

Shafique, U. & Farooq, U. (2022). Predicting Traffic Accidents Using Statistical and Machine Learning Methods. Journal of Traffic and Transportation Engineering, 10(2), 132–141.

Almeida, A., Silva, P. & Rodrigues, P. (2022). Seasonal ARIMA Model for Traffic Accident Forecasting. Journal of Transportation Engineering, 148(3), 04022012.

Sangare, S. & Sene, M. (2021). Predicting Road Traffic Accidents Using Analytical Measures and Hybrid Machine Learning. International Journal of Advanced Computer Science and Applications, 12(5), 123–130.

Almeida, A., Silva, P. & Rodrigues, P. (2021). Seasonal Auto Regressive Integrated Moving Average (SARIMA) Model for Traffic Flow Forecasting. Journal of Transportation Engineering, 147(10), 04021047.

Рекомендуемые статьи автора (авторов)