В работе приведен подход к интеллектуальным транспортным системам, основанный на передовых алгоритмах машинного обучения, целью которого является оценка транспортного потока на улично-дорожной сети
транспортный поток, оценка интенсивности, данные низкого качества, видеонаблюдение, алгоритм
Рассмотрим вариант интеллектуальной транспортной системы на основе веб-камер, который прост, имеет минимальные затраты и предлагает достаточные функциональные возможности [1]. Подход к безкалибровочному анализу изображений низкого качества для подсчета транспортных средств состоит из двух этапов: извлечение данных и их подсчет. Так как веб-камеры анализируются независимо, алгоритм разберём для изображений с одной веб-камеры.
Первый этап – извлечение данных. Пусть N – количество изображений камеры (все изображения имеют одинаковые M пикселей, и каждый из пикселей принимает целое число из 256 уровней яркости). Набор данных представлен как:
(1)
Целью этапа является извлечение данных x ∈ R из необработанного изображения z ∈ {0, …, 255}M такого, что x соответствует грубой оценке количества транспортных средств. Исходное изображение переводят в бинарное. После этого функция x вычисляется как отношение белых пикселей к общему количеству пикселей:
, (2)
где 
– порог бинаризации, 
– индикаторная функция, которая дает 1, когда аргумент верен, и 0 – в противном случае.
Оптимальный порог определяется путем решения следующей оптимизационной задачи:
, (3)
где 
– значение яркости;
– средние значения яркости.
Рассмотрим второй этап: схему вероятностного подсчета. Учитывая оптимизированный порог
, данные
преобразуются в:
(4)
На практике рекомендуется дополнительно стандартизировать функцию до подгонки модели. Часть подсчета транспортных средств состоит из двух этапов. Во-первых, находим прогностическое распределение для признака x в форме смешанной модели Гаусса:
, (5)
где d – количество транспортных средств; ⊤ – транспонирование; 
; 
– Гауссово распределение.
Функция
, и коэффициенты m определяются по данным. Количество 
рассматривается как заданная константа и в дальнейшем фиксируется как 
, для достижения достаточно большого значения. Дисперсия
задается как функция других параметров модели.
Во-вторых, для нового наблюдения 
соответствующее количество транспортных средств 
определяется выражением:
(6)
В результате байесовского подхода компоненты, не относящиеся к данным, автоматически удаляются из модели [2]. Функция максимизации одномерно оценивает результаты всего около десяти раз, что незначительно с точки зрения вычислительных затрат. Алгоритм может работать в режиме реального времени при обновлении изображений, которое обычно происходит каждые несколько секунд. Уравнения для нахождения параметров модели включают только простые операции с матрицей и вектором, и их чрезвычайно легко реализовать.
1. Лебедева, О. А. Повышение эффективности работы транспортной сети посредством применения интеллектуальных систем / О. А. Лебедева // Вестник Ангарского государственного технического университета. 2018. № 12. С. 189-191.
2. Лебедева, О. А. Байесовский метод оценки матрицы корреспонденций / О. А. Лебедева, А. Ю. Михайлов // Сборник научных трудов № 6 «Технология, организация и управление автомобильными перевозками. Теория и практика». ФГБОУ ВПО «СибАДИ». 2013. С. 56-58.
