Теоретические принципы и методы повышения эффективности системы управления транспортными потоками в безаварийном режиме в городских агломерациях тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Шешера Николай Геннадьевич

• Шешера Николай Геннадьевич
• доктор наук
• 2025

Оглавление диссертации доктор наук Шешера Николай Геннадьевич

ВВЕДЕНИЕ

ГЛАВА 1. СОВРЕМЕННЫЕ ТЕНДЕНЦИИ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ ОБРАБОТКИ ДАННЫХ. ОСОБЕННОСТИ ФУНКЦИОНИРОВАНИЯ УДС

1.1. Обзор методов машинного обучения

1.1.1. Классификация

1.1.2. Нейронные сети

1.1.3. Ансамблевые методы. Метод случайного леса

1.2. Интеллектуальные транспортные системы

1.3. Установление зависимостей дорожно-транспортных происшествий от составляющих системы ВАДС и особенностей климата

1.4. Методика коэффициентов аварийности

Выводы по главе

ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПОДГОТОВКИ ДАННЫХ ДЛЯ АНАЛИЗА ИНТЕНСИВНОСТИ ДОРОЖНОГО ДВИЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

2.1. Группировка данных об интенсивности транспортного потока с использованием программно-аппаратных комплексов

2.2. Сбор, обработка и группировка данных о погодно-климатических условиях функционирования анализируемой улично-дорожной сети и показателей естественного освещения

2.3. Особенности применения современных геоинформационных систем для получения данных о геометрических элементах дорог

2.4. Исследование влияния погодно-климатических условий на улично-дорожной сети

2.4.1. Учетные данные о погодно-климатических условиях

2.4.2. Способы влияния показателей погоды на интенсивность транспортного потока

2.5. Определение эффективных широт интервалов влияния температурных режимов на интенсивность транспортного потока с использованием ранговой

корреляции Спирмена

2.6. Парная ранговая корреляция Спирмена для определение эффективных

широт интервалов влияния сопутствующих погодных факторов

Выводы по главе

ГЛАВА 3. МЕТОДИКИ МАШИННОГО ОБУЧЕНИЯ

3.1. Глубокое обучение с использованием нейронных сетей deep learning с целью прогнозирования интенсивности транспортного потока

3.1.1. Архитектура нейронной сети обратного распространения

3.1.2. Формирование данных

3.1.3. Подготовка данных

3.1.4. Очистка от выбросов методом изолированных деревьев

3.1.5. Обучение модели

3.2. Обучение с учителем. Метод случайного леса

3.2.1. Подготовка и установка зависимостей

3.2.2. Предварительный анализ данных

3.2.3. Обучение и проверка модели

3.2.4. Прогноз

Выводы по главе

ГЛАВА 4. РЕЗУЛЬТАТЫ СОВЕРШЕНСТВОВАНИЯ МЕТОДИКИ КОЭФФИЦИЕНТОВ АВАРИЙНОСТИ ДОПОЛНЕННЫМ РАСЧЕТОМ ПО МЕТОДУ КОЭФФИЦИЕНТОВ ТРАВМАТИЗМА И РАЗРАБОТКА МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ МЕТОДОМ СЛУЧАЙНОГО ЛЕСА ДЛЯ ПРОГНОЗА

ТРАВМАТИЗМА ПРИ ДТП

4.1. Разработка модели оценки безопасности дорожного движения с позиции травматизма с помощью логистической регрессии

4.1.1. Общие положения логистических регрессий

4.1.2. Установление корреляционных связей влияния дорожных факторов на травматизм при ДТП

4.1.3 Количественная оценка рабочей модели, способ ее применения

4.1.4. Обоснование полученных коэффициентов травматизма с точки зрения психологии поведения водителя и пешехода

4.2. Реализация разработанной методики

4.3. Проверка целесообразности дополнения Методики коэффициентов аварийности дополненным расчетом по методу коэффициентов травматизма

4.4. Совершенствование оценки травматизма при ДТП методом машинного обучения

4.4.1. Определение максимальной допустимой скорости для движения

4.4.2. Машинное обучение - Метод случайного леса

Выводы по главе

ГЛАВА 5. РАЗРАБОТКА РЕКОМЕНДАЦИЙ ПО ПРИМЕНЕНИЮ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ

5.1. Прототип программного обеспечения, проецирующего интенсивность транспортного потока открытых геоинформационных систем на примере улицы Ленина в городе Хабаровске

5.2. Рекомендации по внедрению разработанных методик

5.3. Экономическая эффективность реализации методик оценки безопасности

дорожного движения

Выводы по главе

ИТОГИ ВЫПОЛНЕНИЯ ИССЛЕДОВАНИЯ

Список литературы

ПРИЛОЖЕНИЕ А. ОБОЗНАЧЕНИЯ ШИФРА ПОГОДЫ (WW)

ПРИЛОЖЕНИЕ Б. РЕЗУЛЬТАТЫ РАНГОВОЙ КОРРЕЛЯЦИИ СПИРМЕНА ШИРОТ ИНТЕНСИВНОСТИ ТРАНСПОРТНОГО ПОТОКА И

ТЕМПЕРАТУРНЫХ РЕЖИМОВ (ВОЗДУХА, ПОЧВЫ И ТОЧКИ РОСЫ)

ПРИЛОЖЕНИЕ В. УСЛОВНЫЕ ОБОЗНАЧЕНИЯ

ПРИЛОЖЕНИЕ Г. ПРАВИЛА КОНТРОЛЯ ДАННЫХ КОЛОНОК ФАЙЛА CSV

НА ЭТАПЕ ПОДГОТОВКИ ДАННЫХ

ПРИЛОЖЕНИЕ Д. ПРОГНОСТИЧЕСКИЕ ВОЗМОЖНОСТИ РУБЕЖЕЙ

ПРИЛОЖЕНИЕ Е. ДОПУСТИМЫЕ ИНТЕРВАЛЫ И ЗНАЧЕНИЯ ДЛЯ БИНАРИЗАЦИИ МОДУЛЯ UTILS ДИРЕКТОРИИ APP/DOMAIN/HELPERS .. 362 ПРИЛОЖЕНИЕ Ж. ХАРАКТЕРИСТИЧЕСКИЕ КРИВЫЕ (ROC-ANALISYS) ПО

РАСПРЕДЕЛЕННЫМ ГРУППАМ

ПРИЛОЖЕНИЕ И. РЕЗУЛЬТАТ ПРОВЕРКИ МОДЕЛИ ТЕСТОВОЙ ВЫБОРКОЙ

МЕТОДОМ СЛУЧАЙНОГО ЛЕСА

ПРИЛОЖЕНИЕ К. АНАЛИЗ ДАННЫХ В ПРОГРАММЕ STATISTICA

ПРИЛОЖЕНИЕ Л. ОПИСАНИЕ УЛИЦЫ ЛЕНИНА В ГОРОДЕ ХАБАРОВСКЕ

НА ЯЗЫКЕ ПРОГРАММИРОВАНИЯ PYTHON

ПРИЛОЖЕНИЕ М. АКТЫ ПРИЕМКИ ТРАНСПОРТНЫХ ОБЪЕКТОВ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Теоретические принципы и методы повышения эффективности системы управления транспортными потоками в безаварийном режиме в городских агломерациях»

Актуальность темы исследования

Неуклонный рост уровня автомобилизации неизбежно приводит к перегруженности элементов улично-дорожной сети (УДС) в городах нашей страны. Увеличивается число конфликтных ситуаций, формируются аварийно-опасные условия, которые сопровождаются постоянными и переменными факторами системы Водитель - Автомобиль - Дорога - Среда (ВАДС). Снижения их совместного негативного влияния достигается путем реконструкции, ремонта, строительства новых дорог и развязок, установкой дорожных знаков, светофорного регулирования и т. д. В густонаселенном городе становится проблематично и очень затратно производить работы по строительству, ремонту и реконструкции, при этом ДТП приносят значительный материальный и физический ущерб.

Повышение качества и безопасности дорожного движения в последнее десятилетие приобрела особую остроту в связи с несоответствием дорожно-транспортной инфраструктуры потребностям общества и государства в безопасном дорожном движении. Дороги перестают эффективно выполнять свои функции, снижается их надежность, создаются конфликтные ситуации, результатом которых, в большинстве случаев, становятся ДТП.

Самые трудно восполняемые потери от ДТП - это физические (травмы и смерть). Ежегодно в России от ДТП погибает около 15 тыс. чел. и порядка 160 тыс. получают ранения. По оценке специалистов, ежегодный экономический ущерб от дорожных происшествий составляет порядка 3 % валового национального продукта страны.

Существуют пределы транспортно-эксплуатационного качества дороги, превышение которых требует оперативного вмешательства. В этих случаях производят работы по ремонту, капитальному ремонту или реконструкции. Для оценки качества и безопасности дорожного движения используют различные методики: Методика коэффициентов аварийности, Методика коэффициентов безопасности, Методика оценки безопасности движения на пересечениях, основанный на исследовании конфликтных точек. Одним из самых эффективных методов определения

уровня аварийности является - Методика коэффициентов аварийности, разработанный проф. В.Ф. Бабковым [1], в котором был установлен рекомендуемый уровень и критерии оценки безопасности дорожного движения. Данный метод оказывает влияние на устранение недостатков будущей дороги в ходе проектирования и строительства.

Согласно исследованиям профессора В.Ф. Бабкова установлено, что перечень коэффициентов не является исчерпывающим, а их значения окончательными. По мере дальнейшего накопления статистических данных, количество влияющих факторов и значения коэффициентов должны уточняться. Увеличивается количество автомобилей, изменяются их технические и технологические свойства, неравномерность изменения транспортно-эксплуатационных характеристик по длине дороги при неблагоприятных природно-климатических условиях (гололедице, тумане, осенней распутицы и т. п.), все эти факторы корректируют значение полученных результатов.

Со значительным изменением дорожной обстановки, требуется уточнения Методики коэффициентов аварийности.

Также стоит учесть, что на сегодняшний день уровень систем сбора и обработки информации дает возможность более точной оценки безопасности дорожного движения. В России с 2010 года развивается концепция интеллектуальных транспортных систем для решения большого круга задач, в том числе перераспределения транспортных и пешеходных потоков за счет изменения активных фаз светофоров в случае повышения опасности дорожного движения [2]. Под опасностью понимается прежде всего высокий риск аварийности. С использованием методов машинного обучения возможно оценить степень тяжести ДТП, что позволит пересмотреть приоритеты транспортного распределения, ориентируясь прежде всего на здоровье граждан.

В данной работе критерием отбора ДТП для изучения причин их возникновения является тяжесть последствий. Возникновение ДТП с тяжкими последствиями указывает на необходимость совершенствования состояния нормативной базы,

действующей системы контроля, технологий проектирования транспортных сооружений и интеллектуальной транспортной системы.

Работа актуальна с научной и практической точек зрения.

Степень разработанности темы

Организация и безопасность дорожного движения имеет очень важное значение в функционировании и развитии транспортной инфраструктуры. В данном направлении существует ряд актуальных вопросов и проблем, которым посвящено значительное количество научных трудов, авторами которых в разное время являлись: Афанасьев М.Б., Бабков В.Ф., Близниченико С.С., Варлашкин В. В., Воробьев Ю.В., Дивочкин О.А., Жанказиев С.В., Клинковштейн Г.И., Коноплянко В.И., Ларин О.Н., Михайлов А.Ю., Немешди Э., Нечаев А.К., Нурминский Е.А., Пугачев И.Н., Пуркин В.И., Садырходжаев А., Сильянов В.В., Ситников Ю.М., Сотиров Д., Шевяков А.П. и многие другие. За рубежом наиболее известны труды Д. Дрю (D. Drew), Джоель Лейч (Joel P. Leisch), Джек Лейч (JackE. Leisch), Ю. Шен (J. Shen), C. Лода (S. Loder), Дж. Леннон (J. Glennon), В. Брилон (W. Brilon), Б. Линд (B. Lind) и многих других.

В работе для оценки безопасности дородного движения особое внимание уделяется сопутствующим ДТП с травматизмом статическим и динамическим окружающим признакам характеристик УДС, которые добывались и обрабатывались натурным и программно-аппаратным способом. Разработанные подходы к прогнозированию ДТП с травматизмом имеют разную направленность применения с учетом возможностей специалиста. Усовершенствованная Методика коэффициентов аварийности поправочными коэффициентами тяжести применима в условиях отсутствия вычислительных возможностей, для проектирования и строительства. Оценка травматизма при ДТП с использованием машинного обучения требует вычислительную технику и применима в городской среде для прогноза с учетом изменения динамических характеристик.

В густонаселенном городе становится проблематично и очень затратно производить работы по строительству, ремонту и реконструкции, при этом ДТП приносят значительный материальный и физический ущерб.

В дорожном строительстве данная проблема далеко не однозначна, т. к. связана с организацией и безопасностью дорожного движения. Это проявляется в:

- существенном количественном росте автомобильного парка страны;

- серьезным отставанием развития дорожной инфраструктуры от потребностей современного общества;

- уровне смертности на дорогах России, который занимает одно из лидирующих мест в мире;

- недостаточно эффективной системе государственного управления в данной сфере.

Рост автомобильного парка и интенсивности движения транспортных средств, наряду с огромным положительным влиянием на экономику государств, созданием удобства и комфорта для людей, приводит к неизбежным человеческим жертвам, материальному ущербу, транспортным заторам и резкому снижению скорости движения в результате ДТП.

