Изучение транспортных систем с помощью математического моделирования ведется уже почти 100 лет. Однако до сих пор в этой области остается много пробелов. Более того, в течение последних лет стало очевидно, что теория ТП переживает некоторый кризис. Это видно и в целом по публикуемым в последнее время статьям, и по проблемам, с которыми работают специалисты-исследователи и отраслевые специалисты в области автотранспорта в городе Москве.
Современное общество нуждается в постоянном увеличении транспортного сообщения, а это в свою очередь влечет за собой улучшение качества ТС, его надежности и безопасности. Это требует затрат на улучшение инфраструктуры транспортной сети и превращает ее в единую логическую цепь. Введение в исследование транспортного потока анализатора - уже не новость, однако этой проблемой всё-таки не занимаются настолько, насколько она этого требует. С введением таких анализаторов улучшится качество транспортного потока, как единой системы, облегчится пересчет и статистический учет автомобилей, будет снижена аварийная ситуация. Однако транспортный поток нестабилен и получение информации из него является очень трудоемким и ресурсозатратным процессом. Множество различных образов исследуются или распознаются вручную. Технология распознавания образов еще недостаточно автоматизирована, испробована и применяется только в лабораториях, для статистики. В то же время, в повседневной жизни также необходимо применение этой модели. Следовательно, анализ различных алгоритмов распознавания образов очень актуален и востребован в различных компаниях или фирмах для облегчения подсчета статистических данных.
В современном мире существует сравнительно много алгоритмов распознавания образов в различных областях деятельности. К наиболее известным из них можно отнести алгоритм секущих плоскостей, алгоритмы последовательной классификации («Индекс 1», «Индекс 2», «Исправление индексов»), распознавание образов по методу потенциальных функций, алгоритм Максимина и др.
Проанализировав эти алгоритмы применительно к статистическому анализу на примере анализа транспортного потока, были сделаны следующие выводы. В качестве критериев отбора использовались такие, как распространенность алгоритма, его изученность и соответствие теме. Применяя алгоритм секущих плоскостей следует ожидать, что в каждом варианте машина будет ошибаться по-разному, поэтому для достижения нужной точности нужно использовать много машин, либо улучшать эффективность алгоритма. В то же время, алгоритм потенциальных функций в силу своей распространенности и эффективности не нуждается в улучшении. Поэтому, применяя оба эти алгоритма, и используя различные факторы для улучшения эффективности алгоритма секущих плоскостей, можно добиться достаточно серьезных положительных результатов в повышении качества статистического анализа поточных данных за счет распознавания видеоизображений.
Список литературы
-
Математическое моделирование динамики транспортный потоков мегаполиса / В. В. Семенов. - 2007. - 45 с.
-
Транспортный поток как динамическая характеристика воздействия на автомобильную дорогу / В.А. Осиновская. - 2006. - 4 с.
-
Синтез безопасного оптимального управления транспортным потоком при случайных начальных условиях / А.И. Дивеев, Ю.Х. Кесельман. - 2007. - 11 с.
Библиографическая ссылка
Попиль М.А., Александрова В.О., Абрамова О.Ф. ПОВЫШЕНИЕ КАЧЕСТВА СТАТИСТИЧЕСКОГО АНАЛИЗА ПОТОЧНЫХ ДАННЫХ ЗА СЧЕТ РАСПОЗНАВАНИЯ ВИДЕОИЗОБРАЖЕНИЙ // Успехи современного естествознания. – 2012. – № 6. – С. 48-48;URL: https://natural-sciences.ru/ru/article/view?id=30364 (дата обращения: 17.08.2024).