Модель распознавания стилистических особенностей управления транспортным средством и классификация стратегий взаимодействия в условиях дорожного трафика

В работе предлагаются основания построения нейросетевой модели для распознавания стилистических особенностей управления транспортным средством с целью классификации и выделения основных типов взаимодействия водителей при передвижении в условиях дорожно-транспортной среды. Архитектура модели представляет собой самоорганизующуюся карту (SОМ) различных функциональных модулей, которые реализованы при помощи радиальных базисных функций. Цель настоящей статьи заключается в том, чтобы рассмотреть возможные варианты проектирования в дальнейшем систем распознавания стилистических особенностей управления транспортным средством, а также в описании архитектуры нейронной сети, способной идентифицировать и классифицировать стратегии взаимодействия водителей в условиях дорожного трафика, выделять стратегии передвижения, которые могут быть соотнесены с «типами опасного вождения».

В настоящее время интерес к искусственному интеллекту все более активно проникает в различные не только области научного знания, но и в сферу различных отраслей психологии. Так, когнитивная психология или нейропсихология уже не являются исключениями: все чаще можно встретить работы, в которых в той или иной степени затрагивается проблематика социально-психологическая, т. е. рассматриваются различные аспекты взаимодействия в социальных системах.

1. Автоматическое порождение гипотез в интеллектуальных системах / Сост. Е.С. Панкратова, В.К. Финн. М.: Либроком, 2009. 528 с.
2. Велихов Е.П., Чернавский А.В. Интеллектуальные процессы и моделирование. М.: Наука, 1987. 397 с.
3. В «опасном вождении» предложили прописать злой умысел [Электронный ресурс] // Известия. 2016, Вып. от 31 марта. URL: http://izvestia.ru/news/608145 (дата обращения: 10.10.2016).
4. Ефремова Н.А., Инуи Т., Модель зрительной коры головного мозга для распознавания и классификации образов // Искусственный интеллект и принятие решений. 2013. № 1. С. 55—62.
5. Кокорева А.В., Гидродинамические модели автотранспортных потоков: автореф. … канд. физ.-мат. наук. МГУ имени М.В. Ломоносова, 2008.
6. Кочетова Т.В. «Traffic Psychology»: от фрагментарных исследований к комплексным решениям прикладных задач транспортных проблем // Социальная психология и общество. 2011. № 2. С. 89—99.
7. Кондратьев М.Ю., Кочетова Т.В., «Traffic psychology»: от прикладных исследований к методологии комплексного изучения современной дорожно- транспортной среды // Сборник материалов международной научно-практической конференции (28—30 июня 2012 г). 2-е изд. испр. и доп. СПб., 2012. C. 119—122.
8. Лобанова Ю.И., Стиль вождения: определяющие факторы, характеристики, направления оптимизации // Российский гуманитарный журнал. 2015. № 1. Т. 4. С. 76—84.
9. Осипов Г.С. Лекции по искусственному интеллекту. М.: Красанд, 2009, 272 с.
10. Петров В.Е., Психологический анализ проблемы опасного стиля управления транспортным средством [Электронный ресурс] // Современные научные исследования и инновации. 2016. № 8. URL: http://web.snauka.ru/ issues/2016/08/70377 (дата обращения: 09.08.2016).
11. Поликарпова М.С. Соотношение понятий «агрессивное» и «опасное» вождение в современной отечественной и зарубежной психологии [Электронный ресурс] // Современная зарубежная психология. 2017. Т. 6. № 1. С. 44—52. doi:10.17759/ jmfp.2017060106
12. Efremova N., Asakura N., Inui T., Abdikeev N., Inferotemporal network model for 3d object recognition // The proceedings of the International Conference on Complex Medical Engineering (Harbin, May 22—25). Publ. IEEE/ICME. 2011. Р. 555—560. doi.10.1109/ICCME.2011.5876803
13. Fujita I., The inferior temporal cortex: architecture, computation, and representation // Journal of Neurocytology. 2002. Vol. 31(3—5). P. 359—371.
14. Kohonen T. Self-organizing maps. Berlin: Springer-Verlag, 2001. 501 p.
15. Riesenhuber M., Poggio T. Hierarchical models of object recognition in cortex // Nature Neuroscience. 1999. Vol. 2. P. 1019—1025.
16. Tokunaga K., Furukawa T. Modular network SOM // Neural Networks. 2009. Vol. 22. N. 1. P. 82—90.

PlumX

Метрики публикации