Учет дорожно-транспортных происшествий и анализ их причин стал основой всей деятельности по обеспечению безопасности дорожного движения. Существенным недостатком выявления опасных мест на улично-дорожной сети является возможность делать выводы по уже случившимся дорожно-транспортным происшествиям, в то время как главной задачей организации дорожного движения (ОДД) является их предупреждение. Мероприятия по ОДД направлены на то, чтобы либо предотвратить ошибки людей, либо снизить тяжесть последствий ДТП.

Рабочая гипотеза заключается в том, что безопасность дорожного движения можно значительно повысить в городских агломерациях путем совершенствования существующей Методики коэффициентов аварийности проф. В.Ф. Бабкова для проектирования и строительства автомобильных дорог, а для целей их эксплуатации дополнить вычислительные комплексы интеллектуальных транспортных систем методом оценки травматизма при ДТП на основе алгоритмов машинного обучения.

Цель работы - разработка научно-методологической основы снижения травматизма при ДТП в городских агломерациях на всех стадиях жизненного цикла автомобильных дорог.

Задачи исследования

1. Оценить участки аварийности и характер ДТП как следствие совокупного влияния элементов системы ВАДС.

2. Исследовать современные информационно-аналитические ресурсы учета и регистрации характеристик УДС и погодно-климатических условий, разработав инструменты сбора и подготовки информации из открытых источников данных через API.

3. Разработать алгоритмы, основанные на полученных теоретических результатах и программных прототипах их основных компонентов, методов и алгоритмов предиктивной аналитики.

4. Определить самые эффективные широты интервалов характеристик УДС и погодно-климатических условий, влияющих на интенсивность транспортного потока с применением ранговой корреляцией Спирмена.

5. Определить оптимальные аналитические и статистические способы прогнозирования на основе методов машинного обучения с применением комплексного подхода по обработке и анализу данных.

6. Разработать алгоритм прогноза и обучения модели изменения интенсивности транспортного потока в часовых интервалах времени.

7. Разработать алгоритм прогноза и обучения модели оценки травматизма при дорожно-транспортных происшествиях с применением ансамблевого метода машинного обучения.

8. Усовершенствовать Методику коэффициентов аварийности поправочными коэффициентами тяжести: разработать статистическую модель на основе логистической регрессии; рассчитать пороговое значение травматизма, превышение которого значительно повышает риск травматизма при ДТП; провести экспериментальные исследования с целью совершенствования Методики коэффициентов аварийности поправочными коэффициентами тяжести.

Объект исследования - транспортные потоки городских агломерациях и процессы возникновения ДТП с пострадавшими и без.

Предмет исследования - степень влияния факторов УДС на тяжесть последствий, закономерности возникновения ДТП с пострадавшими.

Научная новизна исследования:

1. Разработан универсальный метод прогноза интенсивности транспортных потоков в городских агломерациях с предварительным исследованием возможностей машинного обучения для решения задач классификации.

2. Установлены новые зависимости между условиями движения и интенсивностью транспортного потока в городской агломерации с оценкой достоверности результатов в часовых интервалах времени.

3. Повышена точность модели прогнозирования травматизма при ДТП с использованием метода случайного леса за счет расширения параметров условий движения, в результате чего разработан универсальный метод прогноза травматизма при ДТП в городских агломерациях.

4. Разработана прогностическая шкала для оценки степени опасности транспортного участка.

5. Впервые обосновано пороговое значение вероятности наступления травматизма в дорожно-транспортных происшествиях при анализе участка дороги с использованием линейного графика.

6. Научно обоснованы зависимости возникновения ДТП с травматизмом, от геометрических элементов и условий эксплуатации дороги.

7. Разработана система показателей безопасности с точки зрения травматизма.

8. Теоретически обоснована и практически апробированная методика определения травматизма при ДТП с использованием линейного графика коэффициентов аварийности.

Теоретическая значимость заключается в разработке новых подходов к прогнозированию травматизма при ДТП в городских агломерациях и определении

широкого диапазона характеристик системы ВАДС, оказывающих влияние на данный показатель.

Практическая значимость заключается в повышении безопасности дорожного движения на всех стадиях жизненного цикла автомобильных дорог, в разработке эффективной программной среды по обработке данных для интеллектуальных транспортных систем городских агломераций, в разработке практических рекомендаций по обеспечению безопасности движения с применением расчетно-гра-фического анализа и программно-аппаратного комплекса.

Положения, выносимые на защиту:

1. Методы сбора данных с современных информационно-аналитических ресурсов учета и регистрации УДС, погодно-климатических условий, изменения интенсивности транспортного потока от геометрических элементов дорог и условий эксплуатации в часовых интервалах времени и информации из открытых источников данных через API.

2. Метод компенсации недостаточности данных при оценке уровня травматизма, с использованием модели предсказания интенсивности транспортного потока в часовых интервалах времени с помощью подхода классификации.

3. Метод повышения качества прогнозирования травматизма при дорожно-транспортных происшествиях и детализации с помощью разработанной модели вероятностных предсказаний методом случайного леса.

4. Методика определения и назначения коэффициентов травматизма на основе результатов исследований условий возникновения ДТП.

5. Результаты экспериментальных исследований эффективности применения коэффициентов травматизма.

6. Рекомендации по внедрению методов прогноза травматизма при ДТП и интенсивности транспортного потока в систему организации и безопасности дорожного движения.

Степень достоверности научных положений подтверждается корректностью выполнения экспериментальных исследований, применением современных метрик оценки качества.

Реализация результатов работы

- при проверке качества строительства дороги «Обход Хабаровска»;

- при осмотре маршрутов патрулирования сотрудниками ДПС ГИБДД УМВД России по г. Хабаровску;

- при подготовке действующих специалистов ГИБДД УМВД России на курсах переподготовки и повышения квалификации ДВЮИ МВД России имени И.Ф. Шилова.

Методика внедрена в процесс формирования первоочередных мер, направленных на устранение причин и условий совершения ДТП на аварийно-опасных участках дорог, в КГКУ «Хабаровскуправтодор», ФКУ «Дальуправтодор», УГИБДД УМВД России по Хабаровскому краю, в учебный процесс при подготовке специалистов, бакалавров и магистров, обучающихся в Тихоокеанском государственном университете. Разработаны рекомендации по внедрению методов прогноза травматизма при ДТП и интенсивности транспортного потока в систему организации и безопасности движения.

Личный вклад автора заключается в формировании концепции и цели работы; постановке задач и их решении; разработке теоретических и методологических положений научной новизны исследования; разработанных с применением новых методов, моделей и подходов к решению задач, сформулированных в диссертации.

Апробация работы:

1. Международная научно-практическая конференция «Большие данные на службе в полиции», ФГБОУ ВО Академия управления МВД РФ, Москва, 2020 г.

2. Межведомственный семинар «Безопасность участников дорожного движения (к 100-летию Правил дорожного движения)», Тюмень, 10.06.2020 г.

3. XXII Краевой конкурс молодых ученых и аспирантов, ФГБОУ ВО ТОГУ, Хабаровск, 2020 г.

4. Научно-методические и научно-практические конференции ФГБОУ ВО ДВГУПС, Хабаровск, 2015-2024 гг.

5. Научно-методические и научно-практические конференции ФГБОУ ВО ДВЮИ МВД России имени И.Ф. Шилова, Хабаровск, 2018-2024 гг.

6. Научные чтения памяти профессора М.П. Даниловского. Дальний Восток: Проблемы развития архитектурно-строительного и дорожно-транспортного комплекса, г Хабаровск 2013-2018 г.;

7. Научная конференция «АР Консалт», г. Москва, 2016 г.

8. Международная научно-практическая конференция: влияние науки на инновационное развитие - г. Самара - 3 октября 2015 г.

9. IV Международная научно-практическая конференция «Формирование транспортных систем и социально-экономическое развитие городских агломераций» - г. Санкт-Петербург 28-29 мая 2024 г.

10. XVI Международная конференция ФГБОУ ВО СПбГАСУ. Организация и безопасность дорожного движения в крупных городах - г. Санкт-Петербург 27 сентября 2024 г.

Основные положения диссертации представлены в 18 печатных работах.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы и 11 приложений. Общий объем работы составляет 338 страниц, в том числе 143 рисунка и 36 таблиц. В списке литературы имеется 311 наименований.

Основное содержание и положения, составляющие научную новизну диссертации, соответствуют п.п. 1,6,8 и 11 Паспорта специальности 2.9.1. -Транспортные и транспортно-технологические системы страны, ее регионов и городов, организация производства на транспорте.

ГЛАВА 1. СОВРЕМЕННЫЕ ТЕНДЕНЦИИ ИНФОРМАЦИОННО-

АНАЛИТИЧЕСКОЙ ОБРАБОТКИ ДАННЫХ. ОСОБЕННОСТИ ФУНКЦИОНИРОВАНИЯ УДС

1.1. Обзор методов машинного обучения 1.1.1. Классификация

Машинное обучение (Machine Learning) - это подраздел искусственного интеллекта, который изучает и разрабатывает алгоритмы и модели, позволяющие компьютерам «обучаться» на основе данных, а не явно программироваться для выполнения конкретной задачи. Основная идея машинного обучения заключается в том, чтобы компьютеры могли автоматически разрабатывать и улучшать свои алгоритмы на основе опыта и данных [3, 4].

Вместо того, чтобы явно программировать компьютер, как решать определенные задачи, в машинном обучении используются алгоритмы, которые обучаются на множестве данных и создают модель или функцию, способную предсказывать, классифицировать, оптимизировать или принимать решения на основе новых данных.

Машинное обучение включает в себя несколько основных методов и подходов [5]: обучение с учителем; обучение без учителя; обучение с подкреплением; нейронные сети.

Обучение с учителем - это тип задачи машинного обучения, в котором для обучения модели используются помеченные (размеченные) данные, т.е. данные, для которых известны правильные ответы или метки.

В обучении с учителем модель обучается на основе пар входных данных и соответствующих им правильных ответов или меток. Эти пары данных называются обучающим набором или обучающей выборкой. Затем модель может использоваться для прогноза новых, неизвестных данных.

Примеры задач обучения с учителем включают классификацию и регрессию. В задаче классификации модель стремится предсказать категорию или класс для

заданного наблюдения [6]. В задаче регрессии модель строит функцию, которая прогнозирует числовое значение на основе входных данных.

Обучение с учителем требует наличия размеченных данных для обучения модели, что может потребовать значительных усилий для их создания или сбора. Таким образом достигается ее точность.

Методы обучения с учителем включают различные алгоритмы и модели [5,

6]:

- линейная регрессия - используется для решения задачи регрессии. Модель строит линейную функцию, которая наилучшим образом соответствует входным данным и их меткам;

- логистическая регрессия - используется для задачи бинарной классификации. Модель строит логистическую функцию, которая предсказывает вероятность принадлежности к определенному классу;

- метод опорных векторов (SVM) - используется для задачи бинарной или многоклассовой классификации. Модель строит разделяющую гиперплоскость, которая наилучшим образом разделяет данные разных классов;

- метод ^ближайших соседей (k-NN) - используется для задачи классификации или регрессии. Модель классифицирует или предсказывает метку новых данных, основываясь на их ближайших соседях в обучающей выборке;

- деревья решений - используются для задачи классификации или регрессии. Модель строит древовидную структуру, где каждый узел представляет тест на признак, а лист формирует прогноз или метку;

- случайные леса - состоят из множества деревьев решений, где каждое дерево строится на случайной выборке данных и случайном подмножестве признаков. Итоговый прогноз производится путем агрегации предсказаний деревьев;

- градиентный бустинг - используется для задачи классификации или регрессии. Модель формируется путем последовательного обучения слабых моделей, где каждая новая модель исправляет ошибки, допущенные предыдущими моделями.

Обучение без учителя - это тип задач машинного обучения, в котором модель обучается на непомеченных (неразмеченных) данных без заранее известных правильных ответов или меток [7]. Вместо этого модель ищет внутренние закономерности, шаблоны и структуры в данных.

К популярным методам обучения без учителя относятся [8, 9]:

- кластеризация - методы кластеризации группируют схожие объекты внутри набора данных на основе их сходства друг с другом. Примеры алгоритмов кластеризации включают метод k-средних и иерархическую кластеризацию;

- понижение размерности - методы понижения размерности уменьшают количество признаков в данных, сохраняя при этом основные структуры и зависимости. Это полезно для визуализации данных и устранения шума или избыточности. Примеры методов понижения размерности включают метод главных компонентов и метод t-SNE;

- ассоциативные правила - методы ассоциативных правил анализируют наборы данных и ищут статистические связи или правила между различными элементами среди них. Примеры включают алгоритм Apriori и метод FP-growth;

- автоэнкодеры - это нейронные сети, которые используются для изучения внутреннего представления данных и понижения их размерности. Они состоят из кодировщика, который преобразует данные во внутреннее представление, и де-кодировщика, который восстанавливает данные из внутреннего представления;

- методы аномалийного обнаружения - эти методы определяют аномальные или необычные наблюдения в данных, которые отличаются от остальных. Они могут быть полезны для обнаружения мошенничества, неисправностей или аномального поведения. Примеры включают методы на основе плотности и методы на основе обучения без учителя;

- генеративные модели - это модели, которые позволяют генерировать новые данные, основываясь на обучающих данных. Примеры включают генеративные сети противостояния (GAN) и вариационные автоэнкодеры.

Обучение с подкреплением - это тип задач машинного обучения, в котором агент обучается на основе взаимодействия с окружающей средой, получая

положительные или отрицательные обратные связи в зависимости от принятых действий [10]. В этом типе обучения модель стремится найти оптимальную стратегию действий для максимизации награды или минимизации потерь.

Агент - модель или алгоритм, который принимает решения и выполняет действия в окружающей среде.

