автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Информационная поддержка управления пространственно-координированными объектами средствами нейронных сетей

На правах рукописи

САПРЫКИН Олег Николаевич

ИНФОРМАЦИОННАЯ ПОДДЕРЖКА УПРАВЛЕНИЯ ПРОСТРАНСТВЕННО-КООРДИНИРОВАННЫМИ ОБЪЕКТАМИ СРЕДСТВАМИ НЕЙРОННЫХ СЕТЕЙ

Специальность 05.13.01 - Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

4858303

2 7 ОКТ 2011

Самара-2011

4858303

Работа выполнена в ФГБОУ ВПО «Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)» (СГАУ) на кафедре организации и управления перевозками на транспорте

Научный руководитель:

Официальные оппоненты:

доктор технических наук, профессор Пиявский Семен Авраамович

Ведущая организация

ФГБОУ ВПО «Уфимский государственный авиационный технический университет»

Защита состоится «11» ноября 2011 года в 10 часов на заседании диссертационного совета Д 212.215.07, созданном при ФГБОУ ВПО «Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)», по адресу: 443086, г. Самара, Московское шоссе 34.

С диссертацией можно ознакомиться в библиотеке СГАУ. Автореферат разослан « 5 » октября 2011 г.

Ученый секретарь диссертационного совета

доктор технических наук, доцент Михеева Татьяна Ивановна

доктор технических наук, профессор Кузнецов Павел Константинович

д-р техн. наук, проф.

Белоконов И.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. Активный рост автомобильного парка России, значительно опережающий темпы дорожного строительства, сыграл ключевую роль в выборе Правительством Российской Федерации интеллектуальных транспортных систем (ИТС) в качестве одной из технологических платформ для повышения эффективности управления транспортной инфраструктурой урбанизированной территории. Требуется создание принципиально новых интегрированных подсистем ИТС, одновременно охватывающих массивы разнородных данных и использующих современные нейросе-тевые и геоинформационные технологии для обеспечения информационной поддержки процесса управления.

Данное направление предполагает создание систем автоматизированного управления транспортной инфраструктурой, что на настоящий момент требует решения целого круга научных и технических задач. Объектом исследования в диссертационной работе является интегрированная с ИТС система управления транспортной инфраструктурой урбанизированной территории на основе методов нахождения зависимости между разнородными пространственно-координированными и атрибутивными данными. Построенные в системе нейросетевые модели зависимости позволят эффективнее решать задачи по планированию управляющих воздействий на транспортную инфраструктуру, что благотворно скажется на характеристиках транспортного потока и повысит безопасность на улично-дорожной сети. Под эффективностью понимается снижение аварийности и повышение пропускной способности улично-дорожной сети урбанизированной территории.

В мировой практике организации дорожного движения на урбанизированной территории все активнее используется управление транспортной инфраструктурой с применением технологий интеллектуальных транспортных систем. Существует устойчивая тенденция дальнейшего совершенствования и внедрения подобных систем.

В области теории и практики развития интеллектуальных информационных технологий накоплен значительный положительный опыт. В его приобретение, наряду со многими зарубежными (С. Осовский, Д. Рутковс-кая, Д. Кнут, Р. Шеннон и др.), существенный вклад внесли российские ученые: В. И. Васильев, А. Ю. Дорогов, Г. А. Ивахненко, Б. Г. Ильясов, А. Н. Коварцев, М. А. Кораблин, Д.А. Поспелов, С. А. Прохоров и др. Ведутся исследования в области объектно-ориентированного структурирования информации и разработки паттернов, отраженные в работах Г. Буча (G. Booch), Э. Гаммы (Е. Gamma), Р. Хелма (R. Helm), Р. Джонсона (R. Johnson), Т. Бадда (Т. Budd), У. Гренандера (U. Grenander), М. Фаулера (М. Fowler), Э. Эванса (Е. Evans) и др. Вопросам обработки пространствен-

ных данных и построения прогноза развития городской инфраструктуры посвящены работы В. Г. Гитиса, Б. В. Ермакова, Т. О. Перемитиной, В. В. Сергеева, Л. Оррала (Ь. \Vorrall), В. Г. Царегородцева, А. В. Чернова и др. Однако вопросы управления транспортной инфраструктурой с анализом пространственно-координированных объектов в рамках информационных технологий интеллектуальных транспортных систем требуют дополнительной проработки.

Целью диссертационной работы является повышение эффективности управления транспортной инфраструктурой посредством разработки методов, моделей, алгоритмов и программного обеспечения информационной поддержки управления пространственно-координированными объектами с использованием нейросетевых и ГИС-технологий.

Для достижения цели в работе поставлены следующие задачи:

1. Разработать метод совместного описания разнотипной (пространственно-координированной, атрибутивной) информации об объектах транспортной инфраструктуры на основе геоинформационных технологий.

2. Разработать методы анализа характеристик пространственно-координированных объектов для управления объектами транспортной инфраструктуры.

3. Разработать функциональную и информационную модели объектов транспортной инфраструктуры для информационной поддержки управления.

4. Разработать алгоритмы и программное обеспечение комплексной обработки разнотипной информации об объектах транспортной инфраструктуры для информационной поддержки управления.

Научная новизна работы содержится в следующих результатах:

1. Разработан метод совместного описания многослойной пространственно-координированной разнотипной информации об объектах транспортной инфраструктуры на основе геоинформационных технологий.

2. Разработаны методы анализа характеристик пространственно-координированных объектов для управления объектами транспортной инфраструктуры, основанные на нейросетевых технологиях.

3. Разработаны функциональная и информационная модели объектов транспортной инфраструктуры, построенные на теории паттернов и методах нейросетевого и объектно-ориентированного анализа и проектирования.

4. Разработаны алгоритмы нейросетевого анализа и исследования пространственно-координированных объектов транспортной инфраструктуры.

Практическая значимость. Результаты исследований в виде метода совместного описания разнотипной информации об объектах транспортной инфраструктуры, информационная и функциональные модели и нейросе-

тевые алгоритмы анализа разнотипной информации для исследования объектов транспортной инфраструктуры использовались при разработке интеллектуальной транспортной системы и позволяют автоматизировать работу с пространственной и атрибутивной информацией (два свидетельства об официальной регистрации программ для ЭВМ № 2007613790 от 05.09.2007 и № 2007613780 от 05.09.2007).

Методика исследования. В работе использовались методы теории управления, системного анализа, проектирования информационных систем на основе теории паттернов, методы математического и геоинформационного моделирования, многомерной геометрии, нейросетевого анализа, организации баз пространственных данных и объектно-ориентированного программирования.

