Вестник цифровой трансформации

Удмуртская Республика: как данные помогают безопасности на дорогах
Удмуртская Республика: как данные помогают безопасности на дорогах

Тимур Меджитов: «С использованием реальных статистических данных мы смогли построить систему рекомендаций по реализации различных мероприятий, снижающих аварийность и имеющих точечное воздействие на конкретных местах концентрации ДТП, учитывающих недостатки улично-дорожной сети в зонах аварийности и других факторов. Это позволяет проводить необходимые мероприятия в нужное время и в нужном месте»


12:53 14.03.2023 (обновлено: 10:37 15.03.2023)  |  Николай Смирнов | 1763 просмотров



Тимур Меджитов, министр цифрового развития Удмуртской Республики, – о создании геоаналитической системы, с помощью которой анализируют причины ДТП и факторы, влияющие на них, а также проводят мероприятия по снижению аварийности.

Снижение количества ДТП и связанное с этим благоустройство улично-дорожной сети всегда являлись приоритетной целью для всех регионов. В последнее время с появлением новых аналитических возможностей эта работа основывается на объективных данных и потому приобретает все более осмысленный и логичный вид. В Удмуртской Республике создали геоаналитическую систему, с помощью которой анализируют причины ДТП и факторы, влияющие на них, а также проводят мероприятия по снижению аварийности. О реализации этого проекта рассказывает Тимур Меджитов, министр цифрового развития Удмуртской Республики и номинант на премию Data Award.

— Какова история проекта? Как пришли к его реализации?

Следствием повышения уровня автомобилизации в стране является рост уровня аварийности на дорогах. ДТП не только травмируют и уносят жизни, но и оказывают негативное воздействие на социально-экономическое развитие региона, поскольку травмы при ДТП в большинстве случаев получают именно молодые люди в трудоспособном возрасте.

В мировой практике есть примеры эффективного снижении смертности от ДТП до показателя 3-5 погибших на 100 тыс. населения. В Удмуртской Республике на 2021 год наблюдалось 9,6 погибших на 100 тыс. населения. Очевидно, это число нужно было снижать, и важную роль в этом должны играть результаты анализа данных и прогнозирования ДТП.

— Какие варианты решения проблемы рассматривались? Какой подход в итоге был выбран?

Существуют методические рекомендации по выявлению мест концентрации ДТП, описанные в нормативных документах Росавтодора еще в конце XX века. Описанный в них алгоритм выявления предполагает ручное вычисление расстояний между всеми ДТП и определение мест их концентрации. На сегодняшний день с реализацией механизмов цифровой трансформации, в том числе возможностей искусственного интеллекта, такие методы расчета перестали быть актуальными и требуют более быстрых и современных решений. Именно поэтому был произведен поиск уже существующих современных методов расчета.

После глубокого анализа результатов от ранее используемых методик, мы разработали собственный алгоритм с использованием методов интеллектуального анализа данных (статистически-корреляционного анализа, кластерного анализа, а также методов построения решающих деревьев), учитывающий все требования для определения мест концентрации ДТП, закрепленные в нормативных документах Росавтодора.

— Как была сформулирована цель проекта?

Цель проекта заключается в повышении безопасности на наших дорогах за счет проведения эффективной управленческой политики в сфере благоустройства улично-дорожной сети, основанной на результатах анализа данных и прогнозирования ДТП, а также применения экспертной системы при формировании эффективных мероприятий по снижению аварийности на дорогах. Проект направлен на цифровую трансформацию процессов принятия решений в сфере благоустройства улично-дорожной сети Удмуртской Республики с целью сокращения аварийности на дорогах.

— Как была выстроена работа, из каких этапов она состояла?

Конечно же, мы начали со сбора и систематизации данных. Следом был проведен анализ данных, а также прогнозирование количества ДТП и тяжести их последствий. Анализ включал оценку влияния на интенсивность ДТП множества факторов: временной фактор (динамика по годам, сезонность, влияние дня недели, динамика в течение дня), территориальный фактор (место ДТП, категории дорог и улиц), видовой фактор (выявление наиболее значимых типов ДТП), факторы инфраструктуры (объекты и недостатки УДС, освещенность, состояние погоды и проезжей части, наличие камер фотовидеофиксации), человеческий фактор (водительский стаж, степень опьянения, использование ремня безопасности и детского сидения, нарушение ПДД), технический фактор (тип транспортного средства, положение руля, тип привода, год выпуска, марка и модель, неисправности).

Следующий очевидный шаг – выявление мест концентрации ДТП. Для этого был реализован интеллектуальный алгоритм кластеризации (иерархический метод). В работе алгоритма используются ограничения по определению мест концентрации ДТП, которые предполагают выявление в городе зон с радиусом в 200 м, а на межмуниципальных дорогах – до 1 км. Затем мы построили профили мест концентрации ДТП. Они состоят из сводных характеристик места, рассчитанных на основе информации о совершенных в данном участке аварий.

Благодаря этому удалось сформировать список рекомендуемых мероприятий по снижению аварийности на местах концентрации ДТП. Для создания такого списка используются «Методические рекомендации по выбору эффективных некапиталоемких мероприятий по снижению аварийности…» (Росавтодор ОДМ 218.6.025-2017). Предложенные в рекомендациях мероприятия с использованием разработанной нами экспертной системой автоматически соотносятся с построенными профилями мест концентрации ДТП, и в результате появляется список наиболее эффективных мероприятий.