Окружающая среда - виртуальное или реальное окружение, в котором агент взаимодействует и принимает решения. Это может быть игровое поле, симулятор или другая система.

Действия - варианты действий, которые агент может предпринимать в определенных состояниях окружающей среды. Действия могут быть дискретными или непрерывными.

Состояния - состояния окружающей среды, которые меняются в зависимости от действий агента и внешних факторов. Состояния могут быть полными, когда агент имеет полную информацию о среде, или частичными, когда агент видит только ограниченные данные.

Награда - числовая оценка, которую агент получает от окружающей среды как результат выполненного действия. Награда может быть положительной или отрицательной и может иметь различные значения.

Обратная связь - информация, которую агент получает от окружающей среды в виде награды или потери после выполнения действий [11].

Стратегия - набор правил или алгоритм, который определяет, как агент выбирает действия в определенных состояниях с целью максимизации награды.

Примеры алгоритмов обучения с подкреплением включают методы Q-обучения, алгоритмы глубокого обучения, эволюционные алгоритмы и другие методы, которые используются для нахождения оптимальной стратегии действий в динамических и непредсказуемых средах.

Обучение с подкреплением (Reinforcement Learning, RL) представляет собой разновидность машинного обучения, аналогичную глубокому обучению с тем отличием, что процесс обучения в RL осуществляется путем интерактивного экспериментирования с окружающей средой на основе методологии проб и ошибок с

использованием данных, полученных в ходе собственного опыта агента. Алгоритмы обучения с подкреплением функционируют как автономные системы с возможностями самообучения. Для достижения оптимальных результатов такие системы требуют непрерывной практической отработки навыков в рамках заданной среды, что подчеркивает их зависимость от метода проб и ошибок в процессе обучения.

Нейронная сеть - это математическая модель, которая моделирует работу нервной системы живых существ. Она состоит из нейронов, связей и функций активации [12].

Обучение нейронной сети осуществляется путем подстройки весов связей на основе обучающего набора данных. Это может быть выполнено с использованием методов оптимизации, таких как градиентный спуск или стохастический градиентный спуск.

Нейронные сети широко используются в различных областях, включая компьютерное зрение, обработку естественного языка, речевое распознавание и многие другие. Они демонстрируют высокую эффективность в моделировании сложных данных и решении разнообразных задач машинного обучения.

1.1.2. Нейронные сети

Нейронная сеть представляет собой методологию в области искусственного интеллекта, направленную на эмуляцию обработки данных аналогично когнитивным процессам человеческого мозга (рисунок 1.1). Этот метод является разновидностью машинного обучения, известного под названием глубокое обучение, и основан на использовании сети взаимосвязанных узлов или искусственных нейронов, организованных в многоуровневую структуру, симулирующую строение человеческого мозга. Нейронная сеть формирует адаптивную систему, благодаря которой компьютерные системы способны обучаться на основе анализа ошибок и непрерывно улучшать свои функциональные характеристики [13]. Таким методом, искусственные нейронные сети применяются для решения сложных задач, включая синтез резюме документов, распознавание лиц и прогнозирование различных

Список литературы диссертационного исследования доктор наук Шешера Николай Геннадьевич, 2025 год

Список литературы

1. Бабков В.Ф. Дорожные условия и безопасность движения : учебник для вузов // В.Ф. Бабков. - М. : Транспорт, 1993. - 271 с.

2. Шешера Н.Г. Перспективы системы автоматического управления светофорными объектами // Охрана, безопасность, связь. 2020. № 5-3. С. 144-149.

3. Джафаров Т.Ф., Бурханова Ю.Н. Принципы и методы применения алгоритмов машинного обучения, искусственного интеллекта и автоматизации // В сборнике: Технологии и техника: пути инновационного развития. сборник научных статей Международной научно-технической конференции. Воронеж, 2023. С. 241243.

4. Агарков Ю.Ю. Методы машинного обучения для оптимизации проектирования нейроморфных систем // Инновации и инвестиции. 2023. № 6. С. 313-319.

5. Волоцкова Р.Р., Харисов В.Я. Математические методы оценки эффективности моделей машинного обучения // В сборнике: НАУКА. ТЕХНОЛОГИЯ. ПРОИЗВОДСТВО - 2023. Материалы Всероссийской научно-технической конференции, посвященной 75-летию ООО «Газпром нефтехим Салават». 2023. С. 111-113.

6. Ковалев М.С. Методы объяснения результатов моделей машинного обучения в контексте анализа выживаемости. Диссертация на соискание ученой степени кандидата физико-математических наук. Санкт-Петербургский политехнический университет Петра Великого. 2021.

7. Крюкова Д.В., Комарова Я.Д., Тимофеев А.Г. Аналитика больших данных и методы машинного обучения, возможности их использования в образовании // МАК: Математики - Алтайскому краю. 2023. № 5. С. 216-219.

8. Оксюта О.В., Кущева И.С., Соколов А.А. Задачи и методы машинного обучения. В сборнике: Новые аспекты моделирования систем и процессов // Материалы Международной научно-практической конференции. Воронеж, 2023. С. 115-123.

9. Баданина Н.Д., Судаков В.А. Методы машинного обучения для мониторинга водителей с целью планирования мероприятий по повышению безопасности дорожного движения. В сборнике: ПРИОРИТЕТЫ И МЕХАНИЗМЫ СТРАТЕГИЧЕСКОГО ПЛАНИРОВАНИЯ В РОССИЙСКОЙ ФЕДЕРАЦИИ. Москва, 2023. С. 195-201.

10. Маркелов Р.Н., Ванюлин А.Н. Методы машинного обучения. В сборнике: Новые компетенции цифровой реальности: теория и практика их развития у обучающихся. Чебоксары, 2023. С. 270-278.

11. Некрасова И.Ю. Методы машинного обучения. В сборнике: Теоретические исследования и экспериментальные разработки студентов и аспирантов. Тверь, 2023. С. 113-117.

12. Лагунов С.О., Джураева Д.Х., Лагунов Е.О., Порох В.А. Методы машинного обучения. Математическое представление моделей. В сборнике: Мировые научные достижения в области естественных и технических наук. Рязань, 2023. С. 88-91.

13. Гальцева А.А., Ломаш Д.А. Методы интерпретируемого машинного обучения. В сборнике: Цифровые инфокоммуникационные технологии. Ростов-на-Дону, 2022. С. 129-132.

14. Захаров А.О. Методы машинного обучения. В сборнике: Актуальные проблемы науки и техники. Инноватика. Уфа, 2022. С. 139-144.

15. Вахрушев А.И., Зуева В.Н. Методы машинного обучения // Особенности развития российского общества: наука, производство, культура : материалы Международной научно-практической конференции студентов, аспирантов, преподавателей, посвященной 60-летию Армавирского механико-технологического института. - Армавирский механико-технологический институт, Кубанский государственный технологический университет, Кафедра гуманитарных дисциплин, 2019. - С. 31-33.

16. Сохина С.А., Немченко С.А. Машинное обучение. Методы машинного обучения // Современная наука в условиях модернизационных процессов:

проблемы, реалии, перспективы : сб. науч. статей по материалам V Международной научно-практической конференции, Уфа, 2021. - C. 165-168.

17. Бугаева З.И., Хасухаджиев А.С.-А. Методы машинного обучения // Digital Era : материалы I Всероссийской научно-практической конференции, Грозный, 2021. - C. 41-46.

18. Sui Ch., Li X., Song Y., Wu Ch., Zhang Z. Applying back propagation algorithm and analytic hierarchy process to environment assessment // Highlights in Science, Engineering and Technology. - 2022. - Т. 24. - С. 13-25.

19. Чернышев А.А. Методы оценки качества моделей машинного обучения // Научное обозрение: Актуальные вопросы теории и практики: сборник статей VI Международной научно-практической конференции: в 2 ч. Пенза, 2023. Ч. 1. С. 3437.

20. Кугаевских А.В., Муромцев Д.И., Кирсанова О.В. Классические методы машинного обучения. - СПб: Университет ИТМО, 2022. - 53 с

21. Коргун Д.А. Ансамблевые методы классификации в машинном обучении // В сборнике: Математические методы управления. Сборник научных трудов. - Тверь, 2019. - С. 32-39.

22. Сырцова Е.А. Эффекты внедрения интеллектуальных транспортных систем в регионах России // Государственное управление. Электронный вестник. 2023. № 101. С. 159-169.

23. Егоров С.В., Шационок П.В., Ерпылева А.И., Жарков Д.И. Мировой и российский опыт применения интеллектуальных транспортных систем // Транспортное дело России. 2022. № 2. С. 130-136.

24. Родионова М.А. Методы машинного обучения как инструмент для сокращения ДТП с летальным исходом // В сборнике: Качество жизни населения и экология. Сборник статей II Всероссийской научно-практической конференции. Под научной редакцией Г.В Ильиной. - Пенза, 2022. - С. 92-95.

25. Николаева Р.В., Юсупова И.А. Оценка психофизиологических особенностей водителей транспортных средств и их влияние на безопасность дорожного движения // Техника и технология транспорта. - 2021. - № 3 (22).

26. Якупова Г.А., Макарова И.В., Буйвол П.А. Имитационное моделирование проблемного участка улично-дорожной сети, позволяющее повысить безопасность дорожного движения // Грузовик. - 2021. - № 10. - С. 30-35.

27. Пугачев И.Н., Григоров Д.Е., Шешера Н.Г. Исследование безопасности дорожного движения с позиции информационной загрузки водителя // Техник транспорта 2024. Т. 5. Вып. 4. С. 423-429.

28. Рубцова М.В. Безопасность дорожного движения в России: проблемы и пути их решения // Безопасность дорожного движения. - 2021. - № 3. - С. 4-7.

29. Сунгатуллина К.А. Влияние эксплуатационного состояния автомобильных дорог на безопасность дорожного движения // Вестник НЦБЖД. -2021. - № 2 (48). - С. 118-122.

30. Тянь Х. Интеллектуальная транспортная система и безопасность дорожного движения // В сборнике: Общественная безопасность в сфере дорожного движения: профессиональная подготовка и организационно-правовые инструментарии. - материалы межведомственной научно-практической конференции. - 2020. - С. 254-259.

31. Зеликов В.А., Климова Г.Н., Денисов Г.А., Струков Ю.В. Анализ взаимосвязи факторов психофизического состояния водителя на безопасность дорожного движения // В сборнике: Образование. Транспорт. Инновации. Строительство. Сборник материалов IV Национальной научно-практической конференции. - Омск, 2021. - С. 353-357.

32. Зайкова С.Н. Транспортная безопасность и безопасность дорожного движения в структуре национальной безопасности Российской Федерации // Актуальные проблемы административного права и процесса. - 2021. - № 1. - С. 4851.

33. Конорев Д.В., Грозин А.А., Григоров А.И. Влияние видимости транспортного средства на безопасность дорожного движения и снижение аварийности // Матрица научного познания. - 2021. - № 3-1. - С. 57-59.

34. Кодекс Российской Федерации об административных правонарушениях от 30.12.2001 № 195-ФЗ (ред. от 06.04.2024) - Доступ из СПС КонсультанПлюс.

35. О федеральной целевой программе «Повышение безопасности дорожного движения в 2006-2012 годах» : постановление Правительства РФ от 20.02.2006 г. № 100 (ред. от 22.11.2012) // Собрание законодательства РФ. - 2006. -№ 9. - Ст. 1020 ; 2012. - № 48. - Ст. 6710.

36. О федеральной целевой программе «Повышение безопасности дорожного движения в 2013-2020 годах» : постановление Правительства РФ от 03.10.2013 № 864 (ред. от 16.05.2020) // Собрание законодательства РФ. - 2013. -№ 41. - Ст. 5183 ; 2016. - № 43. - Ст. 6017.

37. Никольский Д.А. Система «человек - машина - окружающая среда» [Электронный ресурс] : доклад / Д. А. Никольский // StudFiles.ru : сайт. - М, 2014. - Режим доступа : http://www.studfiles.ru/preview/4594627/ (дата обращения :07.03.2023).

38. Куперман А.И. Безопасность дорожного движения // А.И. Куперман, Ю.В. Миронов. -М. : Академия, 2002. -320 с.

39. Касаткин Ф.П. Организация перевозочных услуг и безопасность транспортного процесса : учеб. пособие для высшей школы / Ф. П. Касаткин, С. И. Коновалов, Э. Ф. Касаткина. -М. : Академ. Проект, 2004. -352 с.

40. Коноплянко В.И. Основы управления автомобилем и безопасность дорожного движения : учеб. пособие / В.И. Коноплянко, В.В. Зырянов, Ю. В. Воробьев. - М. : Высшая школа, 2005. - 271 с.

41. Шешера Н.Г. Водитель, как самое уязвимое звено системы водитель-автомобиль-дорога-среда // В сборнике: Актуальные проблемы права и правоприменительной деятельности. Материалы Всероссийской научно-практической конференции. 2019. С. 144-149.

42. Игнатов Н.А., Мишурин В.М., Мущегян Р.Т., Сергеев В.А. Приборы и методики психофизиологического обследования водителей автомобилей - М. :Транспорт, 1978. - 88 с.

43. Рябчинский А.И., Кисуленко Б.В., Морозова Т.Э. Регламентация активной и пассивной безопасности автотранспортных средств : учеб. пособие. -М. : Академия, 2006. - 432 с.

44. Коноплянко В.И. Организация и безопасность дорожного движения :учебник для вузов / В. И. Коноплянко.- М. : Высшая школа, 2007. - 387 с.

45. Мишурин В.Н. Надежность водителя и безопасность движения / В. Н. Мишурин, А. Н. Романов» -М. : Транспорт, 1990. -167 с.

