Проект, поддержанный Министерством образования и науки / Project Supported by the Ministry of Education and Science​

(English version below)

Проект «Интеллектуальная информационная система прогнозирования параметров и оценки состояния дорожного покрытия автомагистралей на основе искусственных нейронных сетей для обеспечения безопасности дорожного движения» (руководитель работы – Евгений Бурнаев, «Сколковский институт науки и технологий» совместно с акционерным обществом «Минимакс-94»).

Проект поддерживается Министерством образования и науки Российской Федерации, проект № 14.606.21.0004, уникальный идентификатор исследования (проекта) – RFMEFI60617X0004.

Данный проект посвящен разработке интеллектуальной информационной системе следующего поколения для прогнозирования параметров дорожного полотна шоссе и контроля его качества на основе современных методов анализа данных и машинного обучения. Объектом исследования являются методы машинного обучения в целом и искусственные нейронные сети в частности
в приложении к задачам прогнозирования основных характеристик погодных условий, измеряемых дорожными метеостанциями.

Система прогнозирования, которая будет разработана в рамках проекта, будет интегрирована в автоматические дорожные станции (АДС) индустриального партнера проекта JSC “Minimax-94″, что в результате значительно повысит точность прогнозирования погоды и улучшить качество дорожных покрытий в Российской Федерации. Кроме того, еще одним результатом выполнения проекта будут научные и технологические разработки в области интеллектуальных систем прогнозирования с возможностью применения в различных приложениях Интернета Вещей.

На первом этапе проекта были получены следующие результаты:

  1. Были изучены современные подходы в области интеллектуального анализа временных рядов, а также методы прогнозирования параметров и оценки качества дорожных покрытий шоссе.
  2. Был разработан алгоритм для агрегирования предсказаний экспертов временных рядов; были получены оценки потерь (ошибки на обучающей выборке); проведены численные эксперименты, подтверждающие эффективность алгоритма.
  3. Была реализована математическая модель для случая, когда имеются источники гео-пространственных данных разной точности; был реализован фреймворк для настройки параметров модели; было проведено экспериментальное сравнение качества предложенного алгоритма с другими альтернативами. Кроме того, были построены признаки, основанные на положении сенсоров, времени и запаздывании сигналов; несколько моделей из библиотеки Sklearn, XGBoost, а также нейронные сети были обучены с использованием данных признаков, что в результате дало существенное улучшение качества моделей по сравнению с базовыми моделями.
  4. Было проведено исследование интеллектуальной собственности за последние 10 лет, которое показало, что разрабатываемые алгоритмы и программы не нарушают никакие права интеллектуальной собственности.
  5. Была проведена серия экспериментов для выявления применимости методов машинного обучения для прогнозирования многомерных временных рядов погодных характеристик, измеряемых АДС в режиме реального времени. Рассматриваемые алгоритмы и признаки позволяют прогнозировать локальные параметры дороги (температура воздуха, температура дорожного покрытия и температуру под дорожным покрытием) до двух раз точнее базовых алгоритмов.
  6. Был проведен анализ современных методов детектирования аномалий во временных рядах; были проведены численные эксперименты по применению методов детектирования аномалий на основе моделей для чистки данных выявления вышедших из строя сенсоров. В частности, метод, основанный на квантильной регрессии со сглаженной функцией потерь, который до этого никогда не применялся для погодных временных рядов, был реализовн и применен.
  7. Была разработана модель для прогнозирования локальных погодных условий по агрегированным данным с АДС и глобального прогноза погоды. Данные ГидроМетЦентра Российской Федерации значительно улучшили качество детектирования аномалий и увеличили качество моделирования основных погодных характеристик вблизи дорожного полотна.

 

На втором этапе проекта были получены следующие результаты:

  1. Был разработан алгоритма агрегации рекуррентных нейронных сетей для автоматической перенастройки моделей прогнозирования многомерных временных рядов параметров состояния дорожного покрытия и возникновения неблагоприятных явлений на дорожном покрытии в режиме реального времени.
  2. Были проведены экспериментальные исследования по верификации разработанных моделей машинного обучения для прогнозирования параметров и оценки состояния дорожного покрытия.
  3. Были разработаны программы и методики исследовательских испытаний ЭО ПК.
  4. Был подготовлен заключительный отчет о ПНИ.
  5. Была разработана программная реализация разработанных новых математических моделей прикладного применения существующих нейросетевых методов в составе ЭО ПК.
  6. Был разработан проект технического задания по теме «Создание промышленного образца интеллектуальной системы обеспечения безопасности на дорогах».
  7. Было проведено исследовательское испытание созданного ЭО ПК.
  8. Был проведен анализ полноты решения задач и достижения поставленной цели прикладного научного исследования.

