Neural network integration of transport demand and transport supply features for highway traffic load assessment

Full Text

Введение

Управление автомобильной дорогой как линейно-протяженным инженерным сооружением перешло от разрозненных разовых обследований к цифровому описанию транспортного спроса, транспортного предложения и фактических режимов движения. Для планирования развития сети, паспортизации, оценки транспортно-эксплуатационных качеств и расчета уровня загрузки применяется единая технологическая цепочка: полевой сбор видеоданных и координат, нейросетевое распознавание транспортного потока, привязка результатов к оси дороги, расчет пропускной способности и формирование проверяемых отчетов. Такой подход устраняет разрыв традиционной практики, при котором интенсивность движения, состав потока, геометрические параметры и инфраструктурные объекты ведутся как независимые ведомости, а не как согласованные данные одного единого описания дорожного участка.

Уровень загрузки дороги движением выступает одним из ключевых эксплуатационных индикаторов, связывающих фактический транспортный спрос, пропускную способность участка и качество обслуживания пользователей. В реализованной постановке этот показатель хранится как динамическая величина, рассчитанная по интервалам времени, направлениям, полосам и участкам дорожного графа. Интенсивность, состав потока, погодные условия, временные ограничения, видимость, состояние покрытия, геометрия трассы и режим организации движения учитываются в единой записи с указанием источников данных, версии расчетного контура и категории достоверности. Такой порядок учитывает изменчивость транспортного потока и переводит дорожный паспорт из разовой ведомости в регулярно обновляемую эксплуатационную модель участка.

Наиболее сложной остается задача получения сопоставимых данных на территориях с малой инфраструктурной доступностью, где стационарные пункты учета отсутствуют, а классические обследования требуют значительных затрат. Мобильный видеомониторинг с координатной привязкой, геоинформационной интеграцией и камеральной нейросетевой обработкой обеспечивает массовый сбор сведений о транспортном спросе и транспортном предложении. Эффективность такого подхода определяется не только камерами с ГНСС-привязкой и сервером хранения, а методикой совместной обработки видеоряда, панорамных изображений, траекторий, лазерных профилей и дорожного графа в воспроизводимые измерения, прогнозы и инженерно проверяемые решения.

Мировая практика подтверждает обоснованность такого перехода. Руководства по мониторингу движения рассматривают объем, классификацию, скорость и весовые характеристики транспортного потока как взаимосвязанные данные для планирования и эксплуатации дорог [1]. Международные наборы данных по городскому видеомониторингу закрепляют задачи детекции, трекинга, идентификации транспортных средств и устойчивости к смене города, ракурса и условий съемки [2]. Терминологическая основа интеллектуальных транспортных систем согласуется с действующей редакцией ISO/TS 14812:2025 [3]. В отечественной литературе по интеллектуальным транспортным системам такие решения рассматриваются как связанный комплекс мониторинга, связи, баз данных и алгоритмов управления потоками [4]. Применение технологий искусственного интеллекта для обоснования алгоритмов управления транспортными системами показывает, что нейросетевые модели целесообразно включать не как изолированный классификатор, а как часть расчетного контура [5]. Поэтому исследуемая методика опирается не на одну программу подсчета, а на согласованную совокупность нейросетевых, геодезических, картографических, расчетных и отчетных модулей.

Объектом исследования выступает методика интеграции динамического транспортного спроса и признаков транспортного предложения в едином пространственно-временном дорожном графе. Узлы, ребра, контрольные линии и направления движения связывают видеособытия, геометрические характеристики дороги и расчетные показатели интенсивности, пропускной способности и уровня загрузки. Научная новизна состоит в трассируемом соединении нейросетевого распознавания, линейной привязки, индекса достоверности и расчета загрузки в одной воспроизводимой схеме.

Технологическая постановка задачи

Оценка загрузки дороги начинается с разделения двух связанных информационных контуров. Первый контур характеризует транспортный спрос: число транспортных средств по направлениям, классам, временным интервалам, полосам и маневрам. Второй контур характеризует транспортное предложение: геометрические параметры участка, число и ширину полос, продольные уклоны, радиусы кривых, видимость, состояние покрытия, элементы обустройства, режимы регулирования, ограничения движения, остановочные пункты и зоны влияния прилегающей территории. Ошибка в любом из этих контуров приводит к неверной оценке загрузки: высокая точность подсчета автомобилей не компенсирует устаревшую оценку пропускной способности, а хорошая геометрическая модель дороги не заменяет актуального учета интенсивности.

Инженерная формализация уровня загрузки для направления или участка i во временном интервале t записывается в виде:

$z_i\left(t\right) = \frac{q_i\left(t\right)}{C_i\left(t\right)}$ (1)

где zᵢ(t) – уровень загрузки направления i в интервале времени t; qᵢ(t) – фактическая или приведенная интенсивность движения; Cᵢ(t) – расчетная или оцененная пропускная способность с учетом геометрических, организационных, погодных и эксплуатационных условий. В прикладной системе показатель zᵢ(t) хранится не только как итоговое число, но и как значение с индексом достоверности, доверительным интервалом, указанием источников данных, категории надежности, контрольных линий, версии модели и ссылки на первичный видеофрагмент. Это отделяет достоверно перегруженные участки от участков, по которым назначается повторная съемка, уточнение геометрии или локальная калибровка расчета пропускной способности.