46. Пугачёв И.Н. Предложения по развитию технических и технологических методов и средств в системе управления качеством продукции транспортного строительства // И.Н. Пугачёв, Н.Г. Шешера, А.А. Попов // Дальний Восток: проблемы развития архитектурно-строительного и дорожно-транспортного комплекса : материалы Междунар. науч.-практ. конф. - Хабаровск : Изд-во ТОГУ, 2015. - Вып. 15. - С. 69-73.

47. Пугачёв И.Н. Основные аспекты инновационного развития транспортного комплекса городов в условиях Дальнего Востока / И. Н. Пугачев, Ю. И. Куликов, Г. Я. Маркелов // Дальний Восток. Автомобильные дороги и безопасность движения : междунар. сб. науч. тр.в / Тихоокеан. гос. ун-т. -Хабаровск, 2012. - № 12. - С. 94-101.

48. Ваксман С.А. Транспортные системы городов : терминолог. словарь / С.А. Ваксман, И. Н. Пугачев, Ю. И. Куликов. - Хабаровск : Изд-во ТОГУ, 2013. -151 с.

49. Романов А.Н. Автотранспортная психология : учеб. пособие /А. Н. Романов. -М. : Академия, 2002. -224 с.

50. Ротенберг Р.В. Основы надежности системы водитель -автомобиль -дорога -среда / Р. В. Ротенберг.-М. : Машиностроение, 1986. -216 с.

51. Близниченко С.С. Оценка условий безопасности движения с помощью уточненного метода коэффициентов аварийности // Модернизация и научные исследования в транспортном комплексе. 2013. Т. 3. С. 30-36.

52. Пугачёв И.Н., Ярмолинский А.И., Шешера Н.Г. Сравнительный анализ методики коэффициентов аварийности и методики коэффициентов травматизма //

Дальний Восток: проблемы развития архитектурно-строительного комплекса. 2016. № 1. С. 113-118.

53. Повышение безопасности дорожного движения путем прогнозирования участков аварийности / Шешера Н.Г. Охрана, безопасность, связь. 2019. № 4-2. С. 103-109.

54. Близниченко С.С., Крапивина Е.А., Оветченко А.Р. Совершенствование метода коэффициентов аварийности // В сборнике: Развитие дорожно-транспортного комплекса и строительной инфраструктуры на основе рационального природопользования. материалы VII Всероссийской научно-практической конференции (с международным участием). 2012. С. 43-48.

55. Близниченко С.С., Крапивина Е.А., Оветченко А.Р. Уточнение значений некоторых частных коэффициентов аварийности // Модернизация и научные исследования в транспортном комплексе. 2012. Т. 2. С. 321-326.

56. Абрамова Л.С., Птица Г.Г. Выявление латентных факторов частных коэффициентов аварийности // Восточно-Европейский журнал передовых технологий. 2012. Т. 5. № 4 (59). С. 32-37.

57. Близниченко С.С. Совершенствование метода коэффициентов аварийности // В сборнике: Проблемы автомобильно-дорожного комплекса России: Организация автомобильных перевозок и безопасность дорожного движения. 2013. С. 26-31.

58. Близниченко С.С., Абдул Р.Ф. Уточнение перечня и значений некоторых частных коэффициентов аварийности для дорожных условий республики Афганистан // В сборнике: Проблемы качества и эксплуатации автотранспортных средств. 2014. С. 11159. Градостроительный кодекс Российской Федерации : федер. закон от

29.12.2004 № 190-ФЗ (ред. от 25.12.2023) - Доступ из СПС КонсультанПлюс.

60. Земельный кодекс Российской Федерации от 25.10.2001 № 136-ФЗ (ред. От 14.02.2024) - Доступ из СПС КонсультанПлюс.

61. СНиП 2.07.01-89* Градостроительство. Планировка и застройка городских и сельских поселений (утв. постановлением Госстроя СССР от 16 мая

1989 г. № 78) // Информационный бюллетень о нормативной, методической и типовой проектной документации. -2005. -№ 11.

62. О внесении изменений в отдельные законодательные акты Российской Федерации в связи с реализацией положений Федерального закона «О техническом регулировании» : федер. закон от 19.07.2011 № 248-ФЗ (ред. от 25.12.2023) -Доступ из СПС КонсультанПлюс.

63. О внесении изменений в Федеральный закон «О безопасности дорожного движения» и статью 4 Федерального закона «О стандартизации в Российской Федерации» : федер. закон от 03.07.2016 № 296-ФЗ // Российская газета. - 2016. - 8 июля.

64. О внесении изменений в отдельные законодательные акты Российской Федерации : федер. закон от 03.07.2016 № 259-ФЗ (ред. от 19.10.2023) - Доступ из СПС КонсультанПлюс.

65. Нечаев А.Н. Определение дорожных неровностей большой длины / А. Н. Нечаев, И. А. Орехов // Строительство и эксплуатация автомобильных дороги и мостов : труды / БелдорНИИ. -Минск, 1975.

66. ГОСТ Р 52289-2019. Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств" (утв. Приказом Росстандарта от 20.12.2019 N 1425-ст) - Доступ из СПС КонсультанПлюс.

67. Шевяков А.П. Влияние состава и условий движения на пропускную способность автомобильных магистралей / А. П. Шевяков. - М. : МАДИ, 1982. - 95 с.

68. Варлашкин В.П. Психологические особенности работы водителя на горных дорогах / В. П. Варлашкин, Н. И. Майзель // Вопросы психологии. - 1971. - № 4. - С. 69-76.

69. Садырходжаев А. Пути повышения безопасности движения на дорогах районов искусственного орошения (на примере Узбекской ССР) : автореф. дис. канд. техн. наук / А. Садырходжаев. - М. : МАДИ, 1971. - 30 с.

70. Близниченко С.С. Упрощенная методика экспресс оценки транспортно-эксплуатационного состояния сети автомобильных дорог / С.С. Близниченко // Известия вузов. Строительство. - 1992. - № 5/6. - С. 126-130.

71. Близниченко С.С. Уточнение коэффициентов аварийности / С.С. Близниченко, П.П. Купин // Прочность и надежность строительных конструкций : межвуз. сб. тр. - Краснодар : КПИ, 1981. - С. 38-47.

72. Аксенов В.А. Экономическая эффективность рациональной организации дорожного движения / В.А. Аксенов, Е.П. Попова, О.А. Дивочкин. -М. : Транспорт, 1987. - 128 с.

73. Проектирование автомобильных дорог : сб. науч. тр. / под ред. П. И. Поспелова, Ю. М. Ситникова, В. И. Пуркина. - М. : МАДИ, 1999. - 147 с.

74. Шешера Н.Г. Особенности анализа пешеходных потоков при оценке безопасности дорожного движения // В сборнике: Обеспечение безопасности участников дорожного движения. К 100-летию Правил дорожного движения. Тюменский институт повышения квалификации сотрудников МВД России. Тюмень, 2020. С. 126-134.

75. Морозов В.В., Ярков С.А. Интенсивность как параметр транспортного потока // В сборнике: Организация и безопасность дорожного движения. Материалы VIII Всероссийской научно-практической конференции. 2015. С. 214218.

76. 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. Том 17. № 10. С. 4351.

77. Пугачёв И.Н., Куликов Ю.И. Особенности цифрового взаимодействия в транспортном комплексе // Проблемы транспорта Дальнего Востока. Доклады научно-практической конференции. 2019. Т. 1. С. 288-291.

78. Морозов В.В., Карнаухов В.Н., Ярков С.А. Совершенствование модели влияния концентрации транспортного потока на интенсивность движения автомобилей // Интеллект. Инновации. Инвестиции. 2020. № 1. С. 98-105.

79. Ковалев И.С., Панфилов А.А. Оценка значимости факторов, влияющих на интенсивность движения транспортного потока // В сборнике: Транспортные и транспортно-технологические системы. Материалы Международной научно-технической конференции. Отв. редактор Н.С. Захаров. 2020. С. 167-170.

80. Морозов В.В. Влияние концентрации транспортного потока на интенсивность движения автомобилей в городах (на примере г. Тюмени) // Диссертация на соискание ученой степени кандидата технических наук / ФГБОУ ВО «Оренбургский государственный университет». 2020

81. Бургонутдинов А.М., Зольников И.В., Ермолаев С.Ю., Отрошко Д.М. Интенсивность движения и состав транспортного потока при определении состава дорожных работ на а/д «Пермь-Усть-Качка» // В сборнике: Формирование профессиональной направленности личности специалистов - путь к инновационному развитию России. Материалы Всероссийской научно-практической конференции. 2019. С. 35-41.

82. Шешера Н.Г. Перспективные подходы к формированию навыков работы с устройствами управления информационной и технической поддержки органов внутренних дел на базе высших учебных заведений МВД России // В сборнике: Опыт и традиции подготовки полицейских кадров. Сборник научных трудов Международной научно-практической конференции. Волгоград, 2023. С. 204-209.

83. Шешера Н.Г. Теоретические аспекты возможностей существующих программно-аппаратных комплексов по поддержке государственной инспекции безопасности дорожного движения в области идентификации // Охрана, безопасность, связь. 2023. № 8-3. С. 78-82.

84. Сарапулова В.В., Кодинцева О.В. Статистическая сводка и группировка данных // В сборнике: Наука, образование, общество: актуальные вопросы и перспективы развития. Сборник научных трудов по материалам

Международной научно-практической конференции: в 3 частях. ООО «АР-Консалт». 2015. С. 134-135.

85. Евтушенко Б.В., Евтушенко М.Б. Первичная структурная группировка статистических данных в среде Microsoft Word // В сборнике: Актуальные вопросы управления социально-экономическими системами. Международная научно-практическая конференция. Институт экономики и управления. 2013. С. 150-157.

86. Шаяхметов Э.С. Сводка и группировка статических данных // NovaInfo.Ru. 2017. Т. 2. № 59. С. 178-183.

87. Musah A., Dutra L.M.M., Aldosery A., Browning E., Ambrizzi T., Borges Iu.V.G., Tunali M., Ba§ibüyük S., Yenigün O., Moreno G.M.M., da Silva A.C.G., dos Santos W.P., de Lima C.L., Massoni T., Jones K.E., Campos L.C., Kostkova P. An evaluation of the OpenWeatherMap API versus inmet using weather data from two Brazilian cities: Recife and Campina Grande // Data. 2022. Т. 7. № 8. С. 106.

88. Интегра : сайт. Integra-КДД. Система фотовидеофиксации [Электронный ресурс]. URL: https://www.integra-s.ru/sistema-fotovideofiksatsii/ (дата обращения: 01.01.2023).

89. Куделькин В.А., Чечков Г.В., Гречаный С.А. Сквозная технология «цифровизации 4D» консорциума «Интегра-С» - основной принцип построения «умных городов» // Охрана, безопасность, связь. 2022. № 7-1. С. 56-59.

90. Силяков Е.В. Применение цифровых методов обработки сигналов при устранении больших рассогласований в корреляционном измерителе скорости // Волновая электроника и инфокоммуникационные системы. Санкт-Петербург, 2023. С. 356-360.

91. Злобина И.С., Скрипина Е.В. Применение информационных технологий в управлении транспортными потоками: системы мониторинга транспортных средств // Научно-технические аспекты развития автотранспортного комплекса. 2019. С. 351-355.

92. Силяков Е.В. Возможности применения цифровых методов обработки сигналов в корреляционном измерителе скорости и угла сноса // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 4. С. 34-39.

93. Силяков Е.В., Бакшеев В.Е. Численное моделирование работы алгоритма обработки сигналов корреляционного измерителя скорости и угла сноса // Радиотехнические, оптические и биотехнические системы. Устройства и методы обработки информации. Санкт-Петербург, 2022. С. 88-92.

94. Стрельцова М.Н. Создание веб-приложения «погода» с помощью api онлайн сервиса OpenWeatherMap // Постулат. 2022. № 1 (75).

95. OpenWeatherMap [Электронный ресурс]. URL: https://openweathermap.org/ (дата обращения: 01.01.2023).

96. Gismeteo [Электронный ресурс]. URL: https://www.gismeteo.com/ (дата обращения: 01.01.2023).

97. Кузьмин В.В., Ефимкин Я.С. Правила пользования программой Microsoft Visual Basic for Applications // Научные исследования и разработки. XXXIV Международная научно-практическая конференция. 2018. С. 517-520.

98. Бауэр Л.Е. Сравнительный анализ возможностей Microsoft Visual Basic for Applications и Openofficeorg Basic для автоматизации геодезических расчетов // Современные образовательные технологии в подготовке специалистов для минерально-сырьевого комплекса. Сборник научных трудов III Всероссийской научной конференции. 2020. С. 1213-1218.

99. V.N. Anjani, R.R., Isroqmi A. Desain program Aplikasi Microsoft Visual Basic Pada Materi Barisan matematika siswa SMP kelas VIII // Journal of Mathematics Science and Education. 2022. Т. 4. № 2. С. 36-51.

100. Сираева Г.М. Visual basic in Microsoft Office // Вызовы XXI века. Материалы ежегодной студенческой научно-практической конференции, посвященной 30-летию со дня основания Набережночелнинского государственного педагогического университета. Отв. редакторы А.Г. Мухаметшин, А.В. Виноградов, Н.М. Асратян, Ю.М. Гарипова, Р.Ш. Валиева. 2020. С. 191-193.

101. Рихтер Т.В., Емельянова С.М. Табличный процессор Microsoft Excel как средство вычисления определенных интегралов // Mathematical Education 10 Proceedings of international conference. YEREVAN, 2022. С. 160-163.