На защиту выносятся

1. Метод совместного описания многослойной разнотипной (пространственно-координированной, атрибутивной) информации об объектах транспортной инфраструктуры урбанизированной территории на основе геоинформационных технологий.

2. Методы нейросетевого исследования характеристик объектов транспортной инфраструктуры, проводимого с целью обеспечения безопасности и повышения пропускной способности транспортной сети.

3. Функциональная и информационная модели объектов транспортной инфраструктуры, построенные на методах теории паттернов, нейросетевого и объектно-ориентированного анализа и проектирования.

4. Алгоритмы и программное обеспечение обработки и нейросетевого анализа пространственно-координированных объектов транспортной инфраструктуры урбанизированной территории.

Реализация работы. Результаты диссертационной работы нашли применение при выполнении научно-исследовательских работ:

• Федеральная целевая программа «Повышение безопасности дорожного движения в 2006-2012 годах».

• Грант гос. per. № 341Т3.9Д «Применение нейросетевых технологий в программном комплексе исследования корреляции пространственно-координированных данных».

Прикладные разработки, связанные с созданием систем программного комплекса «Интеллектуальная транспортная система», а также с автономным использованием отдельных разработанных инструментальных средств, выполнялись в рамках этих программ:

• ООО «Вэймарк», 2008-2011 гг.: «Реконструкция автомобильной дороги общего пользования Самарской области, расположенной в границах городского округа Самара, Красноглинское шоссе», «Комплексная схема прогнозирования интенсивности транспортных потоков на улично-

дорожной сети г. Самара», «Построение схем безопасности дорожного движения с использованием электронной карты города».

• ООО «Меркури Девелопмент Раша»: методы и алгоритмы работы с нейросетевыми структурами; технологии и паттерны проектирования систем управления и визуализации пространственно-координированных данных.

Результаты научных исследований в области теории управления транспортными потоками, методологии имитационного моделирования, технологии программирования внедрены в учебный процесс Самарского государственного аэрокосмического университета.

Апробация работы. Основные теоретические и практические результаты работы докладывались на Международных, Российских и региональных научных конгрессах и конференциях. Доклады представлены на: «Компьютерные науки и информационные технологии» (С8ГГ2009); XII - XVIII Международных научных конференциях «Математика. Компьютер. Образование» (Пущино-Дубна, МГУ, 2005-2011); Международной конференции с элементами научной школы для молодежи «Перспективные информационные технологии для авиации и космоса (ПИТ-2010)» (Самара, 2010); Международной междисциплинарной научной конференции (Тверь, 2009); Шестом Международном симпозиуме (ЮТЕЬ8'2004) «Интеллектуальные системы» (Москва-Саратов, 2004); 6, 7 международных научно-практических конференциях «Организация и безопасность дорожного движения в крупных городах» (Санкт-Петербург, 2004, 2006); международной молодежной научной конференции «XII Туполевские чтения» (Казань, 2004); VI всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления» (Таганрог, 2002); XXXIII Самарской областной студенческой научной конференции (Самара, 2007), Региональной научно-практ. конф., посвященной 50-летию полета человека в космос (Самара, 2011).

Публикации. По теме диссертации опубликовано 26 работ, в том числе 1 монография, 4 статьи в изданиях, определенных ВАК Минобрнауки России, 17 материалов конференций и семинаров, 2 свидетельства о регистрации программ и баз данных, 2 статьи в сборниках научных работ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав основного материала, заключения, библиографического списка из 159 наименований и 6 приложений. Объем работы 179 страниц машинописного текста, включая 60 рисунков и 7 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении приводится общая характеристика работы - обоснована актуальность темы диссертации, указаны цель и задачи исследования, выделены результаты, имеющие научную новизну и практическую ценность работы.

Первая глава диссертации посвящена аналитическому обзору, классификации моделей и методов решения задач управления транспортной инфраструктурой урбанизированной территории, что является одной из подзадач интеллектуальных транспортных систем. ИТС применяются для решения задач организации дорожного движения, на основе современных информационных технологий, организации информационных потоков о функционировании транспортной инфраструктуры. В главе приведены результаты анализа функционирования существующих ИТС и их возможностей управления объектами транспортной инфраструктуры.

Транспортная инфраструктура - это сложная система взаимодействующих объектов, состоящая из улично-дорожной сети, технических средств организации дорожного движения и транспортного потока (ТП). Задача управления движением транспортных потоков на улично-дорожной сети (УДС) решается путем расстановки на УДС технических средств организации дорожного движения (ТСОДД): дорожных знаков, светофоров, разметки. Построение прогноза динамики возникновения событий на улично-дорожной сети с одновременным учетом многих факторов имеет значительный социально-экономический эффект. При этом важным моментом является повышение эффективности принимаемых решений, которые должны одновременно учитывать факторы различной природы. Результатом принимаемых решений должно быть снижение аварийности или увеличение пропускной способности участка улично-дорожной сети.

Эффективным инструментом для работы с географическими данными, в частности с объектами транспортной инфраструктуры, являются геоинформационные системы (ГИС). Аналитические подсистемы геоинформационных систем интегрируют пространственно-координированные данные и методы извлечения знаний о географических сущностях, свойствах объектов и связях. Они позволяют автоматически пополнять данные, изучать проблему в динамике, моделировать различные варианты решения задачи для выбора оптимального.

Анализ существующих пространственных аналитических систем показал недостаточное присутствие в них такого инструмента, как методы искусственного интеллекта, позволяющих решать задачи большой размерности при помощи моделирования естественных процессов мышления. Большие успехи в последнее время получены в области искусственных нейронных сетей. При поиске скрытых закономерностей в пространствен-

но-координированных данных может быть использовано одно из основных свойств нейронных сетей - возможность аппроксимировать любую характеристику с заданной точностью. На качество обработки информации существенное влияние оказывает структура нейронной сети, подбор которой является нетривиальной задачей, вследствие чего перспективными являются механизмы самоорганизации нейронных сетей. Проведенный анализ показал необходимость комплексного рассмотрения проблемы построения аналитических систем, способных поддерживать принятие решений по эффективному управлению транспортной инфраструктурой урбанизированной территории, обеспечивать информационную поддержку управления пространственно-координированными объектами средствами самоорганизующихся нейронных сетей.

Вторая глава посвящена разработке методов и моделей совместного описания, обработки и анализа многослойной пространственно-координированной разнотипной информации о состоянии транспортной инфраструктуры урбанизированной территории.

