VAK Russia 5.2.3
VAK Russia 5.2.4
VAK Russia 5.2.5
VAK Russia 5.2.6
VAK Russia 5.2.7
UDC 338.47
The article reveals the advantages and significant potential of introducing video surveillance and video analytics systems in the urban passenger transport system. The chronological sequence of the introduction and mutual convergence of various digital technologies of video-vision and artificial intelligence in urban passenger transportation is given. There are two main segments of monitoring the operation of urban public transport using video analytics: the external infrastructure and inside the vehicles themselves, and the corresponding indicators of the quality of transport services, the identification of which is provided by video vision technologies. The advantages and effects of the introduction of systems for monitoring the quality of passenger transport using video vision have been identified, including optimization of the route network, continuous analysis of economic indicators (revenue, turnover, profitability, etc.), growth in the quality of passenger transport services; automation of routine processes, the formation of large-scale data for the implementation of Big Data algorithms.
Video vision, video analytics, artificial intelligence, monitoring of urban passenger transport, digital solutions for comfortable trips, quality of passenger transportation services.
Проблематика развития систем городского общественного транспорта в нашей стране сегодня связана с: чрезмерно большой нагрузкой на дорожной инфраструктуру ввиду использования жителями личного автотранспорта, наличием пробок, низкой скоростью дорожного движения. При этом личные автомобили используются гражданами, неэффективно – так, в городе Москве на личном автомобиле в сутки перемещается в среднем 1,1 человека – то есть налицо низкая вместимость транспортного средства, наряду с тем, что оно занимает большое пространство и трафик дорожной сети [2]. Городские перевозки на современном этапе сопряжены с значительными потерями времени и денег граждан по причине перегруженности дорожной сети, недостаточной эффективности развития городского пассажирского транспорта, в том числе неразвитости цифровых решений, пока еще малым объемом мультимодальных скоростных поездок с применением бесшовных вариантов использования комбинаций нескольких видов транспорта [1].
Развитие городского общественного транспорта сдерживается сегодня рядом нерешенных проблем: нерегулярность (как пример: дефицит водителей оставляет некоторые маршруты без необходимого числа рейсов и приводит к простоям транспорта), значительная нагрузка (большой пассажиропоток в городских агломерациях, несбалансированность наличия транспорта и его потребностью, особенно в часы пик), недостаточная комфортабельность (неравномерные интервалы движения, неудовлетворённость стилем движения водителей, переполненность транспорта в часы пик), слабая гибкость (персонализация и кастомизация городских пассажирских перевозок даже в крупных городах не превышает 25%, а в большей части маршруты усреднены и стандартизированы), недостатки в обеспечении безопасности (доля дорожно-транспортных происшествий с автобусами составляет около 6% от общего числа дорожно-транспортных происшествий в городах).
На примере данных Департамента транспорта города Москвы, смещение предпочтений жителями в сторону отказа от использования личного автомобильного транспорта в пользу общественного транспорта в среднем высвобождает время в пути по городу в часы пик на 25% [8]. Личный автомобильный транспорт перегружает городскую дорожную инфраструктуру в сравнении с городским транспортом в 19 раз – то есть для повышения скорости перемещения граждан необходимо разгружать улично-дорожную сеть, совершенствовать городское дорожное движение внедрением комфортабельного, экологичного, современного, оцифрованного, доступного общественного транспорта.
Специалистами, учеными в области развития городских перевозок определен оценочный потенциал прироста валового внутреннего продукта страны при улучшении дорожной ситуации за счет уменьшения прямых и косвенных экономических потерь – в размере 1% в год.
В транспортной отрасли реализуются следующие функциональные блоки (направления) технологий искусственного интеллекта:
- компьютерное (видео) зрение;
- распознавание биометрических данных;
- чат-боты;
- рекомендательные интеллектуальные системы поддержки принятия решений;
- перспективные методы и технологии искусственного интеллекта;
- нейронные интерфейсы, нейросимуляции, нейросенсинг;
- виртуальная и дополненная реальность, испытательные полигоны VR/AR;
- системы обработки и анализа больших данных;
- робототехника и машинное обучение;
- высокоавтоматизированные транспортные средства (интеллектуальный транспорт, беспилотники);
- предиктивная аналитика и ситуационный анализ;
- информационные модели – цифровые двойники;
- Интернет вещей;
- высокопроизводительные вычислительные системы [7].