Индекс достоверности наблюдения Rᵢ(t) рассчитывается на том же временном интервале, что и zᵢ(t), и связывает качество нейросетевого распознавания с условиями съемки и геопривязки:

$R_i\left(t\right) = w_1{P}_i\left(t\right) + w_2\left[1 - O_i\left(t\right)\right] + w_3{S}_i\left(t\right) + w_4{G}_i\left(t\right), 0 \le R_i\left(t\right) \le \mathrm{1,} w_1 + w_2 + w_3 + w_4 = 1$ (2)

где Pᵢ(t) – взвешенная точность детекции и классификации по классам транспортных средств; Oᵢ(t) – доля окклюзий и обрывов треков в зоне наблюдения; Sᵢ(t) – коэффициент условий съемки с учетом освещенности и осадков; Gᵢ(t) – коэффициент качества координатной и линейной привязки. В контрольном эксперименте использованы веса w₁ = 0,40, w₂ = 0,25, w₃ = 0,20, w₄ = 0,15. Наибольший вес отнесен к точности распознавания, поскольку ошибка детекции и классификации непосредственно изменяет qᵢ(t); далее учитываются окклюзии и обрывы треков, условия съемки и качество линейной привязки. Значения весов определены по экспертной оценке значимости факторов и уточнены на калибровочных тестах контрольной выборки; выбранные значения фиксируются в паспорте обработки сессии. При Rᵢ(t) ≥ 0,80 интервал используется в штатном расчете; при 0,60 ≤ Rᵢ(t) <   0,80 результат передается на выборочный контроль; при Rᵢ(t) <   0,60 назначается повторная съемка или инструментальное уточнение.

Доверительный интервал уровня загрузки формируется через неопределенность спроса и пропускной способности:

$\Delta z_i\left(t\right) = z_i\left(t\right) · \sqrt{{\left(\frac{\Delta q_i\left(t\right)}{q_i\left(t\right)}\right)}^2 + {\left(\frac{\Delta C_i\left(t\right)}{C_i\left(t\right)}\right)}^2}$ (3)

Здесь Δqᵢ(t) – доверительная ошибка фактической или приведенной интенсивности, определяемая по ошибке детекции, трекинга и ручной сверки контрольных линий; ΔCᵢ(t) – ошибка оценки пропускной способности, связанная с точностью геометрических признаков, состоянием покрытия, видимостью, организацией движения и применяемой расчетной методикой. Такая запись отделяет ошибку видеораспознавания от ошибки оценки Cᵢ(t) и не смешивает надежность подсчета с надежностью признаков транспортного предложения.

Видеосъемка сохраняет значение первичного доказательства места, времени и условий наблюдения. При масштабных обследованиях ручное кодирование направлений, типов транспортных средств и объектов инфраструктуры не обеспечивает требуемой производительности и создает неоднородность результатов между операторами. Реализованный человеко-машинный конвейер распределяет функции иначе: нейросетевая подсистема выполняет первичное обнаружение, сопровождение и классификацию объектов, интеграционный слой передает данные в расчетные модули, а инженер подтверждает спорные события, низкоуверенные фрагменты и результаты, влияющие на расчетные выводы. Для слабоструктурированных проектных материалов отдельный контур извлечения и валидации параметров транспортного моделирования использует предметно-ориентированную языковую модель [6].

Архитектура нейросетевой геовидеоплатформы

Предложенный метод интеграции данных опирается на полевой и серверный геовидеокомплекс, общая структура которого приведена на Рис. 1. Полевой уровень включает мобильные и стационарные комплекты видеомониторинга, бортовой компьютер, приемники ГНСС/ГЛОНАСС, инерциальные датчики, одометрию и, при обследовании транспортного предложения, лазерное сканирование или фотограмметрическую съемку. Мобильная конфигурация применяется на территориях с малой инфраструктурной доступностью, на развязках, временных пунктах учета и участках, где установка стационарного оборудования экономически избыточна. Стационарная конфигурация обслуживает длительные сессии наблюдения и регулярную актуализацию цифрового паспорта дороги.

 

Рис. 1. Архитектура нейросетевой геовидеоплатформы оценки загрузки дороги (сплошные стрелки показывают основной поток данных. Стрелки вниз – передачу спорных фрагментов в контроль качества. Пунктирные стрелки вверх – результат проверки: уточнение привязки, доразметка или пересчет показателей)

Fig. 1. Architecture of a neural-network geovideo platform for road traffic load assessment (solid arrows show the main data flow; downward arrows show transfer of disputed fragments to quality control; dotted upward arrows show verification results: referencing refinement, additional annotation, or recalculation of indicators)

 

Архитектура метода основана на объединении трех типов данных. Первый тип – первичные временные ряды: видеокадры, координаты, скорость движения лаборатории, положение камер, временные метки и параметры сессии. Второй тип – инженерные признаки дороги: ширина проезжей части и полос, продольные уклоны, радиусы кривых, расстояние видимости, элементы обустройства, остановочные пункты, дорожные знаки, разметка, примыкания, съезды и зоны влияния пересечений. Третий тип – аналитические признаки: интервальная интенсивность, состав транспортного потока, направления движения, коэффициенты неравномерности, оценка пропускной способности, уровень загрузки, прогнозные профили и контрольные отклонения.

Полевой регламент сохраняет инженерную дисциплину съемки. Камеры устанавливаются так, чтобы транспортные средства оставались в кадре достаточно долго для устойчивого трекинга, а границы кадра обеспечивали наблюдение контрольных линий и направлений движения. Высота установки и число камер выбираются по числу направлений, ширине проезжей части и наличию помех обзору. Для архивного и нейросетевого режима используется видеоряд не ниже HD/Full HD с синхронизированной временной меткой; при затрудненной связи используется автономная запись с последующей пакетной загрузкой на сервер. Признак достоверной сессии – наличие координатной и временной привязки, а не только наличие видеокадров. Качество координатной привязки контролируется по числу наблюдаемых спутников, инерциальным данным, одометрии, опорным точкам и журналу расхождений; при снижении точности сессия помечается для последующей инструментальной проверки. Пример мобильного модуля и схема размещения точек съемки приведены на Рис. 2 и 3.