На заключительном этапе была проведена визуализация результатов анализа в виде тепловой карты ДТП.

— Какие данные и какие платформы использовались?

В качестве исходных данных использовались публичные данные о ДТП в Удмуртской Республике в период 2015-2022 годы, полученные с сайта Госавтоинспекции stat.gibdd.ru.

При разработке системы применён язык программирования Python (библиотеки pandas, sklearn, xmltodict, numpy, matplotlib), среда разработки pyCharm Community, база данных PostgreSQL и облачная BI-система Yandex DataLens. С помощью фреймворков языка Python и среды разработки PyCharm Community разработан механизм, преобразующий входные данные в удобный для исследования вид. Обработанные данные хранятся в базе данных PostgreSQL, а Yandex DataLens позволяет визуализировать преобразованные данные.

— Какие проблемы возникали в ходе работ, как с ними боролись?

Основные сложности при реализации проекта были связаны со сбором и использованием исходных данных ввиду их неоднородности, а также отсутствием части необходимых данных. В итоге первоисточником данных в проекте выступала ведомственная информационная система по учету ДТП на региональных дорогах общего пользования, а в дальнейшем был автоматизирован процесс сбора данных из открытого источника данных – портала Госавтоинспекции.

Помимо этого, надежность и устойчивость функционирования геоаналитической системы напрямую зависит от качества работы облачной BI-системы Yandex DataLens. Также есть сложности изменением модели принятия решений в традиционных отраслях, в том числе дорожном хозяйстве, и их эволюцией в части реализации управленческих решений, построенных на основе данных.

— Приведите примеры открытий, которые удалось обнаружить с помощью анализа данных ДТП.

За счет учета различных факторов и применения интеллектуальных методов смогли выделить влияние комбинаций различных факторов на аварийность, а также смертность при ДТП. Например, в городах нашего региона основные виды ДТП – «Наезд на пешехода» и «Столкновение», а пик аварийности приходится на сентябрь-октябрь, в то время как вне населенных пунктов – «Столкновение», «Опрокидывание» и «Съезд с дороги», а пик в июле-августе.

Также различаются недостатки улично-дорожной сети, влияющие на аварийность. В городах это плохая различимость или отсутствие горизонтальной разметки, недостатки зимнего содержания и отсутствие пешеходных ограждений в необходимых местах. За пределами населенных пунктов на трассах регионального и федерального значения – недостатки зимнего содержания, отсутствие дорожных знаков в необходимых местах и освещения в темное время суток.

— Как именно наличие объективных данных повлияло на принятие решений? Что изменилось?

С использованием реальных статистических данных мы смогли построить систему рекомендаций по реализации различных мероприятий, снижающих аварийность и имеющих точечное воздействие на конкретных местах концентрации ДТП, учитывающих недостатки УДС в зонах аварийности и других факторов. Это позволяет проводить необходимые мероприятия «в нужное время и в нужном месте». Так, например, система указывает наиболее релевантные места для установки комплексов фото-видеофиксации, светофорных объектов, дорожного освещения, пешеходных ограждений и нанесения разметки.

— Какие результаты уже достигнуты?

Проведена аналитика влияния на ДТП и тяжесть их последствий различных факторов, выполнено прогнозирование количества аварий на территории республики, визуализированы участки аварийности в виде тепловой карты, выявлены места концентрации ДТП.

По итогам 2021 года было выявлено 16 мест концентрации ДТП, предложен список рекомендуемых мероприятий, направленных на снижение аварийности. В результате их реализации можно ожидать снижения числа пострадавших в ДТП на данных участках улично-дорожной сети Ижевска более чем вдвое.

На текущий момент реализованы лишь несколько из предложенных мероприятий по снижению аварийности на ряде мест их концентрации, однако это позволило полностью избавиться от аварийности на данных участках дорог. Общее количество ДТП в 2022 году на территории Удмуртской Республики снизилось на 8,8%, а количество пострадавших – на 10%. Мы считаем эти показатели значительными.

— А какие эффекты ожидаются в дальнейшем?

Главный эффект – социальный: это повышение безопасности на наших дорогах, сохранение здоровья и жизни наших граждан. С точки зрения оптимизации процессов, разработанная система позволяет автоматизировать процессы сбора и анализа данных, а также построения управленческих решений на их основе службами благоустройства города. Кроме того, ожидается экономический эффект от внедрения за счет бережливого и адресного расходования выделенных средств на повышение безопасности в конкретных участках улично-дорожной сети.

Таким образом, экономический эффект от внедрения разработанной системы состоит из экономии трудозатрат сотрудников, выполняющих сейчас данную работу в ручном режиме, а также включает в себя сокращение расходов от ДТП, которое оценивается как исключение различных материальных финансовых и нематериальных потерь от последствий ДТП – включая гибель и потерю здоровья людей, потерю грузов и другие социально-экономические составляющие.

— В каком направлении будет развиваться созданное решение?

В настоящий момент система уже используется как база для работы служб благоустройства региона. При этом проводится регулярная актуализация данных с целью анализа динамики. В целом такая системная работа позволит ожидать еще более существенных результатов по снижению аварийности на дорогах нашей республики.

 

Теги: Data Award