Компьютерное (или видео) зрение является составной и важной частью реализации технологий искусственного интеллекта в транспортной отрасли. Видеозрение, видеоаналитика применяются на транспорте для решения следующих задач:
- оперативное выявление внештатных ситуаций и отклонений и нормативов и графиков;
- непрерывный мониторинг и контроль состояния подвижного состава и инфраструктуры;
- мониторинг нарушений технологических, операционных, управленческих процессов;
- непрерывный мониторинг и контроль работы сотрудников;
- оцифровывание процессов нормирования труда, совершенствования организационных процессов;
- контроль соблюдение норм труда, техники безопасности;
- автоматизация выполнения рутинных операций сотрудниками.
Видеоаналитика технологических процессов предполагает: классификацию изображений; детектирование объектов; их сегментацию; распознавание движений; отслеживание местоположения; мониторинг соблюдения безопасных условий труда; выявление отклонений; контроль комплектности т др.[10].
Хронологическая этапность внедрения цифровых технологийвидеозрения и искусственного интеллекта в городских пассажирских перевозках, их взаимоконвергенциипредполагает последовательное внедрение: 1) систем управления оборудованием и сбора данных с улично-дорожной сети, инфраструктуры; 2) внедрение онлайн-мониторинга траффика; 3) запуск интеллектуальных бизнес-систем (BI) для принятия управленческих решений; 4) создание умных систем управления городскими перевозками и предиктивной аналитики на основе искусственного интеллекта; 5) генерацию новых пассажирских сервисов (трекинг, мультимодальные перевозки, распределенные реестры данных, интеллектуальное построение маршрутов, сервисы оптимизации и т.п.).
В настоящее время развивается достаточно значительное число пассажирских сервисов и технологий, способствующих повышению качества транспортного обслуживания пассажиров. Большой сегмент инновационных решений в сфере городского пассажирского транспорта отводится выполнению задач по: борьбе с «серыми» перевозчиками, безбилетными пассажирами, соблюдению перевозчиками ритмичности, предотвращению срывов расписания, снятием ограничений по наличию информации о реальном количестве пассажиров (онлайн-мониторинг фактического спроса в любое время и в любой точке пространства), оптимизации расписания, принятию решений по формированию рациональных и оптимальных городских пассажирских перевозок. В некоторых крупных городах такая задача уже частично решена, но остается достаточно большое число российских регионов, городов – больших, средних и малых, в которых еще предстоит оцифровать процессы мониторинга общественного транспорта и обеспечение качества пассажирских перевозок.
Системы видеозрения, данные с видеокамер, расположенных на остановочных пунктах, переданные и обработанные в центрах и аппаратных комплексах обработки потоковых данных, способствуют повышению показателей качества транспортного обслуживания населения.
Визуализация решения при ведена на рисунке 1.
Рисунок 1– Визуализация результатов мониторинга пассажиропотоков на остановочных пунктах [4]
Мониторинг соблюдения показателей качества транспортного обслуживания населения с использованием технологий видеозрения, установленного на объектах внешней инфраструктуры (остановочных пунктах, объектах дорожной сети и т.д.) позволяет непрерывно оценивать следующие параметры [6]:
- среднее время ожидания пассажирами транспорта на остановках;
- фактическое время прибытия транспорта на остановку;
- интервал движения транспортных средств по каждому маршруту;
- доля заполнения площадок накопления пассажирами;
- фактический пассажиропоток на остановочных пунктах (число вышедших и вошедших пассажиров в конкретное время по конкретному транспортному средству с указанием маршрута).
Системы видеозрения внутри транспортных средств позволяют осуществлять непрерывный оцифрованный мониторинг следующих показателей качества транспортного обслуживания пассажиров [9]:
- соблюдение норм пассажировместимости;
- среднюю скорость движения транспорта по участкам улично-дорожной сети;
- детализированный учет фактического пассажиропотока на маршрутах (число вышедших и вошедших пассажиров на каждом остановочном пункте с указанием фактического времени и номера транспортного средства).
Системы видеозрения внутри транспортных средств имеют следующие технологические особенности: камеры устанавливаются напротив дверных проемов внутри автобусов, трамваев, троллейбусов, электробусов; потоковое видео обрабатывается на локальных устройствах алгоритмами видеораспознавания; обработанные данные передаются по мобильной связи (4G) в центры обработки данных; полученные данные агрегируются с другими информационными и аналитическими системами; данные мониторинга просматриваются пользователями; машинные алгоритмы автоматически обрабатывают данные и выводят результаты обработки [5]. Искусственный интеллект, реализуемые за технологией видеозрения, способен проводить автоматическую аналитику поступающих данных и выдавать рекомендации для принятия решений.
На рисунке 2 продемонстрирована визуализация процесса подсчета выходящих и входящих пассажиров в транспортное средств с использованием средств видеоаналитики.