 

Рис. 2. Мобильный модуль видеомониторинга для валидации ракурсов и полевого сбора данных (мачты с камерами установлены на крыше автомобиля)

Fig. 2. Mobile video-monitoring module for angle validation and field data collection (camera masts mounted on the vehicle roof)

 

Рис. 3. Размещение точек съемки на пересечении для охвата направлений движения

Fig. 3. Location of survey points at an intersection for coverage of traffic directions

 

Серверный уровень принимает сессии съемки, нормализует метаданные, привязывает видеопоток к геоинформационной карте, формирует дорожный граф и преобразует координатное описание объектов в линейную привязку вида км+. Этот переход критичен для дорожной практики: нейросетевая детекция выдает координаты и временные события, но эксплуатационная документация использует ось дороги, километраж, сторону расположения, ведомости и линейные графики. В платформе координатная, линейная и объектная модели представлены как единая запись, поэтому один видеопроезд повторно используется для учета интенсивности, паспортизации, контроля обустройства и расчета загрузки.

Нейросетевое распознавание транспортного спроса

Первым вычислительным результатом является не таблица интенсивности, а набор событий: объект появился в зоне наблюдения, отнесен к определенному классу, пересек контрольную линию, двигался по заданному направлению и сопоставлен с участком дорожного графа. Такой событийный слой сохраняет исходную детализацию и далее агрегирует данные по любым интервалам: 5, 15, 60 минут, час пик, сутки, сезон или период действия временных ограничений. В базу данных сохраняются итоговые значения, уверенность модели, ссылка на видеофрагмент, параметры обработки и идентификатор версии нейросетевого контура; пример камерального представления таких данных приведен на Рис. 4.

 

Рис. 4. Камеральная обработка видеосессии с детекцией транспортных средств, картой и атрибутами треков

Fig. 4. Offline processing of a video session with vehicle detection, map, and track attributes

 

Слой распознавания транспортного спроса выполняет подсчет объектов, формирует траектории, направление движения, полосу, класс транспортного средства, интервальную интенсивность, временные интервалы между транспортными средствами, признаки затора и события, искажающие нормальный поток. Для этого используются актуальные детекторы семейств YOLO и RT-DETR, трекеры ByteTrack и BoT-SORT, сегментационные модели SAM/SAM 2, модели повторной идентификации Re-ID, OCR-модули для дорожных знаков и служебных табличек при нормативно допустимом режиме обработки данных, а также модели семантической сегментации дорожной сцены. Общая постановка соответствует современным работам по computer vision для детекции и сопровождения транспортных средств [7, 8].

Детекторы реального времени решают задачу первичного обнаружения транспортных средств. Набор моделей выбран по разделению функций: быстрые одноэтапные детекторы обеспечивают первичную обработку видеопотока, трансформерные детекторы повышают устойчивость в сценах с выраженными перекрытиями и мелкими удаленными объектами, а трекинг и сегментация превращают отдельные детекции в проверяемые транспортные события. В рабочем контуре применяются варианты YOLOv12–YOLOv13 для режимов, где критичны простота развертывания и малые задержки на краевых устройствах [9, 10]. Линия Ultralytics YOLO26 рассматривается как целевой ориентир последующего обновления детектора после локальной валидации на дорожных видеосессиях [11]. RT-DETR и RT-DETRv4 используются как трансформерное дополнение к одноэтапным детекторам и усиливают легкие детекторы за счет переноса семантических представлений от моделей визуального представления без увеличения затрат при выводе [12, 13].

После детекции включается трекинг. ByteTrack повышает устойчивость сопровождения за счет ассоциации не только высокоуверенных, но и низкоуверенных детекций, что важно при окклюзиях, тени, мокром покрытии и плотном потоке [14]. BoT-SORT дополняет модель движения признаками внешнего вида и компенсацией движения камеры [15]. В результате платформа считает не отдельные прямоугольники на кадрах, а непрерывные треки транспортных средств, пересекающие контрольные линии. Такой подход исключает двойной счет, разделяет направления и обеспечивает проверяемость каждого интервального значения qᵢ(t).

На сложных пересечениях качество учета определяется связкой трекинга, калибровки перспективы и привязки к направлениям. Детектор выделяет транспортное средство на кадре, трекер сохраняет его идентификатор при частичном перекрытии, контрольная линия фиксирует факт пересечения, а дорожный граф относит событие к конкретному подходу, направлению и полосе. Если трек оборвался перед контрольной линией или был ошибочно сшит с соседним объектом, итоговая интенсивность искажается. Поэтому в платформе используются зоны распознавания, контрольные линии, допустимые направления движения, маски исключения для тротуаров и парковок, а также правила обработки временных остановок. Для многополосных участков сохраняется распределение по полосам и маневрам, влияющее на фактическую пропускную способность и задержки.

Перед передачей видеоданных в исследовательские, учебные или демонстрационные контуры выполняется обезличивание первичного потока: лица пешеходов, государственные регистрационные знаки и иные персонально чувствительные фрагменты маскируются либо размываются до формирования внешних наборов данных. Такой порядок соответствует подходу privacy-by-design для городских систем машинного зрения и сохраняет пригодность материалов для расчета транспортных показателей [16].

SAM и SAM 2 применяются не для основного подсчета интенсивности, а как проверочный сегментационный слой в сложных случаях. Потоковая память SAM 2 для видео поддерживает распространение маски по кадрам и сокращает объем ручных уточнений при сегментации спорных фрагментов [17, 18]. В дорожной задаче это требуется, например, когда грузовой автомобиль частично перекрывает легковой, детектор выдает низкую уверенность или прямоугольная рамка объединяет несколько близко расположенных объектов. Сегментационная маска уточняет фактические границы транспортного средства, помогает разделить перекрывающиеся объекты, проверить обрыв трека перед контрольной линией и передать спорное событие в экспертный интерфейс. Классические детекторы обеспечивают скорость, сегментационные модели повышают качество валидации сложных объектов, а трекеры связывают эти результаты во времени.

