ВАК 5.2.3 Региональная и отраслевая экономика
ВАК 5.2.4 Финансы
ВАК 5.2.5 Мировая экономика
ВАК 5.2.6 Менеджмент
ВАК 5.2.7 Государственное и муниципальное управление
УДК 338.47 Экономика транспорта и связи
В статье раскрываются преимущества и значительный потенциал внедрения систем видеозрения, видеоаналитики в системе городского пассажирского транспорта. Приведена хронологическая этапность внедрения и взаимной конвергенции различных цифровых технологий видеозрения и искусственного интеллекта в городских пассажирских перевозках. Выделены два основных сегмента мониторинга работы городского общественного транспорта с использованием видеоаналитики: внешней инфраструктуры и внутри самих транспортных средств, и соответствующие показатели качества транспортного обслуживания, идентификация которых обеспечиваются технологиями видеозрения. 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.
Видеозрение, видеоаналитика, искусственный интеллект, мониторинг городского пассажирского транспорта, цифровые решения для комфортных поездок, качество транспортного обслуживания пассажиров.
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. Анасенко Е.В., Сафонов Д.А. Применение искусственного интеллекта для управления городским транспортом // Сократовские чтения - 2024. Материалы ХХХI Международной научно-практической конференции. Москва, 2024. – С. 11-16.
2. Волкова Е.М. Развитие совместного потребления в городских транспортных системах // Инновационные транспортные системы и технологии. – 2021. – Т. 7, № 3. – С. 56-66.
3. Журавлева Н.А., Сакович И.Л. Интеграция железнодорожных перевозок в транспортные системы городских агломераций // Транспорт Российской Федерации. – 2018. – № 6(79). – С. 26-29.
4. Игнатенко Е.И., Новиков А.Н., Клявин В.Э., Сысоев А.С. Интеллектуальная транспортная система на основе светофорных объектов с адаптивным управлением // Мир транспорта и технологических машин. – 2025. – № 3-2 (90). – С. 109-115.
5. Карбышев А.В., Рязанова А.В. Разработка и внедрение системы планирования общественного городского транспорта на основе искусственного интеллекта для умных городов // Транспортное дело России. – 2025. – № 2. – С. 281-285.
6. Кузнецов А.А. Применение искусственного интеллекта для решения проблемы переполненности и длительности ожидания общественного транспорта // Научный аспект. – 2024. – Т. 44. – № 6. – С. 5504-5508.
7. Никитин Г.А., Москвичев Д.А. Использование искусственного интеллекта для управления общественным транспортом // Чтения академика В.Н. Болтинского. Сборник статей. Москва, 2025. – С. 266-269.
8. Постников В.П. Моделирование тарифа на общественном пассажирском транспорте (на примере общественного транспорта Перми) // Экономический анализ: теория и практика. – 2014. – № 41 (392). – С. 44-58.
9. Сыдыкова Л.У. Проблемы методологии исследования траффика людей // Вестник Бишкекского гуманитарного университета. – 2008. – № 3 (12). – С. 37-40.
10. Чеченова, Л.М., Усков В.С. Цифровое моделирование объектов транспортной инфраструктуры (на примере построения модели «умной» цифровой инфраструктуры Российских железных дорог) // Транспортное дело России. – 2022. – № 6. – С. 28-30.