Анализ транспортной инфраструктуры и деятельности организаций, оказывающих на нее непосредственное воздействие, позволил предложить схему использования пространственно-координированной и атрибутивной информации при информационной поддержке управления обеспечением безопасности и пропускной способности улично-дорожной сети (рис. 1).

Информация о состоянии объектов транспортной инфраструктуры

т ,

Лицо принимающее решение

Внешнее воздействие

-¿¿г

Транспортная Н инфраструктура Г

Функционирование транспортной инфраструктуры У(0

Органы

исполнительной власти

Архитектурно-строительные организации

иАвтотранспортные предприятия |

Повышение пропускной способности УДС

Пространственно-временной анализ интенсивности ТП

Пространственный

анализ интенсивности ТП

Планирование изменения состояния объектов транспортной и нфраструктуры

Пространственная и атрибутивная информация об интенсивности ТП

Обеспечение безопасности

Пространственный анализ аварийности

Разработка схем дислокации ТСОДД

| [ Пространственная и 11 атрибутивная Г| информация об аварийности

Рис. 1. Схема использования пространственной и атрибутивной информации Транспортная инфраструктура рассматривается в онтологическом базисе, содержащем три элемента {Е,а,Я}:б - множество сущностей предметной области; А - множество атрибутов сущностей; я - множество отношений между сущностями.

Рис. 2. Совместное описание разнотипных геообъектов

а) улично-дорожная сеть © = {® х ,У

б) дорожные знаки с/ сО, )>

в) инциденты О сд, О', (С' ,в? ,п„т^)>

г) транспортный поток £={.?,},

5,(е„/,(*Ш0Л(0)-

Математическая модель транспортной инфраструктуры представляется в виде |©, 5, о]: © - улично-дорожная сеть; 5 - макромодель транспортного потока; <5 - дорожные объекты. Улично-дорожная сеть © - это совокупность трех множеств {©л ,к,£}: участков, узлов и дуг, соответственно. Триада [©л";к,£} является базисом математической модели транспортной инфраструктуры, все остальные объекты так или иначе привязаны к этому базису. Участок улично-дорожной сети в? е ®А -

полигональный участок на электронной карте в ГИС, представленный набором координатных пар, описываемый единым набором физических параметров. Геометрическая составляющая математической модели участка УДС представляется где

/ = 1 ,м° , ] - '>ЛГ - вершины полигона. {Xе', ,У,в- ) - координаты вершин полигона, мв - число участков УДС, к? -число вершин полигона / -го участка. Узел vi. е V является вершиной ориентированного графа, канализирующего транспортные потоки на УДС. Узел всегда расположен на границе двух участков и обладает следующими имманентными свойствами: принадлежность к участкам, между которыми расположен узел {0:1.©,}, где ©Г>©) £®л, 0;1 «0, &? *&], /, / = 1,м®; величина угла между участками /• е[о,ж). Дуга е, е Ё - это элемент ориентированного графа, задающий направление движения транспортного потока на участке.

В рамках макроскопического подхода транспортный поток ? = {?,}, / = 1.2,..„и, движущийся по улично-дорожной сети - по дугам е. е Е , характеризуется общей средней скоростью V, плотностью потока к и интенсивностью движения I в определенный момент времени в заданном месте улично-дорожной сети.

В онтологии транспортной инфраструктуры выделены группы сущностей с тесными контекстно-зависимыми семантическими связями:

• для пространственно-временного анализа интенсивности выделена группа, включающая интенсивность ТГТ /;

• для пространственного анализа интенсивности выделена группа, включающая интенсивность ТП /, дорожные объекты О и улично-до-рожную сеть ©;

• для пространственного анализа аварийности построена группа сущностей, включающая инциденты О', ТСОДД О', ТП 5 и улично-дорожную сеть ©.

Для каждой группы онтологий разработаны методы предварительной обработки данных, приводящие массив исходных данных в форму, оптимальную для решения поставленной задачи с использованием нейронных сетей.

Аналитические методы исследования пространственно-координированных объектов. Нахождение зависимостей между разнотипными параметрами объектов проводится с помощью аппарата нейронных сетей. В частности, аппроксимативный анализ проведен с помощью многослойного персептрона. Для решения каждой из поставленных задач определена оптимальная архитектура многослойного персептрона. Показана достаточность одного скрытого слоя и разработана методика нахождения оптимального числа нейронов в скрытом слое на основе комплексного использования внешних критериев и среднеквадратического отклонения значений зависимых параметров.

Процесс самоорганизации в нейронных сетях с эволюционирующей архитектурой является внешним по отношению к нейронной сети. Иной подход самоорганизации используется в нейронных сетях с активными нейронами., здесь алгоритм самоорганизации выполняется самими нейронами. Метод, реализующий процесс построения дважды многорядной нейронной сети с активными нейронами, позволяет синтезировать нелинейную структуру многопараметрической регрессионной модели. Для синтеза модели, скрытой в зашумленных данных, используются внешние критерии, основанные на данных, не используемых при построении модели. В работе используются комбинация наиболее часто применяемых критериев регулярности и согласованности:

¿(л-л)2 1>-Ю2

-->тт И ту -->тш, (1)

Р' Р'

где у, - ожидаемое значение; У, - значение, оцененное по модели, построенной на основе обучающей выборки; у, - значение, оцененное по модели,

построенной на основе тестовой выборки; Мс - число наблюдений тестово-I го набора данных, N - число наблюдений обучающей и тестовой выборок вместе. Комбинированный критерий К1 позволяет добиться большей точности моделирования, исключить влияние шума и вычисляется:

К1 = уГ/3(А2с)2 - -/3)(т/2)2, где /?е[0,1] - коэффициент, отражающий степень вклада каждого входящего критерия. Эмпирическим путем вычислены значения коэффициента /? для каждой из поставленных задач управления транспортной инфраструктурой. Для задачи пространственно-временного анализа интенсивности ТП критерий регулярности играет большую роль, 1 коэффициент р выбран на уровне 0.7. Для задач пространственного анализа интенсивности и аварийности коэффициент /У = 0.5, поскольку согласованность в данном случае имеет не менее важную роль, чем регулярность.

Основным моментом алгоритма самоорганизации нейронной сети с активными нейронами является установка только лишь критерия оптимальности, а эффективные входы выбираются самими нейронами в процессе самоорганизации. Нейронная сеть с активными нейронами на основе метода группового учета аргументов имеет дважды многорядную структуру: многорядные нейроны объединены в многорядную сеть. Дважды многорядная нейронная сеть является суперпозицией более мелких нейронных сетей, которые живут параллельно во время самоорганизации (рис. 4).