Классификация транспортных средств выполнена в двух уровнях. Первый уровень выделяет устойчивые визуальные классы: легковые автомобили, мотоциклы, автобусы, легкие грузовые, средние грузовые, тяжелые грузовые, автопоезда и специальные транспортные средства. Второй уровень преобразует визуальные классы в инженерные группы по высоте, числу осей, типу кузова, сцепке и влиянию на пропускную способность. Нейросеть выполняет первичное назначение класса, а правила дорожной классификации нормализуют результат для ведомостей, транспортного моделирования и расчета приведенной интенсивности. Такая гибридная схема надежнее свободной классификации: модель работает с изображением, а инженерный слой сохраняет нормативно понятные группы.

Наиболее значимый результат нейросетевого распознавания связан с извлечением траекторных и поведенческих характеристик: скоростей, интервалов следования, перестроений, задержек на подходах, очередей, конфликтных зон и устойчивых изменений маршрутов. Задержки и очереди рассчитываются при наличии обзора соответствующего подхода к узлу либо серии контрольных линий, позволяющих восстановить движение в зоне накопления. При одиночной мобильной съемке без видимости узла система фиксирует только косвенные признаки режима движения и передает участок на дополнительное исследование.

Извлечение признаков транспортного предложения

Уровень загрузки дороги определяется не только количеством автомобилей. Ошибка расчета возникает и при неполном описании транспортного предложения: ширины полос, продольного уклона, видимости, радиусов кривых, состояния покрытия, примыканий, остановочных пунктов, дорожных знаков и организации движения. Поэтому видеосъемка транспортного потока объединена с обследованием дороги и инженерного оборудования. Панорамная съемка, лазерное сканирование, ГНСС-приемник, инерциальная навигационная система (ИНС), одометрия и геоинформационная база создают многослойную сцену, в которой каждый объект получает координаты, линейную привязку и набор эксплуатационных атрибутов [19, 20]. Геопространственное машинное обучение расширяет этот контур за счет совместной обработки изображений, координат и атрибутов дорожной среды [21].

Компьютерное зрение извлекает из видеоряда не только транспортные средства, но и элементы дорожной инфраструктуры. Семантическая сегментация выделяет проезжую часть, обочину, тротуар, барьерное ограждение, разметку и зоны остановочных пунктов. Экземплярная сегментация отделяет отдельные знаки, опоры, павильоны, элементы освещения и средства организации движения. OCR распознает текстовые обозначения на знаках и служебных панелях, а геометрические модули соотносят обнаруженные объекты с осью дороги. Оператор работает с предварительно заполненным набором объектов, поэтому ручной труд сосредоточен на подтверждении и инженерной интерпретации.

Нейросетевая обработка транспортного предложения отличается от распознавания потока тем, что результат не ограничивается визуальным обнаружением. Объект «дорожный знак» полезен для управления сетью только при наличии координат, линейной привязки к дороге, стороны расположения, типа, состояния, видимости и связи с регламентом организации движения. Поэтому архитектура нейросети объединяет компьютерное зрение с геодезической логикой: абсолютные координаты преобразуются в линейную привязку км+, объекты проецируются на ось дороги, а атрибуты связываются с дорожным графом и паспортными ведомостями.

Для видимых объектов на изображениях применяются детекторы и сегментационные модели. Для элементов геометрии и поперечного профиля используются мультимодальные методы, объединяющие изображение и точечное облако: нейросеть выделяет потенциальные объекты, а геометрический модуль уточняет координаты, высоты, расстояния и размеры. В задачах паспортизации дорог универсальные сегментационные модели и модели открытого словаря используются как слой предварительной разметки новых категорий объектов [17, 18]. Мультимодальная обработка изображений и облаков точек позволяет расширить предварительный инвентаризационный контур для дорожной инфраструктуры [20, 21]. Итоговый нормативный атрибут формируется после локальной проверки, поскольку открытое распознавание повышает охват, но требует терминологического и геометрического контроля. Геометрические параметры, полученные методом монокулярного видеоанализа, рассматриваются как предварительные и используются для скрининга отклонений; внесение в итоговую ведомость выполняется после верификации данными лидарного сканирования, ИНС-профилирования, тахеометрии, поверенного датчика пути или иной инструментальной основы.

Связка координатной и линейной моделей обеспечивается сопоставлением видеосессии с дорожным графом. При уверенном спутниковом приеме координаты видеосессии и объектов фиксируются непосредственно; при ухудшении приема задействуются инерциальные данные и одометрия с последующей коррекцией по опорным точкам. Такая схема устраняет типичный дефект полевых обследований: объект снят на видео, но его местоположение в паспорте дороги указано с неопределенной точностью. Объектная карточка содержит видеодоказательство, координату, км+, сторону расположения, тип, геометрические параметры, источник измерения и версию модели, сформировавшей предварительную разметку.

Нейросетевая обработка выявляет не только отдельные объекты, но и их взаимосвязи. Остановочный пункт анализируется вместе с уширением, посадочной площадкой, пешеходной связью, знаками, разметкой, видимостью и фактическим поведением транспортного потока. Перегрузка подхода к пересечению связывается не только с интенсивностью, но и с геометрией полос, конфликтом маневров, размещением остановки или видимостью. Поэтому банк дорожных данных хранит связанную модель объектов, участков, событий и расчетных показателей, а не набор разрозненных таблиц.