102. Страбыкин Д.А. Функциональная модель учебного процессора с микропрограммируемой архитектурой в Microsoft Excel // Современные наукоемкие технологии. 2023. № 2. С. 102-110.

103. Страбыкин Д.А. Разработка и экспериментальное исследование функциональной модели ассоциативного запоминающего устройства в Microsoft Excel // Современные наукоемкие технологии. 2023. № 7. С. 97-103.

104. Слободняк И.А., Антипина П.В. Решение оптимизационных задач транспортной логистики с использованием Microsoft Excel // Экономика и управление: проблемы, решения. 2020. Т. 1. № 10 (106). С. 56-68.

105. Rodriguez luzardo S.A., Cardiff Ph. A general approach for running python codes in openfoam using an embedded pybind11 python interpreter // OpenFOAM® Journal. 2022. Т. 2. С. 166-182.

106. Пугачев И.Н., Шешера Н.Г. Оценка свойств дорожных покрытий в целях предотвращения ДТП // В сборнике: Физико-химические процессы в строительном материаловедении. сборник научных трудов по материалам национальной научно-технической конференции с международным участием. Новосибирский государственный аграрный университет, Российская академия естественных наук, Российская академия проблем качества. 2018. С. 319-322.

107. Shanan I.A.A., Abd-Elfattah E.F., Abd El-Raheem A.El.R.M. A new approach for approximating the p-value of a class of bivariate sign tests // Scientific Reports. - 2023. - Т. 13. - № 1. - С. 19133.

108. Кочетков А.В., Янковский Л.В., Бояршинов М.Г., Щеголева Н.В., Шашков И.Г. Натурное аэродинамическое моделирование геометрических параметров элементов обустройства автомобильных дорог при их зимнем содержании // Дороги и мосты. 2019. № 1 (41). С. 55-71.

109. Котан О.Т., Ефимов О.Е., Довганюк А.И. Использование программы Google Earth Pro в предпроектном ландшафтном анализе рельефа объектов ландшафтной архитектуры // Вестник ландшафтной архитектуры. 2022. № 29. С. 33-35.

110. Саблин С.Ю., Скрыпников А.В., Высоцкая И.А., Болтнев Д.Е., Брюховецкий А.Н. Система технико-экономического обоснования геометрических элементов автомобильных дорог // Вестник Воронежского государственного аграрного университета. 2021. Т. 14. № 1 (68). С. 41-45.

111. Пугачев И.Н., Шешера Н.Г., Щеглов В.И. Анализ геометрических элементов дорог с помощью современных геоинформационных систем при оценке их аварийности // Вестник гражданских инженеров. 2021. № 3 (86). С. 127-133.

112. Пугачев И.Н., Шешера Н.Г. Влияние величины продольного уклона на ДТП с травматизмом // Наука и техника в дорожной отрасли. 2020. № 3 (93). С. 47.

113. Анохин Б.Б. Исследования влияния параметров геометрических элементов поперечного профиля автомобильных дорог на скоростные режимы движения транспортных средств и безопасность дорожного движения // Дороги и мосты. 2011. № 2 (26). С. 275-286.

114. Бердышева Ю.А. Особенности предоставления транспортных услуг населению на высокоскоростных магистралях // Вестник гражданских инженеров. 2017. № 1 (60). С. 227-232.

115. О Правилах дорожного движения (вместе с «Основными положениями по допуску транспортных средств к эксплуатации и обязанности должностных лиц по обеспечению безопасности дорожного движения») : постановление Правительства РФ от 23.10.1993 № 1090 (ред. от 02.06.2023) - Доступ из СПС КонсультанПлюс.

116. Шешера Н.Г. Проблемы информирования водителя на пересечении проезжих частей в одном уровне // Ученые записки Казанского юридического института МВД России. 2021. Т. 6. № 2 (12). С. 303-307.

117. Пугачёв И.Н. Перспективы исследования дорожной обстановки при свершении ДТП с позиций травматизма / И. Н. Пугачёв, Н. Г. Шешера // Дальний Восток: проблемы развития архитектурно-строительного и дорожно-транспортного комплекса : материалы междунар. науч.-практ. конф. -Хабаровск :Изд-во ТОГУ, 2014. -Вып. 14. -С. 279-281.

118. Сильянов В.В. Теория транспортных потоков в проектировании дорог и организации движения / В. В. Сильянов. - М. : Транспорт, 1977. - 303 с.

119. Шешера Н.Г. Проблемы функционирования участников дорожного движения в населенных пунктах с плотной застройкой // Охрана, безопасность, связь. 2021. № 6-1. С. 127-131.

120. Пугачев И.Н., Куликов Ю.И., Маркелов Г.Я., Шешера Н.Г. Факторный анализ системы организации и безопасности дорожного движения // В сборнике: Организация и безопасность дорожного движения в крупных городах. Сборник трудов (электронная версия) участников двенадцатой международной научно-практической конференции. 2016. С. 133-140.

121. Код для оперативной передачи данных приземных метеорологических наблюдений с сети станций Росгидромета [Электронный ресурс] - Режим доступа: https://meteoinfo.ru/images/media/books-docs/RHM/kn-01 -synop.pdf

122. Вербицкая Е.М., Романский С.О. Применение высокопроизводительных систем для численного прогноза погоды в дальневосточном регионе России // Вестник Тихоокеанского государственного университета. 2015. № 3 (38). С. 131-140.

123. Устав автомобильного транспорта и городского наземного электрического транспорта : федер. закон от 08.11.2007 № 259-ФЗ (ред. от 19.10.2023) - Доступ из СПС КонсультанПлюс.

124. Об автомобильных дорогах и о дорожной деятельности в Российской Федерации и о внесении изменений в отдельные законодательные акты Российской Федерации : федер. закон от 08.11.2007 № 257-ФЗ (ред. от 14.11.2023) - Доступ из СПС КонсультанПлюс.

125. Васильев А.П. Состояние дорог и безопасность движения в сложных погодных условиях : монография / А. П. Васильев. -М. : Транспорт, 1976. -224 с.

126. Постановление Правительства РФ от 19 сентября 2020 г. № 1502 «Об утверждении Правил учета дорожно-транспортных происшествий, об изменении и признании утратившими силу некоторых актов Правительства Российской Федерации» [Электронный ресурс]. - Доступ из СПС КонсультантПлюс.

127. Хомутов Д.К. Анализ статистических данных с помощью коэффициента корреляции Спирмена // В сборнике: СНК-2020. Материалы Юбилейной LXX открытой международной студенческой научной конференции Московского Политеха. - Москва, 2020. - С. 865-868.

128. Левит Б.Ю., Салин В.Н. Сравнительный анализ точной и приближенной формул вычисления коэффициента ранговой корреляции Спирмена // Вопросы экономики и права. - 2016. - № 93. - С. 104-110.

129. Черезов Г.А., Леушин В.Б. Вычисление коэффициента ранговой корреляции Спирмена в Matlab // В сборнике: Образование, наука, транспорт в XXI веке: опыт, перспективы, инновации. II Региональная научная конференция, посвященная 50-летию Российской космонавтики. - 2011. - С. 27-28.

130. Zhu J., Ma L., Ni M., Li Z. A bootstrap method to calculate the p-value of fisher's combination for a large number of weakly dependent p-values // Communications in Statistics Part B: Simulation and Computation. - 2021.

131. Liquet B., Riou J. Cpmcglm: an r package for p-value adjustment when looking for an optimal transformation of a single explanatory variable in generalized linear models // BMC Medical Research Methodology. - 2019. - Т. 19. - № 1. - С. 1-8.

132. Шпер В.Л. Что такое р-значение, и почему вокруг него столько шума? // Контроль качества продукции. - 2021. - № 3. - С. 37-43.

133. Hill J.B. A smoothed p-value test when there is a nuisance parameter under the alternative // Journal of Statistical Planning and Inference. - 2024. - Т. 229. - С. 106096.

134. Пудова Н.В., Никитин В.В. Анализ значений коэффициента ранговой корреляции Спирмена // Экономический анализ: теория и практика. - 2004. - № 3 (18). - С. 52-56.

135. Кошелева Н.Н. Корреляционный анализ и его применение для подсчета ранговой корреляции Спирмена // Актуальные проблемы гуманитарных и естественных наук. - 2012. - № 5. - С. 23-26.

136. Пугачев И.Н., Шешера Н.Г., Григоров Д.Е. Исследование широт интервалов признаков для повышения эффективности прогноза интенсивности транспортного потока // Вестник СИБАДИ. 2024. № 5-(21). С. 726-735.

137. Галимянов Ф.А. Сравнительный анализ алгоритмов реализации метода обратного распространения ошибки для обучения нейронных сетей // Научно-технический вестник Поволжья. - 2020. - № 2. - С. 69-71.

138. Баласян, Б.Г., Матвеева, Т.А., Светличная, В.Б. Расчет коэффициента ранговой корреляции Ч. Спирмена // В сборнике: Современные проблемы науки и образования. Материалы XI Международной студенческой научной конференции. - 2019. - С. 133-134.

139. Танасейчук А.В., Лемешко Б.Ю. Распределения статистик, построенных на основе коэффициента ранговой корреляции Спирмена // В сборнике: Информатика и проблемы телекоммуникаций. Российская научно-техническая конференция. - 2009. - С. 67-69.

140. Згуральская Е.Н. Устойчивость разбиения данных на интервалы в задачах распознавания и поиск скрытых закономерностей // Известия Самарского научного центра Российской академии наук. - 2018. - Т. 20, № 4-3 (84). - С. 451-455.

141. Черкасова Т.С., Нагорная М.А. Проблема диагностики случайного характера временных данных на основе использования коэффициента ранговой корреляции Спирмена // Труды Ростовского государственного университета путей сообщения. - 2014. - № 4. - С. 117-120.

142. 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 // Т-^тт: Телекоммуникации и транспорт. 2024. Том 18. № 3. С. 34-40.

143. Пугачёв И.Н., Куликов Ю.И. Значение цифровизации в транспортной сфере // Транспорт и сервис. 2019. № 7. С. 7-14.

144. Пугачёв И.Н., Куликов Ю.И., Маркелов Г.Я. Стратегическое развитие автомобильно-дорожного комплекса в цифровой среде // Дальний Восток:

проблемы развития архитектурно-строительного комплекса. 2019. № 1-1. С. 331333.

145. Пугачёв И.Н., Куликов Ю.И. Особенности подготовки кадров для цифровой трансформации транспортной инфраструктуры // Проблемы высшего образования. 2019. № 1. С. 58-61.

146. Пугачёв И.Н., Куликов Ю.И. Цифровизация транспортных систем городов // Социально-экономические проблемы развития и функционирования транспортных систем городов и зон их влияния: материалы XXV Международной (двадцать восьмой Екатеринбургской) научно-практической конференции. 2019. С. 59-65.

147. Игнатьев А.В., Тырин В.В., Цапиев Д.Н., Саушкин Д.А. Применение нейронных сетей для определения основных характеристик автотранспортных потоков в городе // Социология города. 2022. № 4. С. 70-80.

148. 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.

149. Навой Д.В., Капский Д.В., Филиппова Н.А., Пугачев И.Н. Анализ мирового опыта в применении искусственного интеллекта в системах управления дорожным движением различного уровня // Системный анализ и прикладная информатика. 2024. № 1. С. 26-36.

150. 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. № 4 (31). С. 176180.

151. Evaluating the accuracy and effectiveness of machine learning methods for rapidly determining the safety fac-tor of road embankments / M. Habib, B. Bashir, A. Alsalman, H. Bachir, // Multidiscip. Model. Mater. Struct.,19(2023), 966-983.

152. 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.

153. Турдубаева Ж.А., Исманов О.М. Основные инструменты и библиотеки Python для искусственного интеллекта // Наука. Образование. Техника. 2024. № 1 (79). С. 30-34.

154. Калистратов Т.А. Упрощение нейронной сети в ходе обучения методом обратного распространения ошибки // Информатика: проблемы, методология, технологии: Материалы XVI Международной научно-методической конференции / под ред. Тюкачева Н.А. М., 2016. С. 48-55.

155. Лукьянчиков В.М. Описание алгоритма обучения многослойной нейронной сети методом обратного распространения ошибки // Интеграция современных научных исследований в развитие общества: Международная научно-практическая конференция: в 2 т. М., 2016. Т. 1. С. 164-166.

156. Пугачев И.Н., Шешера Н.Г., Григоров Д.Е. Исследования интенсивности транспортного потока методом Deep learning. Мир транспорта. 2024;22(2):12-24.

157. Дмитриев Е.А. Алгоритм обучения нейронной сети методом обратного распространения ошибки // Научные исследования и разработки студентов: сборник материалов VI Международной студенческой научно-практической конференции / редколлегия: О.Н. Широков [и др.]. 2018. С. 63-65.

158. Махнев С.А. Применение нейронной сети методом обратного распространения ошибки для текстового набора данных // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2022. № 1-2. С. 38-42.

159. Мотова А.А. Метод обратного распространения ошибки для обучения нейронной сети // Развитие науки и техники: механизмы выбора и реализации приоритетов: сборник статей по итогам Международной научно-практической конференции. Стерлитамак, 2022. С. 109-110.

160. Побединский В.В., Ковалев Р.Н., Ляхов С.В., Писарев И.Д. Разработка программы нейронной сети обратного распространения ошибки // Общество. Наука. Инновации (НПК-2022): сборник статей XXII Всероссийской научно-практической конференции. В 2 т. Киров, 2022. Т. 1. С. 213-216.