1 ,в; Только после полной организации ос-

тается одна нейронная сеть, тогда как другие погибают. Таким образом определяются доминантные и рецессивные характеристики входных данных.

Для решения задачи пространственно-временного анализа интенсивности ТП предлагается схема конечно-разностного шаблона, соединяющей значения интенсивностей /,0; в момент времени / со значением интенсивности в момент времени / +1 (рис. 3). Использование данной схемы позволило построить прогноз интенсивности / на участке улично-дорожной сети в момент времени / +1, основываясь на информации об интенсивности на этом Рис. 3. Пространственно-временной и соседних участках в моменты време-анализ интенсивности ТП ни /, / -1. I - 2, и т. д.

I У1г=У2

I

4-----

\Vfy7

СЕЛЕКЦИЯ

уЧМ

в) г)

Рис. 4. Этапы процесса самоорганизации нейронной сети с активными нейронами: а) - начальное состояние нейронной сети, б), в) - процесс селекции в первом и втором слоях, г) - результат самоорганизации

Разработка нейросетевых моделей анализа аварийности и интенсивности производилась с учетом инвариантности к номеру участка /, для обеспечения возможности применить модель для любого типа перекрестка улично-дорожной сети 0. В этой связи, разработан ряд рекомендаций по преобразованию и обобщению параметров объектов, взаимное расположение которых изменяется в зависимости от номера рассматриваемого участка. Это требует вычисления функции от параметров, которая варьируется в зависимости от типа параметров, объекта, которому они принадлежат, и расположении объекта в рассматриваемой модели. Например, обобщенное значение углов уклона и подъема участка УДС вычисляются как максимальное значение: а'' =тах(а^), 0; = тахС/^ ); а количество полос движения

тем?

усредняется Ысг1 = — И'; , и группируется в зависимости от расположе-

Р пе№

ния дуг на рассматриваемом участке улично-дорожной сети.

В диссертационной работе разработан подход определения степени влияния определенного дорожного знака на интенсивность транспортного

потока и на аварийность на основе метода экспертных оценок. Для каждой дуги рассчитывается усредненный параметр, исходя из дислоцированных

на ней дорожных знаков: F^ = — ^F^k,, где Fs] е [0,1} - булевская переменная, показывающая наличие (=1) или отсутствие (/%?■; =0) /-го типа знака на дуге е„\ к, е[0,11 - коэффициент, показывающий степень влияния i-го типа дорожного знака на транспортный поток S; Is - множество всех типов знаков; Ns - количество дорожных знаков, ссьшающихся на дугу е„ ■

В третьей главе рассматривается процесс синтеза информационных моделей управления пространственно-координированными объектами на основе теории паттернов. Каждый паттерн именует, абстрагирует и идентифицирует ключевые аспекты структуры общего решения, которые позволяют применить его для создания повторно используемой архитектуры.

В работе используется синергетический подход, базирующийся в теории управления на максимальном использовании естественных свойств объекта в процессе синтеза сложных систем, к классу которых относится ИТС, как система управления транспортной инфраструктурой. В контексте проектирования синергетический эффект достигается благодаря использованию архитектурных паттернов GRASP «Информационный эксперт», «Низкая связность» и «Высокое зацепление», как управляющих воздействий архитектурной организации. Разработана информационная модель

нейросетевого управления про-странственно-координированны-ми объектами посредством реализации методов и алгоритмов, приведенных во второй главе. Корректно реализовать их в программной системе позволил архитектурный паттерн «Модель предметной области», определивший основные принципы проектирования уровня домена. Разработанная архитектура Рис. 5. Паттерн «Создатель» уровня домена аналитического

инструментария ИТС состоит из трех частей: модель транспортной инфраструктуры, модель интеллектуального анализа (рис. 5) и сервисный уровень. Определены связи между агрегатами моделей и разработаны варианты их использования, что позволяет многократно использовать их в других системах. Согласно дискретному случаю обобщенной теории паттернов У. Гренандера подобные структуры носят название паттернов.

«interface» |АналиэаторДаннЬ1х

*СоздатьОбъектАлгоритма0 *Создэть06ъентМодсли()

[УровеньАварийностиЭлУпр

+НажатиеКнопки()

АнализаторДанных

ЮоздатьОбъектАлгоритмаО

*СоздатьОбъектМодели()

('interface» 1Модель

*ПоггучитьМатМ<здельО

+УпроститьО

+ВычислитьО

ПолмномиальнаяМодель

.ЛолучитьМатМодвльО +Упростить()

«interface» ¡Алгоритм

+ПостроитьМодель()

М|ААлгоритм

■ПостроитьМоделЦ)

Разработаны интеграционные механизмы, позволяющие совместно использовать аналитический инструментарий во внешних системах. Логика интеграционного решения сосредоточена на определенном уровне системы, не содержит иной логики и по минимуму зависит, как от остальной части системы, так и от приложений, с которыми происходит интеграция. Для интеграции используется архитектурный паттерн «Обмен сообщениями», налаживающий взаимодействие и обмен данными между несколькими | приложениями.

В четвертой главе приводится процесс разработки программного обеспечения, реализующего методы и алгоритмы обработки разнотипной информации об объектах транспортной инфраструктуры урбанизированной территории на основе нейросетевых и геоинформационных технологий.

Опытная эксплуатация показала адекватность разработанных в диссертации информационных моделей, а также предложенных методов и алгоритмов. Разработанный аналитический инструментарий обладает функциями редактирования и анализа пространственно-координированных объектов и содержит средства автоматизации проведения вычислительного эксперимента на моделях. Данный функционал позволяет решить задачи автоматизированного анализа состояния объектов транспортной инфраструктуры. На рисунке 6 изображен пользовательский интерфейс аналитического инструментария для решения задачи пространственного анализа аварийности.

Методология исследования пространственно-координированных объек- | тов опирается на комплексное использование разработанных инструментальных средств, позволяющих осуществлять ввод исходных данных, предварительную обработку и исследование пространственно-координированных объектов, сравнение результатов анализа и применение построенных в ходе исследования моделей. В разработанном программном обеспечении возможны управляющие воздействия в виде:

• изменения дислокации и состояния ТСОДД;

• изменение атрибутивных характеристик объектов УДС. I

Варьирование данных параметров с последующим расчетом аварийности или интенсивности ТП позволяет быстро и эффективно находить оптимальное управляющее воздействие на транспортную инфраструктуру.