ГИС, дорожный граф и единая модель расчета загрузки

Геоинформационная система в реализованной технологии выполняет роль вычислительного каркаса. Каждый замер интенсивности, каждый объект инфраструктуры и каждая характеристика транспортного предложения связана с узлом, ребром или направлением дорожного графа. Такая структура переводит локальное наблюдение в сетевой анализ: оценивается влияние перегруженного подхода на соседние участки, сопоставляются изменения маршрутов с состоянием объектов, учитываются зоны влияния пересечений, остановок, въездов, ремонтных работ и временных ограничений.

В рамках расчета zᵢ(t) ГИС не является самостоятельным визуальным слоем. Она хранит актуализируемую модель дорожного графа, слой геометрии и объектов, временные ряды транспортного спроса, правила контроля качества и историю изменений. Такая модель нужна прежде всего для вычисления Cᵢ(t): при изменении разметки, ширины полос, микропрофиля покрытия или схемы организации движения обновляется версия признаков транспортного предложения и фиксируется основание изменения. Этот контур обеспечивает формирование единой версии сведений о состоянии участка, а не параллельного архива таблиц и изображений. Методически такой подход согласуется с работами по мобильному картографированию и автоматизированной паспортизации дорожных объектов [19, 20]. Геопространственное машинное обучение дополняет этот контур как инструмент связывания визуальных и координатных признаков дорожной среды [21].

Для дорожной отрасли особенно важен переход между географической и линейной привязкой. Координатное представление удобно для ГИС, мобильного картографирования и нейросетевой обработки. Линейная привязка относительно дороги, километровых знаков и пикетажа удобна для паспортов, ведомостей, эксплуатации и капитального ремонта. В единой технологии обе системы ведутся одновременно: нейросеть и ГИС работают с координатами и геометрией, а отчетные формы и инженерные решения получают привязку в привычном дорожном формате. Ошибки такого преобразования фиксируются, поскольку неправильное отнесение объекта к участку искажает расчет уровня загрузки и перечень мероприятий по повышению пропускной способности. Практическая необходимость такого перехода ранее была показана в клиент-серверной технологии Geovideo, где полный цикл включал видеосъемку, координатное описание объектов, линейную привязку, ведомости и линейный график паспорта дороги [22].

Единое пространство данных объединяет потоковые наблюдения, паспортизацию, результаты мобильного картографирования, транспортную модель и эксплуатационные сведения. Видеомониторинг обновляет интенсивность и состав потока, мобильная съемка – дорожные объекты и видимое состояние, стационарные датчики – непрерывные временные ряды, а транспортная модель – прогноз распределения потоков. Нейросети выполняют извлечение признаков и прогнозирование, а инженерный контур сохраняет проверяемую интерпретацию результата. При изменении разметки, ширины полос, микропрофиля покрытия или схемы организации движения версия дорожной модели обновляется вместе с основанием изменения, поэтому расчет Cᵢ(t) не опирается на устаревшую паспортную запись.

Расчет загрузки и прогнозирование на дорожном графе

Расчетный модуль преобразует треки транспортных средств в интервальные показатели. Для каждого направления и полосы формируются qᵢ(t), состав потока, доля тяжелого транспорта, коэффициенты часовой и суточной неравномерности, распределение по классификационным группам и контрольные линии пересечения. Далее инженерный модуль рассчитывает Cᵢ(t) по геометрическим и эксплуатационным признакам дороги. На этой основе формируется zᵢ(t), карта перегруженных интервалов, ведомость участков с дефицитом пропускной способности и сценарии приоритетных мероприятий.

Расчет zᵢ(t) сопровождается индексом достоверности. При снижении освещенности, тумане, снегопаде, высокой доле окклюзий или плотном потоке тяжелых грузовых автомобилей система расширяет доверительный интервал qᵢ(t) и zᵢ(t), а также передает фрагменты в экспертный интерфейс. Поэтому итоговая ведомость показывает не только значение загрузки, но и качество исходного наблюдения, влияющее на управленческое решение. Графическое представление интервальной интенсивности с доверительными интервалами показано на Рис. 5.

 

Рис. 5. Суточный профиль интенсивности и структура транспортного потока. Прогнозный профиль рассчитан с применением Temporal Fusion TransformerРис. 5. Суточный профиль интенсивности и структура транспортного потока. Прогнозный профиль рассчитан с применением Temporal Fusion Transformer

Fig. 5. Daily traffic intensity profile and traffic-flow structure. The forecast profile was calculated using Temporal Fusion Transformer

 

После получения данных о спросе и предложении выполняется прогноз. Для краткосрочного горизонта, который может длиться от нескольких минут до нескольких часов, используются текущие состояния потока, очереди, задержки, погодные условия, события и пропускная способность узких мест. Для среднесрочного горизонта продолжительностью от суток, до недели или сезона учитываются повторяющиеся режимы работы территорий, грузовые маршруты, школьные и производственные циклы, ремонтные ограничения. Наибольший эффект дают модели, которые учитывают не только временной ряд отдельной точки, но и пространственные связи дорожной сети.

Прогнозный слой платформы основан на пространственно-временных моделях дорожного графа. DCRNN и STGCN рассматриваются как базовые бенчмарки, задающие проверяемую основу для сравнения новых решений: первая модель описывает распространение транспортного состояния как диффузионный процесс, вторая использует графовые и временные свертки [23, 24]. Современные исследования развивают этот класс моделей за счет адаптивных графов, федеративного обучения, дифференциальных уравнений на графах и учета сетевого контекста; к таким направлениям относятся обзоры GNN-прогнозирования, FedGODE и 6G-conditioned/DCRNN6G-подходы [25–27]. Для дорожной сети это принципиально, поскольку перегрузка распространяется через узлы, альтернативные маршруты и ограничения пропускной способности.