161. Мартыщенко Д.О. Обучение нейронной сети методом обратного распространения ошибок // Студент года 2022: сборник статей XX Международного научно-исследовательского конкурса. Пенза, 2022. С. 122-125.

162. Одинцова А.Р. Анализ алгоритма обратного распространения ошибки в нейронной сети // Информационные технологии в науке, промышленности и образовании: сборник трудов региональной научно-технической очно-заочной конференции. Ижевск: Ижевский государственный технический университет имени М. Т. Калашникова, 2015. С. 122-128.

163. Сковпин Н.С., Паринов М.В. Предварительная обработка и масштабирование данных для последующего применения машинного обучения // Инновации в науке и практике: сборник статей по материалам XIII международной научно-практической конференции. 2018. С. 197-203.

164. Акимов А.А., Валитов Д.Р., Кубряк А.И. Предварительная обработка данных для машинного обучения // Научное обозрение. Технические науки. 2022. № 2. С. 26-31.

165. Алексеева Ю.А. Предварительная обработка данных для методов машинного обучения // Актуальные проблемы авиации и космонавтики: сборник материалов IX Международной научно-практической конференции, посвященной Дню космонавтики. В 3 т. Красноярск, 2023. Т. 1. С. 11-13.

166. Вершовский Е.А. Предварительная обработка изображений методами интеллектуального анализа многомерных данных // Известия ЮФУ. Технические науки. 2008. № 2 (79). С. 37-40.

167. Toufigh V., Ranjbar I. Unsupervised deep learning framework for ultrasonic-based distributed damage detection in concrete: integration of a deep auto-encoder and isolation forest for anomaly detection // Structural Health Monitoring. 2023.

168. Щеглеватых Р.В., Сысоев А.С. Математическая модель обнаружения аномальных наблюдений с использованием анализа чувствительности нейронной сети // Моделирование, оптимизация и информационные технологии. 2020. Т. 8. № 1 (28).

169. Барский М.Е., Шиков А.Н. Исследование алгоритма поиска аномалий Isolation Forest // Фундаментальные и прикладные научные исследования: актуальные вопросы, достижения и инновации : сборник статей XXIII Международной научно-практической конференции (в 3 ч.). 2019. Ч. 2. С. 113-117.

170. Santosuosso U., Cini A., Papini A. Tracing outliers in the dataset of drosophila suzukii records with the isolation forest method // Journal of Big Data. 2020. Т. 7, № 1. С. 14.

171. Shao C., Du X., Yu J., Chen J. Cluster-based improved isolation forest // Entropy. 2022. Т. 24, № 5.

172. Шепета Д.А., Головин Е.Н., Иванова М.С. Метрики качества алгоритмов машинного обучения в задачах мультиклассификации // В сборнике: НАУЧНАЯ СЕССИЯ ГУАП. Сборник докладов научной сессии, посвященной Всемирному дню авиации и космонавтики. В 3-х частях. 2019. С. 278-281.

173. Harris C.R., Millman K.J., van der Walt S.J., Brett M., Berg S., Picus M., Weckesser W., Gommers R., Peterson P., Abbasi H., Oliphant T.E., Virtanen P., Cournapeau D., Wieser E., Taylor J., Smith N.J., Kern R., Hoyer S., van Kerkwijk M.H., Haldane A. et al. Array programming with Numpy // Nature. 2020. Т. 585. № 7825. С. 357-362.

174. Пылов П.А., Протодьяконов А.В. Использование и представление массивов в библиотеке Numpy // Инновации. Наука. Образование. 2020. № 23. С. 258-266.

175. Чепцов М.Н., Сонина С.Д. Модель оптимизации параметра скорости обучения нейронной сети // Сборник научных трудов Донецкого института железнодорожного транспорта. 2021. № 62. С. 28-32.

176. Прогноз интенсивности транспортного потока от изменений погодных условий и геометрических элементов дорог методами машинного обучения на

примере г. Хабаровска/ Шешера Н.Г., Пугачев И.Н. // Материалы XVI Международной конференции, посвященной памяти доктора технических наук, профессора Кравченко Павла Александровича. - 2025. - С. 24-28.

177. Аламир Х.С., Заргарян Е.В., Заргарян Ю.А. Модель прогнозирования транспортного потока на основе нейронных сетей для предсказания трафика на дорогах. // Известия ЮФУ. Технические науки. -2021. -No 6 (223). -С. 124-132/

178. Пугачев И.Н., Евтюков С.С., Шешера Н.Г., Григоров Д.Е. Прогноз интенсивности транспортного потока. Обучение с учителем. Метод случайных деревьев // T-Comm: Телекоммуникации и транспорт. 2024. Том 18. №4. С. 36-47.

179. Костров Б.В., Баранчиков А.И., Клюева И.А. Ансамблевые методы в задаче многоклассовой SVM-классификации / Б.В. Костров, А.И. Баранчиков, И.А. Клюева // XXI век: итоги прошлого и проблемы настоящего плюс. — 2021. — Т. 10. — № 2 (54). — С. 105-108.

180. Гребнев К.Н. Машинное обучение с помощью библиотеки Scikit-learn языка Python // Математический вестник педвузов и университетов Волго-Вятского региона. 2017. № 19. С. 277-281.

181. Кокорев Д.С., Степаненко Д.Б. Scikit-learn: машинное обучение в Python // Аллея науки. 2018. Т. 1. № 1 (17). С. 834-838.

182. Пугачев И.Н., Шешера Н.Г., Григоров Д.Е. Методология интеллектуального управления дорожным движением с учетом изменения погодных условий // Транспорт Урала. 2024. № 4 (83). С. 10-16.

183. Бахтин И.В. Модель линейной регрессии с использованием библиотеки Scikit-learn // Инновации. Наука. Образование. 2021. № 27. С. 939-951.

184. Семериков А.В., Глазырин М.А. Построение логистической регрессии с помощью библиотеки Scikit-learn // Информационные технологии в управлении и экономике. 2023. № 1 (30). С. 4-14.

185. Винниченко А.В., Истомина Ю.П. Методы анализа качества в прогнозировании моделей машинного обучения // Инновационное приборостроение. 2023. Т. 2, № 4. С. 11-15.

186. Борисяк М.А. Методы машинного обучения для контроля качества данных в научных экспериментах: дисс. ... канд. техн. наук. Москва: Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет «Высшая школа экономики», 2020.

187. Baimakhanbetov M.M., Nurumov K.S., Ospanova U.A., Buldybayev T.K., Akoyeva I.G. The effect of the adasyn method on widespread metrics of machine learning efficiency // Modern Information Technologies and IT-Education. 2019. Т. 15. № 2. С. 290-297.

188. Виноградова Е.П., Головин Е.Н., Никишина М.А. Метрики качества алгоритмов машинного обучения в задачах классификации // В сборнике: Научная сессия ГУАП. сборник докладов: в 3 частях. 2017. С. 207-210.

189. Горкун О.П. Оценка качества работы алгоритма машинного обучения // В сборнике: Актуальные проблемы и пути развития энергетики, техники и технологий. Сборник трудов V Международной научно-практической конференции. 2019. С. 103-107.

190. Машкин А.В., Федотовский С.Б. Выбор метрики для оценки качества алгоритма машинного обучения при решении задач диагностики электропривода // В сборнике: Автоматизация и энергосбережение в машиностроении, энергетике и на транспорте. Материалы XVII Международной научно-технической конференции. Ответственный редактор В.А. Раков. Вологда, 2023. С. 245-249.

191. Астапов Р.Л., Мухамадеева Р.М. Автоматизация подбора параметров машинного обучения и обучение модели машинного обучения // Актуальные научные исследования в современном мире. 2021. № 5-2 (73). С. 34-37.

192. Wu M.-T. Confusion matrix and minimum cross-entropy metrics based motion recognition system in the classroom // Scientific Reports. 2022. Т. 12. № 1.

193. Valero-Carreras D., Alcaraz Ja., Landete M. Comparing two svm models through different metrics based on the confusion matrix // Computers & Operations Research. 2023. Т. 152. С. 106131.

194. Горбунов П.М., Мацкевич Ю.А., Чубарь А.В. Машинное обучение. Автоматизация подбора модели машинного обучения // Робототехника и искусственный интеллект. 2021. С. 155-160.

195. Галкин И.Ю., Литвиненко А.М., Чурсин М.А. Многоразмерная имитационная модель на базе нейронной сети // Вестник Воронежского государственного технического университета. 2020. Т. 16. № 2. С. 18-25.

196. Минин А.С. Бинаризация вероятностного прогноза методом ROC AUC // Тенденции развития науки и образования. 2023. № 104-14. С. 87-91.

197. Драенкова Е.А., Синюгина Ю.В. Логистическая регрессия и ROC-анализ в среде R // В сборнике: Новые математические методы и компьютерные технологии в проектировании, производстве и научных исследованиях. Материалы XXI Республиканской научной конференции студентов и аспирантов. Гомель, 2018. С. 134-135.

198. Ливинская В.А., Иванова П.Р., Дашко В.С. ROC-анализ как инструмент бинарной классификации // В сборнике: Материалы докладов 54-й международной научно-технической конференции преподавателей и студентов. В двух томах. Витебск, 2021. С. 264-267.

199. Пупков Т.С. Применение матрицы ошибок (Confusion matrix) для оценки качества обучения моделей классификации // В сборнике: Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем. Сборник материалов Всероссийской научно-практической конференции. Воронеж, 2021. С. 35-36.

200. Старовойтов В.В., Голуб Ю.И. Об оценке результатов классификации несбалансированных данных по матрице ошибок // Информатика. 2021. Т. 18. №2 1. С. 61-71.

201. Горяев В.М., Бурлыков В.Д., Прошкин С.Н., Лиджи-Гаряев В.В., Джахнаева Е.Н. ROC-кривая и матрица путаницы как эффективное средство для оптимизации классификаторов машинного обучения // Вестник Башкирского университета. 2023. Т. 28. № 1. С. 22-28.

202. Hong Ch.S., Choi Ye.W. Amended agreement chart for the confusion matrix // Journal of the Korean Data And Information Science Society. 2022. Т. 33. № 4. С. 551565.

203. Feng A., Dang Yu., Wang Zh., Ren H. Prediction of local multi-factor housing price model based on Sklearn linear model // Процессы управления и устойчивость. 2022. Т. 9. № 1. С. 459-463.

204. Истомин С.В. Безопасность в сфере дорожного движения / С. В. Истомин, А. А. Слепов // Охрана и экономика труда. -2011. -№ 3.

205. Маринин Д.И., Стельмашук К.А., Попова И.М., Данилов И.К. Влияние психофизиологических характеристик водителя на безопасность движения // Теоретические и прикладные аспекты современной науки : сб. науч. тр. по материалам V Междунар. науч.-практ. конф., 30 нояб. 2014 г. : в 6 ч. Ч. 3. -Белгород :ИП Петрова М. Г., 2014. -С. 97-100.

206. Безопасность дорожного движения : учеб. пособие / В. В. Амбарцумян, В.Н. Бабанин, О. П. Гуджоян, А. В. Петридис. -М. : Машиностроение, 2008. -304 с.

207. Костычаков В.Ф. Дорожно-транспортные происшествия в Российской Федерации: статистика, основные причины возникновения ДТП // Аллея науки. 2018. Т. 1. № 8 (24). С. 538-541.

208. Матросова Д.О., Кузьмина И.Е., Резникова Е.Н., Шабардин А.М. Статистика ДТП по РФ за последние 5 лет (2018-2022 Г) // Modern Science. 2023. № 11-2. С. 45-52.

209. Прикладная статистика. Классификация и снижение размерности : справ. изд. / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин. -М. : Финансы и статистика, 1989. -606 с.

210. Паклин Н. Логистическая регрессия и ROC-анализ - математический аппарат [Электронный ресурс] / Н. Паклин // BaseGroup Labs. Технологии анализа данных : сайт. -Рязань, 2017.

211. Hosmer D.W. Applied Logistic Regression / D.W. Hosmer, S. Lemeshow. -New York : Wiley, 2002. -392 p.

212. Белов А.А. Теория вероятностей и математическая статистика : учебник / А.А. Белов, Б.А. Баллод, Н.Н. Елизарова. -Ростов-на-Дону: Феникс, 2008.

- 318 с.

213. Фирсова К.И. Корреляционный анализ дорожных факторов и уровня аварийности // Актуальные направления научных исследований XXI века: теория и практика. - 2015. - Т. 3, № 8-3 (19-3). - С. 12-15.

214. Пономаренко Е.В. Корреляционный анализ показателей аварийности и числа транспортных средств // В сборнике: Фундаментальные научные исследования: теоретические и практические аспекты. Материалы II Международной научно-практической конференции. - Западно-Сибирский научный центр, 2016. - С. 258-260.

215. Чванов В.В. Методы выявления участков концентрации дорожно-транспортных происшествий на дорогах общего пользования / В. В. Чванов ; разработчик И. Ф. Живописцев // Новости в дорожном деле : науч. - техн. информ. сб. / Информавтодор. -2004. -С. 1-68.

216. Пугачёв И.Н. Сравнительный анализ методик коэффициентов аварийности и травматизма, совершенствование мероприятий в безопасности дорожного движения / И. Н. Пугачёв, А. И. Ярмолинский, Н. Г. Шешера // Дальний Восток: проблемы развития архитектурно-строительного и дорожно-транспортного комплекса : материалы междунар. науч.-практ. конф. -Хабаровск : Изд-во ТОГУ, 2016. -Вып. 16. -С. 179-185.

217. Шешера Н.Г. Чувствительность методики коэффициентов травматизма // Вестник Уральского государственного университета путей сообщения. -2016. -№ 1. -С. 116-121.

