РОЗРОБКА СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ АНАЛІЗУ НАДЗВИЧАЙНИХ СИТУАЦІЙ НА МІСЬКОМУ ТРАНСПОРТІ
DOI:
https://doi.org/10.28925/2663-4023.2021.12.618Ключові слова:
система підтримки прийняття рішень, кластерний аналіз, міський транспорт, аналіз аварій і надзвичайних ситуаційАнотація
У статті розглянуті деякі аспекти проектування модуля системи підтримки прийняття рішень (СППР) в ході аналізу великих аварій або НС на міському транспорті в великих містах, мегаполісах, а також в Smart City. Показано, що обчислювальне ядро подібної СППР може базуватися на методах кластерного аналізу (КА). Показано, що реалізація навіть базових алгоритмів КА в обчислювальному ядрі СППР дозволяє здійснювати ітераційний пошук оптимальних рішень для запобігання великої кількості НС на міському транспорті за рахунок встановлення характерних ознак аварій і НС та заходів близькості між двома об'єктами. Показано, що такий інструментарій як СППР, може надати всім зацікавленим особам науково обґрунтовану класифікацію багатовимірних спостережень, які узагальнюють сукупність відібраних показників і дозволяють виявляти внутрішні зв'язки між НС на міському транспорті. Описано модуль СППР для аналізу НС на міському транспорті. Встановлено, що для вирішення такого завдання можна застосовувати в обчислювальному ядрі СППР «зважену» евклідову відстань. Саме цей параметр дозволяє враховувати значущість кожної характеристики НС на міському транспорті, що, в свою чергу буде сприяти отриманню достовірних результатів аналізу. Показано, що методи КА також можуть бути затребувані, коли поряд з аналізом НС на громадському транспорті, паралельно вирішуються завдання з проектування та реконструкції конфігурацій міських вулично-дорожніх мереж. Це завдання, зокрема, вимагає проведення фази аналізу (не в останню чергу з застосуванням методів КА) для того, щоб мінімізувати зайві витрати, які не можуть бути компенсовані в разі помилок в дорожньої мережі. При вирішенні такого завдання аналізу піддають ділянки міської вулично-дорожньої мережі з метою виявлення проблемних місць, які потребують реконструкції або перепланування. Застосування методів КА в подібних пов'язаних завданнях обумовлено відсутністю апріорних гіпотез щодо класів, які в результаті будуть отримані.
Завантаження
Посилання
Thomas, G., Alexander, G., & Sasi, P. M. (2017). Design of high performance cluster based map for vehicle tracking of public transport vehicles in smart city. In 2017 IEEE Region 10 Symposium (TENSYMP) (pp. 1–5). IEEE.
Ghoneim, Osama A. "Traffic Jams Detection and Congestion Avoidance in Smart City Using Parallel K-Means Clustering Algorithm." Proceedings of International Conference on Cognition and Recognition. Springer, Singapore, 2018, 154-158.
Kaplan, S., & Prato, C. G. (2013). Cyclist–motorist crash patterns in Denmark: A latent class clustering approach. Traffic injury prevention, 14(7), 725–733.
Sun, M., Sun, X., & Shan, D. (2019). Pedestrian crash analysis with latent class clustering method. Accident Analysis & Prevention, 124, 50–57.
Maji, A., Velaga, N. R., & Urie, Y. (2018). Hierarchical clustering analysis framework of mutually exclusive crash causation parameters for regional road safety strategies. International journal of injury control and safety promotion, 25(3), 257–271.
Achu, A. L., Aju, C. D., Suresh, V., Manoharan, T. P., & Reghunath, R. (2019). Spatio-temporal analysis of road accident incidents and delineation of hotspots using geospatial tools in Thrissur District, Kerala, India. KN-Journal of Cartography and Geographic Information, 69(4), 255–265.
Liu, Z., Jia, H., & Wang, Y. (2020). Urban expressway parallel pattern recognition based on intelligent IOT data processing for smart city. Computer Communications, 155, 40–47.
Bellini, E., Nesi, P., Pantaleo, G., & Venturi, A. (2016, September). Functional resonance analysis method based-decision support tool for urban transport system resilience management. In 2016 IEEE International Smart Cities Conference (ISC2) (pp. 1–7). IEEE.
Sun, F., Pan, Y., White, J., & Dubey, A. (2016, May). Real-time and predictive analytics for smart public transportation decision support system. In 2016 IEEE International Conference on Smart Computing (SMARTCOMP) (pp. 1–8). IEEE.
Frez, J., Baloian, N., & Zurita, G. (2014, December). SmartCity: Public Transportation Network Planning Based on Cloud Services, Crowd Sourcing and Spatial Decision Support Theory. In International Conference on Ubiquitous Computing and Ambient Intelligence (pp. 365–371). Springer, Cham.
Romesburg, C. (2004). Cluster analysis for researchers. Lulu. com. P.333.