В рабочем контуре прогноз связан с инженерной базой. Модель получает интервальную интенсивность, состав потока, календарные признаки, погодные признаки, тип участка, геометрию, зоны влияния, ограничения движения и архивные события. На выходе формируются прогнозные zᵢ(t), интервалы перегрузки, вероятность перехода участка в предельный режим и объяснимые факторы прогноза. Для многошагового прогноза с учетом статических признаков дороги, известных будущих факторов, режимов работы крупных объектов притяжения и наблюдаемых временных рядов используется Temporal Fusion Transformer [28]. Такой результат применяется для планирования временных схем организации движения, расстановки пунктов наблюдения, уточнения транспортной модели и выбора участков для детального обследования.

На территориях с малой инфраструктурной доступностью графовые модели не используются как самостоятельный прогнозный инструмент при единичном объезде. Они подключаются после накопления повторных обследований, стационарных или внешних временных рядов, а также результатов транспортной модели. Периодические мобильные обследования дают иной режим данных, чем сети с регулярными датчиками, поэтому прогноз хранится вместе с признаками достоверности, доверительным интервалом и объемом исходной наблюдательной базы.

Для расчета уровня загрузки важна не только величина qᵢ(t), но и способ оценки Cᵢ(t). Если пропускная способность принята по устаревшим паспортным данным, показатель загрузки занижается или завышается. Если она рассчитана только по косвенным визуальным признакам, возрастает риск неконтролируемой ошибки. Поэтому в платформе раздельно хранятся фактический спрос, инженерно-рассчитанная базовая пропускная способность и поправки, связанные с текущим состоянием покрытия, видимостью, погодой, ограничениями и организацией движения. Нейросети ускоряют извлечение этих поправок из данных, а расчетный журнал фиксирует их влияние на итоговый показатель и доверительный интервал.

Надежность, контроль качества и практический эффект

Надежность технологии обеспечивается раздельной оценкой каждого слоя. Полевой слой проверяется по полноте обзора, временной синхронизации, координатной привязке и качеству изображения. Нейросетевой слой проверяется по размеченной контрольной выборке, метрикам детекции, трекинга и классификации. Инженерный слой проверяется воспроизводимостью расчета qᵢ(t), Cᵢ(t) и zᵢ(t), корректностью линейной привязки и соответствием отчетных форм. Научно-техническая значимость контура определяется тем, что итоговая цифра интенсивности сопровождается архивом, доказательной базой, методикой пересчета и воспроизводимым цифровым следом.

Мировой опыт применения компьютерного зрения, мобильного картографирования и геоинформационных моделей дорожной сети позволяет оценивать эффект дифференцированно. Высокую степень надежности имеют эффекты, связанные с фиксацией первичных данных: видеозапись обеспечивает проверяемость места и времени наблюдения, мобильная геопривязка повышает повторяемость обследований, а единое хранение материалов снижает риск потери контекста. Высокую или среднюю степень надежности имеет автоматизация подсчета транспортных средств при хорошем ракурсе, достаточном качестве изображения и локально проверенной модели. Среднюю степень надежности имеет автоматическое определение состава потока, поскольку ошибки чаще возникают на визуально близких классах и при частичных перекрытиях. Характеристики пропускной способности и долгосрочный прогноз загрузки переводятся в эксплуатационный результат после инструментальной проверки и накопления локальной статистики.

Наиболее устойчивый практический эффект проявляется в трех направлениях. Во-первых, уменьшается доля рутинной ручной работы: оператор переходит от сплошного просмотра видеозаписей к проверке спорных событий, обучающих примеров и контрольных выборок. Во-вторых, повышается прослеживаемость расчетов: итоговая таблица интенсивности связана с конкретным видеофрагментом, моделью распознавания, контрольной линией и дорожным участком. В-третьих, создается база для регулярного обновления транспортной модели, а не только для разового отчета. Количественная оценка эффекта выполняется по собственным контрольным выборкам: точности и полноте детекции, ошибке счета по направлениям, времени камеральной обработки, доле фрагментов, переданных на экспертную проверку, и числу выявленных расхождений с историческими паспортными данными. Эти эффекты соотносятся с подходами к мониторингу движения и проверяемым видеоданным [1, 2]. Автоматизация подсчета и сопровождения транспортных средств опирается на исследования компьютерного зрения для транспортных сцен [7, 8]. Мобильное картографирование и ведение дорожных данных обеспечивают основу для уточнения признаков транспортного предложения [19–21].

Для исключения декларативной оценки результата контрольная проверка оформляется как отдельный верификационный протокол (Табл. 1). В него включаются только показатели, полученные на размеченной выборке; при отсутствии эталонной ручной разметки численные значения не подменяются экспертной оценкой.

 

Таблица 1. Результаты количественной верификации нейросетевой обработки на контрольной выборке

Table 1. Quantitative verification results of neural-network processing on the control sample