Рисунок 2 – Визуализация процесса подсчета выходящих и входящих пассажиров в транспортное средств с использованием средств видеоаналитики [4]
- оптимизируется маршрутная сеть;
- регулярно и непрерывно оценивается эффективность использования транспорта, в том числе его оборачиваемость;
- постоянно осуществляется контроль доходов от перевозок;
- повышается качество транспортного обслуживания пассажиров;
- автоматизируются процессы перевозок и рутинные операции;
- формируются большие массивы данных о пассажиропотоках в реальном времени, позволяющие впоследствии реализовать технологии больших данных (Big Data).
Таким образом, выполненное исследование позволило сформулировать основные его результаты и подвести итоги.
Раскрыты преимущества и значительный потенциал внедрения систем видеозрения, видеоаналитики в системе городского пассажирского транспорта. Показана хронологическая этапность внедрения и взаимной конвергенции различных цифровых технологий видеозрения и искусственного интеллекта в городских пассажирских перевозках: системы управления оборудованием и сбора данных с улично-дорожной сети, инфраструктуры; онлайн-мониторинг траффика; интеллектуальные бизнес-системы для принятия управленческих решений; умные системы управления городскими перевозками и предиктивной аналитики на основе искусственного интеллекта; внедрение новых цифровых пассажирских сервисов [1].
Выделены основные сегменты мониторинга работы городского общественного транспорта с использованием видеоаналитики: внешняя инфраструктура и мониторинг внутри самих транспортных средств, и соответствующие оцениваемые потоковым видеоанализом показатели качества транспортного обслуживания.
Определены преимущества и эффекты внедрения систем мониторинга параметров качества транспортного обслуживания пассажиров городского транспорта с использованием видеозрения, в том числе оптимизация маршрутной сети, непрерывный анализ экономических показателей (доходов, оборачиваемости, рентабельности и др.), рост качества транспортного обслуживания пассажиров; автоматизация рутинных процессов, формирование масштабных данных для реализации алгоритмов Big Data.
1. Anasenko E.V., Safonov D.A. Primenenie iskusstvennogo intellekta dlya upravleniya gorodskim transportom // Sokratovskie chteniya - 2024. Materialy HHHI Mezhdunarodnoy nauchno-prakticheskoy konferencii. Moskva, 2024. – S. 11-16.
2. Volkova E.M. Razvitie sovmestnogo potrebleniya v gorodskih transportnyh sistemah // Innovacionnye transportnye sistemy i tehnologii. – 2021. – T. 7, № 3. – S. 56-66.
3. Zhuravleva N.A., Sakovich I.L. Integraciya zheleznodorozhnyh perevozok v transportnye sistemy gorodskih aglomeraciy // Transport Rossiyskoy Federacii. – 2018. – № 6(79). – S. 26-29.
4. Ignatenko E.I., Novikov A.N., Klyavin V.E., Sysoev A.S. Intellektual'naya transportnaya sistema na osnove svetofornyh ob'ektov s adaptivnym upravleniem // Mir transporta i tehnologicheskih mashin. – 2025. – № 3-2 (90). – S. 109-115.
5. Karbyshev A.V., Ryazanova A.V. Razrabotka i vnedrenie sistemy planirovaniya obschestvennogo gorodskogo transporta na osnove iskusstvennogo intellekta dlya umnyh gorodov // Transportnoe delo Rossii. – 2025. – № 2. – S. 281-285.
6. Kuznecov A.A. Primenenie iskusstvennogo intellekta dlya resheniya problemy perepolnennosti i dlitel'nosti ozhidaniya obschestvennogo transporta // Nauchnyy aspekt. – 2024. – T. 44. – № 6. – S. 5504-5508.
7. Nikitin G.A., Moskvichev D.A. Ispol'zovanie iskusstvennogo intellekta dlya upravleniya obschestvennym transportom // Chteniya akademika V.N. Boltinskogo. Sbornik statey. Moskva, 2025. – S. 266-269.
8. Postnikov V.P. Modelirovanie tarifa na obschestvennom passazhirskom transporte (na primere obschestvennogo transporta Permi) // Ekonomicheskiy analiz: teoriya i praktika. – 2014. – № 41 (392). – S. 44-58.
9. Sydykova L.U. Problemy metodologii issledovaniya traffika lyudey // Vestnik Bishkekskogo gumanitarnogo universiteta. – 2008. – № 3 (12). – S. 37-40.
10. Chechenova, L.M., Uskov V.S. Cifrovoe modelirovanie ob'ektov transportnoy infrastruktury (na primere postroeniya modeli «umnoy» cifrovoy infrastruktury Rossiyskih zheleznyh dorog) // Transportnoe delo Rossii. – 2022. – № 6. – S. 28-30.