218. Совершенствование методов оценки качества и безопасности дорожного движения: монография / И.Н. Пугачев, Н.Г. Шешера, А.В. Каменчуков

- Хабаровск: Изд-во ТОГУ, 2018. - 160 с.

219. Пугачев И.Н., Шешера Н.Г., Григоров Д.Е. Прогноз травматизма при ДТП с использованием линейного графика и метода машинного обучения // Мир транспорта и технологических машин. 2024. № 3-1 (86). С. 3-11.

220. Шешера Н.Г. Повышение безопасности дорожного движения на основе усовершенствованной методики коэффициентов аварийности (на примере города Хабаровска) : дисс. ... канд. техн. наук : 05.22.10 / Н.Г. Шешера; Тихоокеанский государственный университет. - Хабаровск, 2018. - 183 с.

221. Шешера Н.Г. Повышение безопасности дорожного движения с использованием современных способов и подходов к совершенствованию «Методики коэффициентов аварийности» // Молодые ученые - Хабаровскому краю : материалы XXII краевого конкурса молодых ученых и аспирантов / редколлегия: И.Н. Пугачёв и др. - 2020. - С. 163-166.

222. Пугачев И.Н. Совершенствование методики оценки аварийности автомобильных дорог по степени обеспечения безопасности движения в городских условиях / И.Н. Пугачёв, Н.Г. Шешера, А.И. Ярмолинский // Вестник Тихоокеанского государственного университета. -Хабаровск, 2016. -№ 3. -С. 3342.

223. Pugachev I., Kulikov Y., Markelov G., Sheshera N. Factor Analysis of Traffic Organization and Safety Systems // 12th International Conference «Organization and Traffic Safety Management in large cities», SPb0TSIC-2016, 28-30 September 2016, St. Petersburg. -St. Petersburg, 2017.

224. Новизенцев В.В., Сильянов В.В., Афанасьев М.Б. Управление доступом транспортных средств на магистральные улицы и скоростные дороги // Наука и техника в дорожной отрасли. 2015. № 4 (74). С. 2-3.

225. Пугачёв И.Н., Каменчуков А.В., Ярмолинский В.А., Шешера Н.Г. Комплексный подход к повышению безопасности дорожного движения на основе анализа транспортно-эксплуатационного состояния автомобильной дороги // Дороги и мосты. 2018. № 1 (39). С. 21.

226. Клинковштейн Г.И., Афанасьев М.Б. Организация дорожного движения: учебник для вузов по специальности «Организация дорожного движения». 3-е изд., перераб. и доп. Москва: Транспорт, 1992. 207 с.: ил. (Высшее образование). ISBN 5-277-01049-1: 12.50.

227. Пугачёв И.Н., Куликов Ю.И. Инновационные концепты транспортного развития городов // Техника и технология транспорта. 2019. № S (13). С. 65.

228. Капский Д.В., Пугачев И.Н., Навой Д.В. Трехуровневая модель управления транспортными и пешеходными потоками // Дальний Восток: проблемы развития архитектурно-строительного комплекса. 2019. № 1-1. С. 265270.

229. Капский Д.В., Пугачев И.Н., Навой Д.В. Анализ алгоритмов управления дорожным движением и их применимости на современном этапе развития ИИТС // Дальний Восток: проблемы развития архитектурно-строительного комплекса. 2019. № 1-1. С. 259-264.

230. Пугачев И.Н., Боброва А.В., Щеглов В.И., Смирнова Н.Д. Особенности разработки документов территориально-транспортного планирования // Дальний Восток: проблемы развития архитектурно-строительного комплекса. 2020. № 1. С. 170-172.

231. Пугачёв И.Н., Щеглов В.И., Федореева А.С., Смирнова Н.Д. Оценка организации дорожного движения и аварийности в границах влияния объекта -площадь Блюхера // Дальний Восток. Автомобильные дороги и безопасность движения: международный сборник научных трудов. Хабаровск: Отв. ред. А.В. Каменчуков, 2020. С. 260-265.

232. Пугачёв И.Н., Куликов Ю.Д. Инновационное развитие автомобильного транспорта // Информационные технологии и инновации на транспорте: материалы 5-ой Международной научно-практической конференции. Под общей редакцией А.Н. Новикова. 2020. С. 294-298.

233. Щеглов В.И., Пугачев И.Н. Характеристика организации дорожного движения и анализ уровня безопасности дорожного движения г. Хабаровска // Материалы 60-й студенческой научно-технической конференции инженерно-строительного института ТОГУ. Материалы конференции. Хабаровск, 2020. С. 114-119. Ред. Егоров П.И. (отв. редактор).

234. Pugachev I., Markelov G., Ostapenko A., Kulikov Y. PecuHarities of stratégie transport development in the Russian far east and the arctic // Transportation

Research Procedia. International Conference of Arctic Transport Accessibility: Networks and Systems, 2021. С. 511-517.

235. Пугачев И.Н., Щеглов В.И. Реализация программ комплексного развития транспортных инфраструктур агломераций и соседствующих субъектов российской федерации на основе создания информационной системы // Транспорт и сервис. 2021. № 9. С. 7-16.

236. Пугачев И.Н. Исследование дорожной обстановки в местах свершения ДТП с позиций травматизма / И. Н. Пугачёв, Н. Г. Шешера // Автотранспортное предприятие. -2015. -№ 7. -С. 43-46.

237. Пугачев И.Н. Применение методики коэффициентов травматизма в целях контроля качества будущих и эксплуатируемых дорог / И. Н. Пугачёв, Н. Г. Шешера // Качество и жизнь. -2016. -№ 1. -С. 58-61.

238. Шешера Н.Г. Перспективы совершенствования «Методики коэффициентов аварийности» коэффициентами травматизма // Управление деятельностью по обеспечению безопасности дорожного движения: состояние, проблемы, пути совершенствования. 2019. № 1 (2). С. 464-469.

239. Пугачев И.Н. Методология развития эффективного и безопасного функционирования транспортных систем городов : монография / И. Н. Пугачев. -Владивосток : Дальнаука, 2009. - 260 с.

240. О безопасности дорожного движения : федер. закон от 10.12.1995 № 196-ФЗ (ред. от 25.12.2023) - Доступ из СПС КонсультанПлюс.

241. ОДМ 218.4.005-2010. Отраслевой дорожный методический документ. Рекомендации по обеспечению безопасности движения на автомобильных дорогах [Электронный ресурс] (издан на основании Распоряжения Росавтодора от 12.01.2011 № 13-р). - Доступ из СПС КонсультантПлюс.

242. Ваксман С.А. Проблемы развития и организации функционирования транспортных систем городов [Электронный ресурс] / С. А. Ваксман // Проблемы развития транспортных систем городов и зон их влияния : материалы VIII междунар. (одиннадцатой екатеринбургской) науч.-практ. конф., 14-15 июня 2002

г. - Режим доступа : http://www.waksman.ru/Russian/Systems/Problems.htm (дата обращения : 07.03.2023).

243. Пугачёв И. Н. Аварийность на автомобильном транспорте / И. Н. Пугачев, Ю. И. Куликов // Транспортная безопасность и технологии. -№ 1. -2013. - С. 114-117.

244. Шешера Н.Г. Оценка качества строительства и реконструкции транспортных сооружений / Н. Г. Шешера, А. Н. Подшивалов // Влияние науки на инновационное развитие : сб. статей Междунар. науч.-практ. конф., 3 окт. 2015 г., г. Самара. -Уфа : РИОМЦИИ ОМЕГА САЙНС, 2015. -С. 56-58.

245. Попов А.В. Пропускная способность автомобильных дорог города Волжского и возможные пути её повышения // В сборнике: Организация и безопасность дорожного движения. Материалы XI международной научно-практической конференции: в 2-х томах. 2018. С. 280-286.

246. Силяков Е.В., Бакшеева Ю.В. Оценивание транспортных запаздываний сигналов в корреляционных измерителях параметров движения на основе численных методов // Волновая электроника и инфокоммуникационные системы. Санкт-Петербург, 2021. С. 236-241.

247. Бильгаева Л.П., Суворов Г.Н. Система сбора и анализа данных с GPS-трекера // Современная наука: актуальные проблемы теории и практики. 2023. № 6-2. С. 31-38.

248. Niemi A., Nayani V., Moustafa M., Ekberg Ja.E. Platform attestation in consumer devices // Conference of Open Innovations Association, FRUCT. 2023. № 33. С. 198-209

249. Пугачев И.Н., Евтюков С.С., Шешера Н.Г., Григоров Д.Е. Максимальная обеспечиваемая скорость как ключевой показатель травматизма при ДТП. Способы сбора, обработки и анализа // T-Comm: Телекоммуникации и транспорт. 2024. Том 18. №6. С. 46-54.

250. Калугин Д.Н. Автоматическая географическая привязка топографических карт с использованием языка программирования Python //

Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2023. Т. 67. № 1. С. 57-65.

251. Селиверстов Я.А., Селиверстов С.А. Разработка системы анализа качества улично-дорожных сетей на основе комбинированных признаков // Транспорт: наука, техника, управление. Научный информационный сборник. 2021. № 8. С. 14-29.

252. Тимофеева Н.Е., Дмитриева К.А. Сравнительный анализ разных подходов получения выборки в распределенной базе данных // В сборнике: Информационно-управляющие, телекоммуникационные системы, средства поражения и их техническое обеспечение. сборник научных статей. Пенза, 2019. С. 82-88.

253. Статистика ДТП [Электронный ресурс] // Правовая защита автолюбителей : сайт. - Режим доступа : http://www.vashamashina.ru/statistics_traffic_accident.html (дата обращения : 07.03.2023).

254. Волошин Г.Я. Анализ дорожно-транспортных происшествий / Г. Я. Волошин, В. П. Мартынов, А. Г. Романов. -М. : Транспорт, 1987. -239 с.

255. Ставничий Ю.А. Дорожно-транспортная сеть и безопасность движения пешеходов / Ю. А. Ставничий. -М. : Транспорт, 1984. -72 с.

256. Гостюшин А.В. Энциклопедия экстремальных ситуаций / А. В. Гостюшин. -2-е изд., доп. -М. : Зеркало, 1995. -287 с.

257. Pugachev I.N., Grigorov D.Ye., Skripko P.B., Sheshera N.G. Improving the methodology for determining injuries in road traffic accidents using machine learning -Random Tree Method / // International scientific and practical conference «Smart cities and sustainable development of regions» (SMART-GREENS 2024): LLC Institute of Digital Economics and Law, 2024. - P. 125-136/

258. Совершенствование системы безопасности дорожного движения, стремящейся к нулевой смертности на автомобильных дорогах: монография / И.Н. Пугачев, Н.Г. Шешера, Д.Е. Григоров. - Хаба-ровск: Изд-во ДВГУПС, 2024. - 183 с.

259. Ханников А.А. Женщине за рулем / А. А. Ханников. -М. : Современная школа, 2006. -134 с.

260. Бершадский В.Ф. Безопасность дорожного движения / В.Ф. Бершадский, Н. И. Дудко. -Минск : Ураджай, 1990. -270 с.

261. Евсеева А.А. Анализ причин возникновения дорожно-транспортных происшествий с участием грузовых автомобилей в России [Электронный ресурс] / А. А. Евсеева, Е. И. Кобиашвили, В. Н. Басков // Концепт : науч.-метод. электрон журнал. -2015. -Т. 13. -С. 3011-3015. -Режим доступа : http://ekoncept. ru/2015/85603.htm (дата обращения : 06.03.2023).

262. Блинкин М.Я. Безопасность дорожного движения: история вопроса, международный опыт, базовые институции / М. Я. Блинкин, Е. М. Решетова. -М. : Издат. дом Высшей школы экономики, 2013. -240 с.

263. Baker S.P. Reducing Injuries and Their Results: The Scientific Approach / S.P. Baker, W. Jr. Haddon // The Milbank Memorial Fund Quarterly. Health and Society. -1974. -Vol. 52, № 4. -P. 377-389.

264. Раянов Л.Ф. Искусственный интеллект и геоинформационные системы // Студенческий вестник. 2023. № 4-5 (243). С. 19-23.

265. Вохмин А.А., Жилкин Д.В. Геоинформационные системы и перспективы их развития // Научное сообщество студентов. Междисциплинарные исследования. - Новосибирск, 2020. - С. 29-35.

266. 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.

267. Позняк И.И., Холуянов А.А., Лосенков М.А. Геоинформационные системы и искусственный интеллект на транспорте // Славянский форум. - 2022. -№ 3 (37). - С. 444-453.

268. Аманкулова Н.А., Молмакова М.С., Каримова Г.Т. Искусственный интеллект и геоинформационные системы // Бюллетень науки и практики. - 2023. -Т. 9. - № 11. - С. 278-287.

269. Зиатдинов А.Р. Сравнение эффективности использования различных картографических сервисов в корпоративных приложениях // Научный электронный журнал Меридиан. - 2019. - № 12 (30). - С. 300-302.

270. Zhou Qi., Wang Sh., Liu Ya. Exploring the accuracy and completeness patterns of global land-cover/land-use data in OpenStreetMap // Applied Geography. -2022. - Т. 145. - С. 102742.

271. Sehra S.S., Singh Ja., Sehra S.K., Rai H.S. Extending qgis processing toolbox for assessing the geometrical properties of OpenStreetMap data // Spatial Information Research. - 2023. - Т. 31. - № 2. - С. 135-144.

272. Almendros-Jimenez J.M., Becerra-Teron A., Merayo M.G., Nunez M. Using metamorphic testing to improve the quality of tags in OpenStreetMap // IEEE Transactions on Software Engineering. - 2023. - Т. 49. - № 2. - С. 549-563.