Показатель	Измеряемая величина	Эталон / способ проверки	Использование в расчете и отчете
Объем контрольного набора	14 видеосессий; 52 ч видео; 6 направлений; 18 контрольных линий; 17 500 размеченных кадров; 1 200 треков для независимой проверки состава потока	Ручная разметка траекторий, классов и событий пересечения линий двумя независимыми операторами; расхождения согласованы контрольным просмотром	Границы применимости модели: дневное, сумеречное и ночное освещение; сухое и мокрое покрытие; отдельная маркировка условий съемки для расчета Rᵢ(t)
Детекция ТС (YOLOv12-X, RT-DETRv4-R18)	mAP@50: легковые – 0,91; грузовые (средние и тяжелые) – 0,86; автобусы – 0,89; мотоциклы – 0,78; среднее по указанным классам – 0,86	Ручная разметка 4000 кадров с видимыми объектами	Порог уверенности 0,50 для событийного слоя; классы с mAP@50 <   0,70 и фрагменты с низкой освещенностью направляются на экспертную проверку
Трекинг и идентификация	MOTA – 0,78; IDF1 – 0,84; доля обрывов треков до контрольной линии – 4,7%; доля ошибочных переключений ID – 2,1%	Ручные треки на 120 фрагментах с перестроениями и остановками	Оборванные треки исключаются из подсчета qᵢ(t); оператор проверяет все случаи потери ID
Подсчет интенсивности	Средняя абсолютная процентная ошибка (MAPE): дневное освещение, ясно/облачно – 6,4%; сумерки, дождь – 14,2%; ночь, освещенные участки – 24,8%	Сравнение с ручным подсчетом по 18 контрольным линиям (суммарно 850 интервалов по 15 мин)	Формирует доверительный интервал qᵢ(t); при MAPE > 15% интервал помечается как пониженной достоверности и рекомендован к повторной съемке либо ручной сверке
Индекс достоверности Rᵢ(t)	Rᵢ(t) ∈ [0; 1]: штатная зона – Rᵢ(t) ≥ 0,80; контрольная зона – 0,60 ≤ Rᵢ(t) <   0,80; низкая достоверность – Rᵢ(t) <   0,60	Расчет по precision классов ТС, доле окклюзий и обрывов треков, коэффициенту условий съемки и качеству координатной/линейной привязки	Определяет ширину доверительного интервала zᵢ(t), режим экспертной проверки и необходимость повторной съемки
Классификация состава потока	Precision по классам: легковые – 0,95; автобусы – 0,91; средние грузовые – 0,88; тяжелые грузовые – 0,83; автопоезда – 0,74. Ошибка доли тяжелых ТС – 2,4 процентного пункта	Ручная проверка 1200 случайно отобранных треков	Влияет на приведенную интенсивность и поправки к пропускной способности; автопоезда дополнительно проверяются оператором.
Производительность камеральной обработки	Среднее машинное время обработки 1 ч видео – 24 мин (GPU-сервер V100×2). Доля треков, переданных на экспертный интерфейс, – 12,3%	Журналы серверной обработки и действий оператора	Сокращает сплошной ручной просмотр до выборочной проверки; фактическая трудоемкость оператора определяется по журналам действий и доле фрагментов, переданных в экспертный интерфейс.
Сверка признаков транспортного предложения	На 32 км обследованной дороги выявлено: расхождений по ширине полосы > 15 см – 23 участка; знаков, отсутствующих в паспорте, – 14; несовпадений типа разметки – 31 случай. Все расхождения подтверждены лидарной съемкой	Лидар, тахеометрическая проверка и сверка с действующими ведомостями	Используется для уточнения Cᵢ(t), назначения инструментальной паспортизации и обновления признаков транспортного предложения в дорожном графе.

 

Примечание к Табл. 1. Значения mAP@50, MOTA, IDF1, MAPE и Rᵢ(t) получены на собственной контрольной выборке, указанной в первой строке таблицы. Открытые наборы данных, включая AI City Challenge, использовались как внешний ориентир для состава задач видеодетекции и трекинга, но не смешивались с контрольной выборкой при расчете приведенных метрик.

Эксплуатационные ограничения встроены в регламент качества. Нейросетевые модели чувствительны к доменному сдвигу: городские камеры одного региона, загородные дороги, снегопад, нестандартные транспортные средства и иной угол установки дают разные распределения признаков. Ошибки классификации тяжелых грузовых автомобилей и автопоездов заметно влияют на приведенную интенсивность. Геометрические параметры, извлеченные из изображений без надежной калибровки и пространственной привязки, не подменяют инструментальные измерения там, где требуется высокая точность. Геоинформационная модель участка сохраняет эксплуатационную пригодность только при регулярном обновлении данных и контроле истории изменений.

В методике используется не ручной и не полностью автономный режим, а управляемый человеко-машинный контур. Нейросети выполняют массовую обработку, инженерный слой ограничивает область применения моделей, оператор проверяет низкоуверенные, аномальные и нештатные фрагменты: нестандартные негабаритные транспортные средства, временные схемы движения, ремонтные зоны, плотные окклюзии и изменения организации движения. Такой режим обеспечивает производительность автоматизации без утраты инженерной ответственности. Состав основных нейросетевых модулей, формируемый инженерный результат и условия надежного применения каждого компонента систематизированы в Табл. 2.

 

Таблица 2. Нейросетевые компоненты платформы, инженерный результат и условия надежности

Table 2. Neural-network components of the platform, engineering result, and reliability conditions

Модуль	Основные технологии	Инженерный результат	Условия надежности и эффект
Контроль полевой сессии	Синхронизация времени, ГНСС-приемник, инерциальные датчики, контроль ракурса, качества изображения и зон наблюдения	Пространственно-временной паспорт видеосессии и перечень дефектов съемки	Высокая организационная надежность при сохранении метаданных; предотвращает непригодные для расчета записи
Детекция транспортных средств	YOLO, RT-DETR, классификаторы реального времени	Боксы, классы, уверенность, первичные события появления объектов	Высокая при хорошем ракурсе, локальной валидации и регулярной контрольной разметке
Трекинг и направления	ByteTrack, BoT-SORT, Re-ID, калибровка перспективы, контрольные линии	Траектории, ID, пересечения линий, распределение по направлениям, полосам и маневрам	Исключает двойной счет; обрывы треков и ошибочные сшивки выявляются экспертным интерфейсом
Сегментация сцены	SAM/SAM 2, U-Net/DeepLab-семейство, модели открытого словаря	Маски транспортных средств, разметки, границ проезжей части и зон обустройства	Уточняет сложные объекты; нормативные атрибуты закрепляются после инженерной проверки
Классификация состава потока	CNN/ViT-энкодеры, metric learning, правила преобразования визуальных классов в инженерные группы	Состав потока, приведенная интенсивность, группы ТС для расчета пропускной способности	Надежность повышается локальной выборкой; автопоезда и визуально близкие классы выделяются для контроля
Извлечение дорожных объектов	Детекция, сегментация, OCR, слияние видео, точечных облаков и ГИС	Знаки, разметка, барьеры, остановки, полосность, видимые дефекты и предварительные объектные карточки	Высокая для типовых видимых объектов; паспортные геометрические параметры подтверждаются инструментальными измерениями
ГИС и дорожный граф	Сопоставление с дорожным графом, линейная привязка км+, управление версиями дорожной модели	Связь событий, объектов, участков, ведомостей и расчетных показателей	Повышает прослеживаемость; ошибки отнесения объекта к участку фиксируются журналом качества
Прогноз загрузки	DCRNN/STGCN как бенчмарки, Temporal Fusion Transformer, адаптивные и федеративные пространственно-временные модели	Прогноз q(t), C(t), z(t), интервалы перегрузки, доверительный интервал и вероятность предельного режима	Надежность зависит от плотности временных рядов; при редких обследованиях применяются инженерные ограничения, внешние данные и оценка достоверности