При помощи аналитического инструментария сравнивалось качество моделей, построенных с помощью разных нейронных сетей. В таблице представлены результаты проверки моделей при решении задачи пространственного анализа интенсивности и аварийности. Внешние критерии регулярности и согласованности (1) всех построенных моделей меньше единицы, что говорит о соответствии моделей этим критериям. При этом модель, построенная с помощью нейронной сети с активными нейронами, показывает наилучший результат. Все модели удовлетворяют критерию Фишера на уровне значимости а = 0.05 (Р0.05; 7; 20 =2.51). В таблицах используются сокращения: МП - многослойный персептрон; СНС - самоорганизующаяся нейронная сеть; АН - нейронная сеть с активными нейронами.

Таблица 1. Пространственный анализ интенсивности

Вид сети Критерий регулярности, д2 Критерий согласованности, Критерий Фишера, Доверительный интервал дисперсии возмущений, <г

Пространственный анализ интенсивности

МП 8.8329-10 1 2.3571-10"' 4.8734>/г0 05;7; 20 [2.3347-10" ,6.0231 -10"']

СНС 2.4492-10" 2~1 3.2395-10"' 3.9036>^0 05, 7 20 [8.3612-10"3, 1.6702-Ю"2]

АН 4.6392-10*2 7.2194-102 3.0251>^0 05,7-20 [1.1741-Ю"3, 5.2378-Ю"3]

Пространственный анализ аварийности

МП 1.9145-10"2 4.9104-Ю"2 7.2701>/^0 05; 7: 20 [3.2605-10"', 7.6177-Ю"']

снс 3.0723-Ю"3 2.0721 -10 2 5.4497>^0,05;7:20 [7.6170-Ю"3, 1.2062-Ю"2]

АН 1шнгг1 6.9129-103 6.0072>/7ОО5;7;20 [6.1911-Ю"3, 1.0024-Ю"2]

Согласно результатам приведенного исследования, выбрана нейронная сеть с активными нейронами, как основной метод анализа аварийности на улицах города Самара. Для анализа выбраны более ста наиболее аварийных перекрестков. По каждому из них разработаны рекомендации по управленческим решениям: по изменению дислокации и характеристик для более чем 20 светофорных объектов, 500 дорожных знаков, разметки и ограждений на участках УДС общей протяженностью более чем 35 км. Опытная эксплуатация ИТС позволила улучшить характеристики транспортной инфраструктуры: увеличить пропускную способность отдельных участков улично-дорожной сети от 3% до 17%, снизить уровень тяжести последствий от ДТП в 2007-2010 гг. в 1,37 раза.

Разработанный программный комплекс использовался для создания проектной документации по реконструкции Красноглинского и Волжского шоссе. Результатом проведенного анализа явилась выработка рекомендаций по увеличению числа полос до трех по каждому направлению, установке дорожных знаков, строительству транспортных развязок. При помощи разработанного аналитического инструментария проводились расчеты аварийности при подготовке проектной документации на установку пешеходных ограждений на 52 перекрестках г. Самара.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработан метод совместного описания многослойной разнотипной (пространственно-координированной, атрибутивной) информации о характеристиках объектов транспортной инфраструктуры на основе геоинформационных технологий, позволяющий единообразно формализовать множество разнотипных объектов, и необходимый для осуществления информационного обеспечения управления транспортными потоками.

2. Разработаны методы исследования характеристик пространственно-координированных объектов, основанные на технологиях многослойного персептрона и самоорганизующихся нейронных сетей, с целью обеспечения безопасности и повышения пропускной способности участков улично-дорожной сети.

3. Разработаны функциональная и информационная модели использования разнотипной информации о характеристиках объектов транспортной инфраструктуры, которые отображают необходимую для информационной поддержки управления объектами транспортной инфраструктуры урбанизированной территории информацию. Модели построены на методах теории паттернов, нейросетевого и объектно-ориентированного анализа и проектирования.

4. Разработаны алгоритмы и программный инструментарий интеллектуальной транспортной системы, в которых реализованы нейросетевые методы исследования пространственно-координированных объектов, позволяющие выявить функциональную зависимость характеристик исследуемого объекта от дислокации и атрибутивной информации объектов, находящихся от него в непосредственной пространственной или временной близости. Результаты применения программного инструментария показали адекватность предлагаемых методов и алгоритмов, на их основе выработаны рекомендации по изменению дислокации и характеристик для более чем 20 светофорных объектов, 500 дорожных знаков, разметки и ограждений на участках УДС общей протяженностью более чем 35 км, которые позволили улучшить характеристики транспортной инфраструктуры: увеличить пропускную способность отдельных участков улично-дорожной сети от 3% до 17%, снизить уровень тяжести последствий от ДТП в 20072010 гг. в 1,37 раза. Разработанный программный инструментарий использовался для расчета аварийности и интенсивности транспортных потоков при составлении проектной документации реконструкции улиц города Самара. Практические результаты диссертационной работы используются на предприятиях г. Самара и в учебном процессе Самарского государственного аэрокосмического университета.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Монография

1. Сапрыкин О.Н. Нейросетевое управление пространственно-координированными объектами транспортной инфраструктуры [текст] / О.Н. Сапрыкин, Т.Н. Михеева, - Самара: D.S. Style, 2011. -217 с.

Публикации в периодических изданиях, определенных ВАК Минобнауки России

2. Сапрыкин О.Н. Идентификация зависимостей в пространственно-распределенных данных с использованием нейросетевых технологий [текст] / О.Н. Сапрыкин, Т.Н. Михеева // Вестник Самарского гос. техн. унта. Серия «Технические науки». - 2007. - №1(19). - С. 40-47.

3. Сапрыкин О.Н. Самоорганизующиеся модели в интеллектуальных транспортных системах [текст] / О.Н. Сапрыкин, Т.Н. Михеева // Мехатро-ника. Автоматизация. Управление. - 2009. -№1. - С. 21-26.

4. Михеева Т.Н. Паттерны проектирования подсистемы анализа состояния пространственно-координированных объектов интеллектуальной транспортной системы [текст] / Т.Н. Михеева, О.Н. Сапрыкин // Информационные технологии. - 2010. - №7. - С. 64-70.

5. Михеева Т.И. Построение архитектуры аналитического инструментария интеллектуальной транспортной системы на основе паттернов проектирования [текст] / Т.И. Михеева, О.Н. Сапрыкин, О.В. Сапрыкина // Вестник Самарского гос. техн. ун-та. Серия «Технические науки». — 2010. — №4 (27). - С. 27-35.

