Presentation in Russian delivered at Urban Mobility Forum in 2018 in Moscow

1. Ярослав Домарацкий, к.т.н.
Главный архитектор
ООО «Среда»
yaroslav@sredasolutions.com
Применение технологии аналитики больших данных в интересах
участников дорожного движения, автопроизводителей,
владельцев городской и транспортной инфраструктуры

2. Сервисы аналитики данных
2
Сервисы аналитики данных
Urban mobility
Участники дорожного
движенияE
Автопроизводители
Владельцы городской
и транспортной
инфраструктуры

3. Классификация методов аналитики данных
3
Увеличениесложности
Увеличениечисласервисов

4. Прогнозирующая и предписывающая аналитика данных
4
Увеличение сложности, увеличение числа сервисов для пользователей
Большинство
существующих
систем

5. Методы реализации алгоритмов аналитики данных
5
На основе правил
Заранее запрограммированные
правила, процедуры и знания.
● Логическое мышление в
заданной области
● Декларативное и
процедурное
программирование
● Не обучаемы, не работают с
неопределённостью
● До сих пор находят широкое
применение
Статистическое обучение
● Работа с неопределённостью
● От Байесовых алгоритмов до
нейронных сетей, включая
глубокое обучение
● В среднем, хорошие
результаты на больших
выборках, но низкая
надежность в отдельных
случаях
● Необходимо много данных
для обучения
Контекстно-зависимые
модели
● Объединяют сильные стороны
предыдущих двух групп
● Решения могут сопровождаться
объяснениями почему они
были приняты
● Ускорение обучения с
помощью контекстных знаний
предметной области
● Требуют меньше данных
Восприимчивость
Самообучаемость
Абстрагирование
Объяснимость
Восприимчивость
Самообучаемость
Абстрагирование
Объяснимость
Восприимчивость
Самообучаемость
Абстрагирование
Объяснимость
Пример: Приложение для
автозаполнения налоговых форм
Пример: Приложение для распознавания
лиц с помощью нейросетей
Пример: Показать машине как рисуются
цифры от руки так что она сама сможет
определять их на основе этих моделей
Источник: John Launchbury of DARPA, PwC Research, 2017

6. Контекстно зависимая модель
6

7. Улучшение контекстных моделей
7
Улучшение качественных показателей контекстных моделей за счет машинного обучения

8. Архитектурный шаблон – “лямбда архитектура”
8

9. Целевые сервисы – предсказательная аналитика
9
● В интересах участников дорожного движения
➢ Эффективное прогнозирование возникновения чрезвычайных и опасных ситуаций
➢ Оптимизация транспортных потоков в т.ч.
✓ для повышения уровня безопасности, снижения вероятности возникновения заторов
✓ снижения потребления топлива, снижения негативного воздействия на окружающую среду
✓ повышения эффективности грузоперевозок из портов, железнодорожных и других транспортных узлов
✓ организации приоритетного проезда специализированных и пассажирских ТС
✓ в т.ч. с учетом погодных условий и актуального состояния дорожного покрытия
● В интересах владельцев городской и транспортной инфраструктуры
➢ Предсказание длительности жизненного цикла инфраструктуры
➢ Снижение критических нагрузок на инфраструктуру
➢ Оптимизация плана профилактического обслуживания инфраструктуры
➢ Прогнозирование и предотвращения сбоев в работе оборудования и систем
➢ Предсказания нарушений в использовании инфраструктуры.

10. Целевые сервисы – предписывающая аналитика
10
● Уменьшения рисков (повышения уровня безопасности) для
➢ Участников дорожного движения и пешеходов
➢ Владельцев городской и дорожной инфраструктуры
➢ Автопроизводителей и страховых компаний
● Снижения стоимости владения и повышения эффективности инвестиций для
➢ Владельцев и эксплуатантов ТС
➢ Владельцев городской и дорожной инфраструктуры
➢ Органов Государственной власти
➢ В т.ч. за счет предотвращения нарушений требований регламентов
● Внедрения новых бизнес моделей на рынках
➢ Мультимодальных перевозок
➢ Страховой телематики
➢ Совместного использования ТС
➢ Автономного управления ТС.