 

Эксплуатационный контур реализации

Реализованный контур начинается с проектирования данных. Формируется дорожный граф и перечень расчетных показателей: интенсивность по направлениям, состав потока, приведенная интенсивность, коэффициенты неравномерности, уровень загрузки, задержки и характеристики транспортного предложения. Затем определяются виды съемки и датчиков, необходимые для получения этих показателей: стационарное или мобильное видео, панорамная съемка, ГНСС-приемник, инерциальные датчики, датчик пути, лидар, профиль покрытия, внешние погодные и событийные данные. Выбор нейросетевой архитектуры выполняется после фиксации наблюдаемого показателя, поскольку одна и та же модель дает различные результаты при различной постановке съемки. Реализация распределена между программными модулями: сбора и хранения данных, нейросетевой обработки и расчетно-отчетного модуля.

Эталонная разметка включает типичные и сложные ситуации: пересечения, многополосные участки, заторы, ночные кадры, неблагоприятную погоду, перекрытия грузовым транспортом, движение общественного транспорта и нестандартные маневры. Разметка используется для обучения, валидации и периодической проверки качества. При изменении камер, ракурсов, классификации транспортных средств или территориального охвата модель проходит повторную проверку на контрольной выборке.

Производственный контур объединяет полевое устройство, сервер обработки, экспертный интерфейс и отчетный модуль. Полевое устройство контролирует качество записи и собирает данные, сервер выполняет нейросетевую обработку и слияние с ГИС, экспертный интерфейс показывает события с низкой уверенностью, а отчетный модуль формирует таблицы интенсивности, характеристики транспортного предложения, уровень загрузки и перечень участков, требующих дополнительного обследования. Экспорт выполняется в форматы, используемые транспортными моделями, паспортами дорог, линейными графиками и системами ведения дорожных данных.

Новые обследования не добавляют разрозненные таблицы, а улучшают модели: пополняют обучающие выборки, уточняют сезонные профили, выявляют зоны устойчивой ошибки, сопоставляют прогноз с фактическим потоком и корректируют параметры пропускной способности. В результате сформирован не разовый программно-аппаратный комплекс учета интенсивности, а развивающаяся инженерная платформа для мониторинга, паспортизации, прогнозирования и планирования мероприятий на дорожной сети.

Заключение

Единая технология оценки уровня загрузки автомобильных дорог реализована как нейросетевой, геоинформационно связанный и проверяемый инженерный контур. Ее ядром является не отдельная камера и не отдельная модель распознавания, а последовательность: качественная съемка, пространственно-временная привязка, детекция и трекинг транспортных средств, классификация состава потока, извлечение признаков транспортного предложения, расчет пропускной способности, прогнозирование на дорожном графе и контроль качества результатов.

Реализованные технические решения включают мультимодальное объединение видео, ГНСС-приемник, инерциальную навигационную систему (ИНС), лидарные и ГИС-данные; применение детекторов и трекеров реального времени для событийного учета транспорта; использование пространственно-временных моделей дорожного графа при наличии достаточной временной базы; применение универсальных сегментационных моделей как инструмента предварительного формирования паспорта дороги; хранение результатов вместе с исходными фрагментами, индексом достоверности и доверительным интервалом. Такой состав решений сохраняет инженерную проверяемость расчета уровня загрузки и обеспечивает обновление сведений о дорожном участке без разрыва между видеонаблюдением, ГИС, паспортными сведениями и расчетными ведомостями.

Финансирование

Статья подготовлена в рамках государственного задания Минобрнауки России (тема № FSFM-2025-0004 Применение публичных нейросетей для автоматизированного генерирования элементов уличной и дорожно-транспортной инфраструктуры).

Авторы заявляют что:

1. У них нет конфликта интересов;
2. Настоящая статья не содержит каких-либо исследований с участием людей в качестве объектов исследований.

The authors state that:

1. They have no conflict of interest;
2. This article does not contain any studies involving human subjects.

About the authors

Andrey A. Kotov

the Moscow Automobile and Road Construction State Technical University; GEOTRANS LLC

Email: gt@madi.ru
ORCID iD: 0000-0002-6855-0688
SPIN-code: 4337-7527

Associate Professor, CEO

Russian Federation, Moscow; Moscow

Sergey N. Kozhevnikov

COSMOGEOLOGY LLC

Author for correspondence.
Email: skozhevnikov@cosmogeology.com
ORCID iD: 0009-0002-5700-0733
SPIN-code: 6379-1134

GIS / Data science analyst, President

Russian Federation, Moscow

References

Supplementary files