273. Гордиенко Л.В. Геоинформационное картографирование дорожных условий с использованием пространственных данных OpenStreetMap // Инженерный вестник Дона. - 2023. - № 12 (108). - С. 695-705.

274. Макеев Е.С., Мачихина А.О. Особенности проектирования кольцевого пересечения для улично-дорожной сети // В сборнике: III Ломоносовские чтения. Актуальные вопросы фундаментальных и прикладных исследований. Сборник статей Международной научно-практической конференции. 2019. С. 83-86.

275. Силяков Е.В., Игнатьев Р.А. Алгоритм оценивания параметров движения на основе функции правдоподобия // Радиотехнические, оптические и биотехнические системы. Устройства и методы обработки информации. Санкт-Петербург, 2023. С. 161-163.

276. О техническом регулировании : федер. закон от 27.12.2002 № 184-ФЗ (ред. от 02.07.2021) - Доступ из СПС КонсультанПлюс.

277. Шешера Н.Г. Совершенствование оценки качества строительства и реконструкции транспортных сооружений / Н. Г. Шешера // Дальний Восток: проблемы развития архитектурно-строительного и дорожно-транспортного комплекса : материалы Междунар. науч.-практ. конф. - Хабаровск : Изд-во ТОГУ, 2013. - Вып. 13. - С. 508-510.

278. Повышение эффективности ремонта автомобильных дорог с учетом их эксплуатационного состояния : монография / В. А. Ярмолинский. - Хабаровск : Изд-во ТОГУ, 2013. - 147 с.

279. Пугачев И.Н. Теоретические принципы и методы повышения эффективности функционирования транспортных систем городов : дис. ... д-ра техн. наук / И. Н. Пугачев. - Екатеринбург, 2010. - 367 с.

280. Сильянов В.В. Аудит безопасности дорожного движения в проектах автомобильных дорог / В. В. Сильянов, О. И. Тонконоженков // Наука и техника в дорожной отрасли. - 2007. - № 1. - С. 2-3.

281. Ярмолинский А.И. Автомобильные дороги Дальнего Востока. Опыт проектирования и эксплуатации / А. И, Ярмолинский. - М. : Транспорт, 1994. - 141 с.

282. Распоряжение Росавтодора от 3 октября 2002 г. № ИС-840-р «О введении в действие ОДН 218.0.006 - 2002 «Правила диагностики и оценки состояния автомобильных дорог» (взамен ВСН 6-90)». - Доступ из СПС КонсультантПлюс.

283. Шешера Н.Г. Вопросы улучшения оценки качества строительства и реконструкции транспортных сооружений / Н. Г. Шешера // Проблемы развития науки и образования: теория и практика. -М. : АР-Консалт, 2013. -Ч. IV. -С. 76-78.

284. Конституция Российской Федерации : принята всенародным голосованием 12.12.1993 г. (ред. от 01.07.2020) - Доступ из СПС КонсультанПлюс.

285. Распоряжение Минтранса РФ от 1 октября 2002 г. № ИС-834-р «О рассмотрении и утверждении актов приемки в эксплуатацию законченных строительством, реконструкцией и капитальным ремонтом федеральных автомобильных дорог и искусственных сооружений на них». - Доступ из СПС КонсультантПлюс.

286. Шешера Н.Г. Проблемы оценки качества строительства и реконструкции транспортных сооружений [Электронный ресурс] / Н. Г. Шешера // Scientific research and their practical application. Modern state and ways of development

'2013 - SWorld - 1-12 October 2013. -Режим доступа : http://www.sworld.com.ua/konfer32/374.pdf (дата обращения: 06.03.2017).

287. Указ Президента РФ от 15 июня 1998 г. № 711 - Доступ из СПС КонсультанПлюс.

288. Постановление Правительства РФ от 30.06.2021 № 1101 - Доступ из СПС КонсультанПлюс.

289. ГОСТ Р 50597-2017. Национальный стандарт Российской Федерации. Дороги автомобильные и улицы. Требования к эксплуатационному состоянию, допустимому по условиям обеспечения безопасности дорожного движения. Методы контроля" - Доступ из СПС "КонсультантПлюс

290. Сидоров Ю.С. Судебно-медицинская оценка повреждений водителей и пассажиров переднего сиденья легкового автомобиля при столкновениях (экспериментально-морфологическое исследование) : автореф. дис. ... д-ра мед. наук /Ю. С. Сидоров. -М., 1991. -39 с.

291. Рябчинский А.И. Механизм травмирования человека в автомобиле и биомеханика дорожно-транспортных происшествий. -Таллинн : Валгус, 1979. -126 с.

292. Дорожно-транспортные происшествия : нормативные акты, материалы судебной практики, образцы документов. -4-е изд., доп. и перераб. -М. : Изд. Тихомирова М. Ю., 2008. -284 с.

293. ОДМ 218.10.001-2020. Методические рекомендации по разработке типовой архитектуры ведомственной интеллектуальной транспортной системы в сфере автомобильного транспорта и дорожного хозяйства [Электронный ресурс] (издан на основании распоряжения Федерального дорожного агентства от 16.09.2020 № 2871-р.).

294. Андреев И.С. Профилактическая деятельность следователя при расследовании дорожно-транспортных происшествий : автореф. дис. канд. юрид. наук / И. С. Андреев. -Минск, 1982. -17 с.

295. Волгин В.В. Если в ДТП виновата дорога / В. В. Волгин. -М. : Астрель-АСТ, 2003. -206 с.

296. Ермаков Ф. Профилактика дорожных происшествий / Ф. Ермаков // Советская юстиция. -1967. -№ 23.

297. Жулев В.И. Предупреждение дорожно-транспортных происшествий : практ. пособие / В. И. Жулев. -М. : Юрид. лит., 2006. -221 с.

298. Корнеева О.В. Возмещение вреда, причиненного жизни и здоровью в результате ДТП : науч.-практ. пособие / О. В. Корнеева. -3-е изд. -М. : РИОР : ИНФРА-М, 2015. - 145 с.

299. Пучкин В.А. Основы экспертного анализа дорожно-транспортных происшествий : база данных, экспертная техника, методы решений / В. А. Пучкин. - Ростов-на-Дону : ИПО ПИ ЮФУ, 2010. -398 с.

300. Пучкин В.А. Справочно-нормативные материалы для экспертаавтотехника / В. А. Пучкин, В. И. Лозовой. -Новочеркасск : Юж.-Рос. гос. техн. ун-т, 2002. -166 с.

301. Всемирный доклад о предупреждении дорожно-транспортного травматизма / Айэн Джонстон и др. -М. : Весь Мир, 2004. -258 с.

302. Оценка социально-экономического ущерба от ДТП в России: методологические вопросы в контексте зарубежных исследований [Электронный ресурс] / Высшая школа экономики. -М., 2015.

303. Сазыкин Ю.Л. Методика определения стоимости жизни / Ю. Л. Сазыкин, Н. В. Долбня. -Краснодар : ЦНТИ, 2001.

304. Методологические особенности оценки экономических потерь от дорожно-транспортных происшествий / М. Г. Полозков [и др.] // Экономика и современный менеджмент: теория и практика : сб. ст. по материалам LXШ-LXIV междунар. науч.-практ. конф. -Новосибирск : СибАК, 2016. -№ 7/8. -С. 61-93.

305. Пугачёв И.Н., Капский Д.В., Майорова Л.П., Базаревич С.В., Черенцова А.А., Лукьянов А.И., Казарбина С.А. Оценка экологических потерь в дорожном движении на основе gps-данных о параметрах транспортных потоков и моделирования. Хабаровск, 2020.

306. Пугачев И.Н., Шешера Н.Г., Григоров Д.Е. Определение стадий контроля безопасности дорожного движения (проектирование, строительство и

эксплуатация) для усовершенствованной методики коэффициентов аварийности // Транспорт Азиатско-Тихоокеанского региона. 2024. № 2-(39). С. 54-60.

307. Показатели состояния безопасности дорожного движения [Электронный ресурс]. - Режим доступа: http://stat.gibdd.ru/. - (дата обращения: 28.02.2024).

308. Пугачёв И.Н., Куликов Ю.И., Щеглов В.И., Смирнова Н.Д. Особенности развития цифровой экономики в области перевозок автомобильным транспортом // Дальний Восток. Автомобильные дороги и безопасность движения: международный сборник научных трудов. Хабаровск: Отв. ред. А.В. Каменчуков, 2020. С. 207-210.

309. Пугачев И.Н., Шешера Н.Г. Математическое моделирование в транспортных исследованиях с использованием данных, полученных на основе навигационно-телематических систем // Инновационный транспорт. - 2024. - № 4(54). - С. 3-12.

310. Пугачев И.Н., Капский Д.В., Навой Д.В., Маркелов Г.Я., Тормозов В.С., Щеглов В.И. Синергия подходов к совершенствованию интеллектуальных транспортных систем городов в России и Белоруссии. Хабаровск, 2020.

311. Пугачев И.Н., Куликов Ю.И. Цифровая трансформация транспортной инфраструктуры- основа реализации ведомственного проекта «Цифровой транспорт и логистика» // Транспортное планирование и моделирование. Сборник трудов V Международной научно-практической онлайн-конференции. Москва, 2020. С. 142-149.

ПРИЛОЖЕНИЕ А. ОБОЗНАЧЕНИЯ ШИФРА ПОГОДЫ ^^^

Таблица А.1. Шифр погоды от 00 до 19

Явления погоды Кодовые цифры ——

Изменение количества облаков в последний час неизвестно 00

уменьшалось 01

без изменений 02

увеличивалось 03

На станции или в видимой окрестности В срок наблюдения Ухудшение видимости из-за дыма (от степных / лесных пожаров, промышленных предприятий и т.д.) или вулканического пепла 04

Мгла 05

Пыль, взвешенная в воздухе на обширном пространстве, но не поднятая ветром 06

Пыль или песок, поднятые ветром (пыльных/песчаных бурь или сильных вихрей нет) Водяная пыль (брызги), переносимые ветром (на морской станции: береговой, судовой и др.) 07

В срок наблюдения или в последний час Пыльные/песчаные сильные вихри, но пыльной/песчаной бури нет 08

На станции В последний час - Пыльная/песчаная буря 09

В видимой окрестности, но не на станции В срок наблюдения

На станции или в видимой окрестности В срок наблюдения Дымка (видимость > 1 км) 10

Поземный туман (высота < 2 м от поверхности земли), видимость менее 1000 м клочками, полосами 11

сплошным слоем 12

Зарница 13

Окончание таблицы А.1

Явления погоды Кодовые цифры

В видимой окрестности, но не на станции В срок наблюдения Осадки не достигают поверхности Земли 14

достигают поверхности Земли вдали от станции (> 5 км) 15

вблизи от станции (< 5 км) 16

На станции или в видимой окрестности В срок наблюдения Гроза (как близкая, так и отдаленная), но без осадков на станции 17

В срок наблюдения или в последний час Шквал(ы) - внезапное увеличение скорости ветра (на 8 м/с и более) за короткий промежуток времени (за 2 мин и менее). Скорость ветра при шквале больше 10 м/с (нередко превышает 25 м/с); продолжительность шквала - 1 мин и более 18

Смерч(и) 19

Отсутствуют в срок наблюдения и в последний час:

- осадки (кроме ww = 17 в последний час);

- туман (кроме ww = 11, 12 в срок наблюдения);

- пыльная/песчаная буря (кроме ww = 09 в последний час);

- метель (общая, низовая, поземок).

Таблица А.2. Шифр погоды от 20 до 29. Осадки, туман, гроза в последний час, но не в срок наблюдения

В последний час на станции Кодовые цифры ——

Морось (незамерзающая) Снежные зерна 20

Дождь (незамерзающий) 21

Снег 22

Дождь со снегом Ледяной дождь 23

Морось Дождь - замерзающие, образующие гололед 24

Ливневый дождь 25

Ливневый дождь со снегом или ливневой снег 26

Град, крупа (ледяная или снежная) - с дождем или без дождя 27

Туман или ледяной туман, видимость менее 1 км 28

Гроза (с осадками или без них) 29

Таблица А.3. Шифр погоды от 30 до 39. Пыльная/песчаная буря, метель (общая, низовая, поземок). Без осадков в срок наблюдения

В срок наблюдения В последний час Кодовые цифры ——

Пыльная или песчаная буря слабая или умеренная Ослабела 30

Без изменения 31

Началась или усилилась 32

сильная Ослабела 33

Без изменения 34

Началась или усилилась 35

Поземок слабый или умеренный 36

сильный 37

Метель низовая или общая слабая или умеренная 38

сильная 39

Таблица А.4. Шифр погоды от 40 до 49. Туман или ледяной туман. Без осадков в срок наблюдения

Видимость на станции Наличие и эволюция тумана или ледяного тумана В срок наблюдения на станции Кодовые цифры ——

В срок наблюдения В последний час на станции

1000 м или более Есть в окрестности станции Не было Нет тумана или ледяного тумана 40

Туман или обрывки ледяного гумана 41

Менее 1000 м Есть на станции Ослабел Небо видно 42

Небо не видно 43

Без изменений Небо видно 44

Небо не видно 45

Начался или усилился Небо видно 46

Небо не видно 47

Есть на станции (с отложением изморози) Небо видно 48

Небо не видно 49

Таблица А.5. Шифр погоды от 50 до 59. Морось, морось с дождем

В срок наблюдения на станции Кодовые цифры ——

Морось (незамерзающая) слабая с перерывами 50

непрерывная 51

умеренная с перерывами 52

непрерывная 53

сильная с перерывами 54