Другие публикации

6. Сапрыкин О.Н. Визуализация программирования числовых рядов [текст] / О.Н. Сапрыкин, Т.И. Михеева / Техническая кибернетика, радиоэлектроника и системы управления // Тез. докл. VI всерос. научн. конф. студентов и аспирантов - Таганрог: ТГРУ, 2002. - С. 182.

7. Михеева Т.И. Автоматизированная система «Розыск автотранспорта по ориентировке» [текст] / Т.И. Михеева, О.Н. Сапрыкин / Организация и безопасность дорожного движения в крупных городах И Труды 6 междун. научно-практ. конф. - С-Пб: С-ПбАДИ, 2004. - С. 53-57.

8. Сапрыкин О.Н. Автоматизированная система розыска автотранспорта по ориентировке [текст] / О.Н. Сапрыкин, Т.И. Михеева / XII Тупо-левские чтения // Тез. докл. междун. молодежной научн. конф. - Казань: Изд-во Казан, гос. техн. ун-та, - 2004. - С. 139.

9. Михеева Т.И. Применение нейросетевых методов для анализа пространственных данных [текст] / Т.И. Михеева, О.Н. Сапрыкин / Организация и безопасность дорожного движения в крупных городах // Труды седьмой междун. научно-практ. конференции.-СПб.: Изд-во СПб гос. ар-хит.-строит. ун-та, 2006. - С. 81-84.

Ю.Сапрыкин О.Н. Автоматизированный анализ мест концентрации пространственно-координированных объектов [текст] / О.Н. Сапрыкин, Т.И. Михеева, А.О. Антонов / Математика. Компьютер. Образование // Тез. докл. XIII междун. конф. - М.-Ижевск: МГУ, НИЦ «Регулярная и хаотическая динамика», 2006. - С. 76.

11 .Михеева Т.И. Структура базы данных интеллектуальной транспортной системы города [текст] / Т.И. Михеева, О.Н. Сапрыкин, И.А. Чугунов / Математика. Компьютер. Образование // Тез. докл. XII междун. конф. МГУ - М.-Ижевск: МГУ, НИЦ «Регулярная и хаотическая динамика», 2005. - С. 44.

12.Сапрыкин О.Н. Паттерны проектирования в архитектуре ИТС [текст] / О.Н. Сапрыкин // Математика. Компьютер. Образование. Тез. докл. XV междун. конф. - М.-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2008.-С. 116.

13.Сапрыкин О.Н. Применение самоорганизующихся нейронных сетей в интеллектуальных транспортных системах [текст] / О.Н. Сапрыкин // Математика. Компьютер. Образование. Тез. докл. XVI междун. конф. - М.Ижевск: НИЦ «Регулярная и хаотическая динамика», 2009. - С. 256.

И.Сапрыкин О.Н. Оптимизация расстановки дорожных знаков при помощи нейронных сетей [текст] / О.Н. Сапрыкин [и др.] // Математика. Компьютер. Образование. Тез. докл. XVII междун. конф. .-М.-Ижевск: МГУ, НИЦ «Регулярная и хаотическая динамика», 2011. - С. 93.

15.Сапрыкин О.Н. Метод группового учета аргументов в задачах анализа транспортных данных [текст] / О.Н. Сапрыкин, О.В. Сапрыкина // Математика. Компьютер. Образование. Тез. докл. XVII междун. конф. . -М.-Ижевск: МГУ, 2011. - С. 237.

16.Сапрыкин О.Н. Интеллектуальный анализ географических данных [текст] / О.Н. Сапрыкин // XXXIII Самарская областная студенческая научная конференция. Тезисы докладов. - 2007. - С. 173.

17.Saprykin O.N. Using Of Self-Organizing Neural Networks In Intelligent Transportation Systems [text] / O.N. Saprykin, T.I. Mikheeva // Computer Science and Information Technologies. Proceedings of the 1 lth International Workshop on Computer Science and Information Technologies (CSIT'2009). -Vol. 3. - 2009. - pp. 35-40.

18.Михеева Т.И. О механизме паттернов проектирования для решения задачи измерения интенсивности [текст] / Т.И. Михеева, О.Н. Сапрыкин // Труды междун. междисциплинарной научной конф. - Тверь, 2009. -С.371-374.

• 19.Сапрыкин О.Н. Самоорганизующиеся нейронные сети в обработке пространственных данных [текст] / О.Н. Сапрыкин // Перспективные информационные технологии для авиации и космоса (ПИТ-2010). Труды Me-

ждународной конф. с элементами научной школы для молодежи. - Самара, 2010.-С. 281-285.

20.Сапрыкин О.Н. Микро- и макромодели транспортного потока в интеллектуальной транспортной системе [текст] / О.Н. Сапрыкин, Т.Н. Ми-хеева // Актуальные проблемы автотранспортного комплекса: межвуз. сб. науч. статей. - СПб., 2010. - С. 212-221.

21. Сапрыкин О.Н. Применение самоорганизующихся нейронных сетей в интеллектуальных транспортных системах [текст] / О.Н. Сапрыкин, Т.Н. Михеева // Математическое моделирование информационных процессов и систем в науке, технике и образовании: Межвузовский сборник научных трудов. - Самара: Самарск. гос. арх.-строит, ун-т, 2010. - С. 145-147.

22.Михеева Т.И. Геоинформационная система выделения точек сгущения транспортных потоков на улично-дорожной сети [текст] / Т.И. Михеева, О.Н. Сапрыкин, О.В. Сапрыкина / Материалы региональной научно-практ. конф., посвященной 50-летию полета человека в космос. -Самара: СГАУ, 2011. - С. 92-93.

23.Сапрыкин О.Н. Эволюционирующие нейронные сети в интеллектуальных транспортных системах [текст] / Математическое моделирование информационных процессов и систем в науке, технике и образовании: Межвузовский сборник научных трудов. Самара: Самарск. гос. арх.-строит. ун-т, 2010.-С. 148-150.

24.Сапрыкин О.Н. Нейросетевая модель интенсивности дорожного движения [текст] / О.Н. Сапрыкин // Математика. Компьютер. Образование. Тез. докл. XVIII международной конф. - 2011. - С. 96.

Свидетельства о регистрации программ и баз данных

25.Сапрыкин О.Н. Автоматизированная система анализа координации пространственных данных [текст] / О.Н. Сапрыкин, Т.И. Михеева / Свидетельство об официальной регистрации программы для ЭВМ № 2007613790 - М.: Роспатент, 5 сентября 2007.

