1. Введение 3
1.1 Основная информация 4
1.2 Статистика 5
1.3 Состояния дорожного покрытия и причины их образования 10
2. Градиентный бустинг на решающих деревьях 15
3. Разработка модели предсказания состояния дорожного покрытия 21
3.1 Описание входных данных 21
3.2 Подробное описание параметров 22
4. Прогноз состояния дорожного покрытия 39
5. Заключение 41
6. Список использованных источников 44
Эксплуатация автомобильных дорог, как и любых других объектов и сооружений, находящихся под открытым небом, наиболее подвержена влиянию метеорологических условий. Поэтому при проектировании и использовании подобных объектов необходимо учитывать все особенности, с которыми можно столкнуться. Для этого Министерством транспорта создан ряд методических документов, на которые мы будем опираться в нашей работе.
Основной целью работы является выявление и демонстрация возможности прогнозирование состояния дорожного покрытия для дальнейшего принятия решений с целью снижения риска опасных ситуаций и дорожно-транспортных происшествий, а также увеличения срока службы объектов транспортной инфраструктуры.
Задачи:
- Ознакомиться с причинами возникновения аварий на автомобильных дорогах;
- Рассмотреть различные погодные явления, оказывающие влияние на состояние дорожного полотна и условия их образования;
- Изучить принцип функционирования модели машинного обучения градиентный бустинг на решающих деревьях;
- Собрать архивную базу дорожных метеорологических станций пригодную для выполнения цели работы;
- Определить возможное наличие в данных измерений пропусков и выбросов;
- Подготовить данные для корректной работы модели;
- Протестировать модель и оценить качество полученной информации.
Исходя из результатов проведенного исследования, а именно из довольно высоких показателей точности тестовых моделей, а также высокого потенциала усовершенствования моделей мы можем сделать некоторые выводы.
Во-первых, прогнозирование состояния дорожной поверхности поможет лицам, ответственным за состояние дорожной обстановки принимать решения с большей уверенностью и точностью, например об использовании специальных средств для предотвращения наступления опасного состояния дорожного покрытия, об оперативном улучшении состояния дорожного покрытия (уборка и расчистка снега с помощью
специализированной техники и устройств), или же о простом
предупреждении участников дорожного движения о скором ухудшении или улучшении ситуации на дороге.
Во-вторых, исходя из предыдущего пункта, помощь в принятии решений позволит сократить расходы на содержание и обслуживание дорожной инфраструктуры, например, уменьшая количество ложно положительных выездов уборочной техники, когда потраченные средства не приносят ожидаемого эффекта. Также это поможет снизить операционные расходы на прогнозы, составляемые человеком.
В-третьих, использование моделей машинного обучения в подобной сфере деятельности является очень перспективным, благодаря возможности подстраиваться под очень большое количество факторов, в том числе индивидуальных для каждого единичного экземпляра (участка дороги), такие как, например, высота поверхности над уровнем моря, процентное соотношение типов растительности вокруг исследуемого участка, наличие и расстояние до ближайших водоемов, низин и возвышенностей, величина и тип трафика в разные времена года, месяца, недели, дня или даже часа, а также сотни других признаков, которые можно извлечь из единичного экземпляра.
В-четвертых, одним из самых главных выводов является то, что благодаря превентивным мерам, будь то уборка снега, обработка дорожного полотна, или даже простое предупреждение, сможет снизиться количество жертв дорожно-транспортных происшествий, раненых и погибших, что несомненно очень важно для любого гражданского общества...