 

 

Project “Intelligent information system for predicting parameters and assessing of the state of highways’ roadbed based on artificial neural networks for road safety” (Principal Investigator – Evgeny Burnaev, Skolkovo Institute of Science and Technology in cooperation with the joint-stock company “Minimax-94”).

The project is supported by the Ministry of Education and Science, Russian Federation, project number 14.606.21.0004, unique identifier of the research (project) – RFMEFI60617X0004.

The project is dedicated to the development of a new-generation intelligent information system for predicting parameters and assessing the state of highways’ roadbed based on state-of-the-art machine learning and data analysis methods. The objects of research are machine learning methods in general and artificial neural networks in particular in application to predicting main weather characteristics which are measured by road weather stations. The main research methods are settings and applications of machine learning algorithms for time series forecasting.

The forecasting system developed within the project will be integrated with automatic road weather stations (ARWS) of the project’s industrial partner JSC “Minimax-94”, as a result, substantially increasing forecasting performance and quality of highway’s roadbed assessments in Russian Federation. In addition, the outcome of the integration will lay scientific and technological groundwork in the area of intelligent information forecasting systems with an opportunity to be employed in different Internet of Things applications.

At the first stage of the project the following results were achieved:

  1. State-of-the-art approaches in the area of intelligent time-series analysis and solutions for predicting parameters and assessing the state of highways’ roadbed have been studied.
  2. An algorithm for fusing experts’ time-series predictions has been developed; estimates on its regret (training error) have been obtained; numerical experiments that justify efficiency of the algorithm have been conducted.
  3. A mathematical model of variable-fidelity sources of geo-spatial data has been formulated; a training framework for tuning parameters of the model has been implemented; the quality of the model has been experimentally compared with that of alternative approaches. In addition, features based on locations, time and lags of sensors have been engineered; several models from Sklearn, XGBoost and artificial neural networks have been trained using these features, resulting in a significant quality improvements compared to the baseline specified in the technical scope of work.
  4. Intellectual property study that covers at least the recent 10 years has been conducted, which indicates non-infringement quality of algorithms and software under development.
  5. Series of experiments have been conducted in order to identify applicability of machine learning methods to forecasting multi-dimensional time-series of weather characteristics that are measured by ARWS in the real-time mode. Identified algorithms and features make predictions of local road parameters (air temperature, roadbed surface temperature, and roadbed underneath temperature) up to twice better than the baseline specified in the technical scope of work.
  6. An analysis of state-of-the-art methods of anomalies detection in time-series has been conducted; numerical experiments on application of model-based techniques of anomalies detection for data cleaning and failing sensors identification have been performed. In particular, a method based on quintile regression with smoothed loss function, which has never been used for anomalies detection in weather time-series before, has been implemented and applied.
  7. A model for forecasting local weather conditions based on aggregated data from ARWS and global weather forecasts has been developed. Accounting data from HydroMetCenter of the Russian Federation significantly improved quality of anomalies detection and increased performance of predictive modeling of the main weather characteristics near roadbeds.

 

The project has also successfully completed its second stage with the following main results:

  1. An algorithm for aggregation of recurrent neural networks was developed for automatic reconfiguration of models for prediction of multidimensional time series of road surface parameters and occurrence of adverse events on the road surface in real time.
  2. Experimental studies were conducted to verify the developed machine learning models for predicting parameters and assessing the condition of the road surface.
  3. Programs and methods of tests of the experimental testbed were developed.
  4. The final report on the applied scientific research was prepared.
  5. A program realization of the new developed applied mathematical machine learning models based on neural networks were developed as a part of the experimental testbed.
  6. A technical specification was developed for the theme “Creation of an industrial design of an intelligent road safety system”.
  7. Research was conducted to test a new Experimental Testbed.
  8. The analysis of completeness of the solution of tasks and achievement of the goal of applied scientific research was carried out.