26. Сапрыкин О.Н. АИС интеллектуального поиска автотранспорта по нечеткой ориентировке [текст] / О.Н. Сапрыкин // Свидетельство об официальной регистрации программы для ЭВМ № 2007613780 - М.: Роспатент, 5 сентября 2007.

Подписано к печати 29 сентября 2011. Формат 60x84 1/16. Тираж 100 экз. Отпечатано с готового оригинал-макета в СГАУ. 443086, Самара, Московское шоссе, 34

ПЕРЕЧЕНЬ УСЛОВНЫХ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

1 СИСТЕМАТИЗАЦИЯ ПОНЯТИЙ И МЕТОДОВ ИССЛЕДОВАНИЯ.

1.1 Транспортная инфраструктура.

1.2 Интеллектуальные транспортные системы.

1.3 Средства пространственно-временного анализа.

1.4 Нейросетевые методы анализа информации.

1.5 Методы построения системы исследования пространственно-координированных объектов.

1.6 Задачи исследования пространственно-координированных объектов.

Актуальность. Активный рост автомобильного парка России, значительно опережающий темпы дорожного строительства, сыграл ключевую роль в выборе Правительством Российской Федерации интеллектуальных транспортных систем (ИТС) в качестве одной из технологических платформ для повышения эффективности управления транспортной инфраструктурой урбанизированной территории. Требуется создание принципиально новых интегрированных подсистем ИТС, одновременно охватывающих массивы разнородных данных и использующих современные нейросетевые и геоинформационные технологии для обеспечения информационной поддержки процесса управления.

Данное направление предполагает создание систем автоматизированного управления транспортной инфраструктурой, что на настоящий момент требует решения целого круга научных и технических задач. Объектом исследования в диссертационной работе является интегрированная с ИТС система управления транспортной инфраструктурой урбанизированной территории на основе методов нахождения зависимости между разнородными пространственно-координированными и атрибутивными данными. Построенные в системе нейросетевые модели зависимости позволят эффективнее решать задачи оптимальной дислокации технических средств организации дорожного движения, что благотворно скажется на характеристиках транспортного потока и повысит безопасность на улично-дорожной сети.

В мировой практике организации дорожного движения на урбанизированной территории все активнее используется управление транспортной инфраструктурой с применением технологий интеллектуальных транспортных систем. Существует устойчивая тенденция дальнейшего совершенствования и внедрения подобных систем.

В области теории и практики развития интеллектуальных информационных технологий накоплен значительный положительный опыт. В его приобретение, наряду со многими зарубежными (С. Осовский, Д. Рутковская, Д. Кнут, Р. Шеннон и др.), существенный вклад внесли российские ученые: В. И. Васильев, А. Ю. Дорогов, Г. А. Ивахненко, Б. Г. Ильясов,

A. Н. Коварцев, М. А. Кораблин, Д.А. Поспелов, С. А. Прохоров и др. Ведутся исследования в области объектно-ориентированного структурирования информации и разработки паттернов, отраженные в работах Г. Буча (G. Booch), Э. Гаммы (Е. Gamma), Р. Хелма (R. Helm), Р. Джонсона (R. Johnson), Т. Бадда (Т. Budd), У. Гренандера (U. Grenander), М. Фаулера (М. Fowler), Э. Эванса (Е. Evans) и др. Вопросам обработки пространственных данных и построения прогноза развития городской инфраструктуры посвящены работы

B. Г. Гитиса, Б. В. Ермакова, Т. О. Перемитиной, В. В. Сергеева, JI. Оррала (L. Worrall), В. Г. Царегородцева, А. В. Чернова и др. Однако вопросы управления транспортной инфраструктурой с анализом пространственно-координированных объектов в рамках информационных технологий интеллектуальных транспортных систем требуют дополнительной проработки.

Целью диссертационной работы является повышение эффективности управления транспортной инфраструктурой посредством разработки методов, моделей, алгоритмов и программного обеспечения информационной поддержки управления пространственно-координированными объектами с использованием нейросетевых и ГИС-технологий. Под эффективностью понимается снижение аварийности и повышение пропускной способности улично-дорожной сети урбанизированной территории.

Для достижения цели в работе поставлены следующие задачи:

1. Разработать метод совместного описания разнотипной (пространственно-координированной, атрибутивной) информации об объектах транспортной инфраструктуры на основе геоинформационных технологий.

2. Разработать методы анализа характеристик пространственно-координированных объектов для управления объектами транспортной инфраструктуры.

3. Разработать функциональную и информационную модели объектов транспортной инфраструктуры для информационной поддержки управления.

4. Разработать алгоритмы и программное обеспечение комплексной обработки разнотипной информации об объектах транспортной инфраструктуры для информационной поддержки управления.

Научная новизна работы содержится в следующих результатах:

1. Разработан метод совместного описания многослойной пространственно-координированной разнотипной информации об объектах транспортной инфраструктуры на основе геоинформационных технологий.

2. Разработаны методы анализа характеристик пространственно-координированных объектов для управления объектами транспортной инфраструктуры, основанные на нейросетевых технологиях.

3. Разработаны функциональная и информационная модели объектов транспортной инфраструктуры, построенные на теории паттернов и методах нейросетевого и объектно-ориентированного анализа и проектирования.

4. Разработаны алгоритмы нейросетевого анализа пространственно-координированных объектов транспортной инфраструктуры.

Практическая значимость. Результаты исследований в виде метода совместного описания разнотипной информации об объектах транспортной инфраструктуры, информационная и функциональные модели и нейросетевые алгоритмы анализа разнотипной информации для исследования объектов транспортной инфраструктуры использовались при разработке интеллектуальной транспортной системы и позволяют автоматизировать работу с пространственной и атрибутивной информацией (свидетельства об официальной регистрации программ для ЭВМ № 2007613790 от 05.09.2007, № 2007613780 от 05.09.2007).

Методика исследования. В работе использовались методы теории управления, системного анализа, проектирования информационных систем на основе теории паттернов, методы математического и геоинформационного моделирования, многомерной геометрии, нейросетевого анализа, организации баз пространственных данных и объектно-ориентированного программирования.

На защиту выносятся

1. Метод совместного описания многослойной разнотипной (пространственно-координированной, атрибутивной) информации об объектах транспортной инфраструктуры урбанизированной территории на основе геоинформационных технологий.

2. Методы нейросетевого исследования характеристик объектов транспортной инфраструктуры, проводимого с целью обеспечения безопасности и повышения пропускной способности транспортной сети.

3. Функциональная и информационная модели объектов транспортной инфраструктуры, построенные на методах теории паттернов, нейросетевого и объектно-ориентированного анализа и проектирования.

4. Алгоритмы и программное обеспечение обработки и нейросетевого анализа пространственно-координированных объектов транспортной инфраструктуры урбанизированной территории.

Реализация работы. Результаты диссертационной работы нашли применение при выполнении научно-исследовательских работ:

• Федеральная целевая программа «Повышение безопасности дорожного движения в 2006-2012 годах».

• Грант гос. per. № 341Т3.9Д «Применение нейросетевых технологий в программном комплексе исследования корреляции пространственно-координированных данных».

Прикладные разработки, связанные с созданием систем программного комплекса «Интеллектуальная транспортная система», а также с автономным использованием отдельных разработанных инструментальных средств, выполнялись в рамках этих программ:

• ООО «Вэймарк», 2008-2011 гг.: «Реконструкция автомобильной дороги общего пользования Самарской области, расположенной в границах городского округа Самара, Красноглинское шоссе», «Комплексная схема прогнозирования интенсивности транспортных потоков на улично-дорожной сети г. Самара», «Построение схем безопасности дорожного движения с использованием электронной карты города».

• ООО «Меркури Девелопмент Раша»: методы и алгоритмы работы с нейросетевыми структурами; технологии и паттерны проектирования систем управления и визуализации пространственно-координированных данных.

Результаты научных исследований в области теории управления транспортными потоками, методологии имитационного моделирования, технологии программирования внедрены в учебный процесс Самарского государственного аэрокосмического университета.

Апробация работы. Основные теоретические и практические результаты работы докладывались на Международных, Российских и региональных научных конгрессах и конференциях. Доклады представлены на: «Компьютерные науки и информационные технологии» (С8ГГ'2009); XII - XVIII Международных научных конференциях «Математика. Компьютер. Образование» (Пущи-но-Дубна, МГУ, 2005-2011); Международной конференции с элементами научной школы для молодежи «Перспективные информационные технологии для авиации и космоса (ПИТ-2010)» (Самара, 2010); Международной междисциплинарной научной конференции (Тверь, 2009); Шестом Международном симпозиуме (ПчГТЕЬ8'2004) «Интеллектуальные системы» (Москва-Саратов, 2004); 6, 7 международных научно-практических конференциях «Организация и безопасность дорожного движения в крупных городах» (Санкт-Петербург, 2004, 2006); международной молодежной научной конференции «XII Тупо-левские чтения» (Казань, 2004); VI всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления» (Таганрог, 2002); XXXIII Самарской областной студенческой научной конференции (Самара, 2007), Региональной научно-практ. конф., посвященной 50-летию полета человека в космос (Самара, 2011).

Публикации. Основные положения и результаты диссертационной работы опубликованы в 26 источниках, включающих 1 монографию, 4 статьи в изданиях, выпускаемых в Российской Федерации в соответствии с требованиями ВАК Минобразования и науки РФ, 17 материалах конференций и семинаров, 2 свидетельства о регистрации программ и баз данных, 2 статьи в сборниках.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав основного материала, заключения, библиографического списка из 159 наименований и 6 приложений. Объем работы 179 страниц машинописного текста, включая 60 рисунков и 7 таблиц.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИОННОЙ РАБОТЫ

1. Разработан метод совместного описания разнотипной (пространственно-координированной, атрибутивной) информации о характеристиках объектов транспортной инфраструктуры на основе геоинформационных технологий, позволяющий единообразно формализовать множество разнотипных объектов, и необходимый для осуществления информационного обеспечения управления транспортными потоками.

2. Разработаны методы исследования характеристик пространственно-координированных объектов, основанные на технологиях многослойного персептрона и самоорганизующихся нейронных сетей, с целью обеспечения безопасности и повышения пропускной способности участков улично-дорожной сети.

3. Разработаны функциональная и информационная модели использования разнотипной информации о характеристиках объектов транспортной инфраструктуры, которые отображают необходимую для информационной поддержки управления объектами транспортной инфраструктуры урбанизированной территории информацию. Модели построены на методах теории паттернов, ней-росетевого и объектно-ориентированного анализа и проектирования.

4. Разработаны алгоритмы и программный инструментарий интеллектуальной транспортной системы, в которых реализованы нейросете-вые методы исследования пространственно-координированных объектов, позволяющие выявить функциональную зависимость характеристик исследуемого объекта от дислокации и атрибутивной информации объектов, находящихся от него в непосредственной пространственной или временной близости. Результаты применения программного инструментария показали адекватность предлагаемых методов и алгоритмов, на их основе выработаны рекомендации по изменению дислокации и характеристик для более чем 20 светофорных объектов, 500 дорожных знаков, разметки и ограждений на участках УДС общей протяженностью более чем 35 км, которые позволили улучшить характеристики транспортной инфраструктуры: увеличить пропускную способность отдельных участков улично-дорожной сети от 3% до 17%, снизить уровень тяжести последствий от ДТП в 20072010 гг. в 1,37 раза. Разработанный программный инструментарий использовался для расчета аварийности и интенсивности транспортных потоков при составлении проектной документации реконструкции улиц города Самара. Практические результаты диссертационной работы используются на предприятиях г. Самара и в учебном процессе Самарского государственного аэрокосмического университета.

ЗАКЛЮЧЕНИЕ

В работе ставилась цель разработки методов, информационной модели и инструментальных средств анализа характеристик пространственно-координированных объектов с использованием нейросетевых и геоинформационных технологий. Разработаны модели, описывающие структуру и поведение объектов предметной области «Исследование объектов транспортной инфраструктуры». Решены задачи пространственно-временного и пространственного анализа аварийности и интенсивности дорожного движения. Определены критерии состоятельности моделей, построенных с помощью нейросетевых алгоритмов. Разработанные алгоритмы помогают в принятии решений по дислокации дорожных объектов с целью повышения безопасности и снижения интенсивности на улично-дорожной сети.

1. Основные работы автора по теме диссертации1. Монографии

2. AI. Михеева Т.И., Сапрыкин О.Н. Нейросетевое управление пространственно-координированными объектами транспортной инфраструктуры. -Самара: D.S. Style, 2011. 217 с.

3. Публикации в периодических изданиях из списка ВАК

4. А2. Сапрыкин О.Н., Михеева Т.И. Идентификация зависимостей в пространственно-распределенных данных с использованием нейросетевых технологий // Вестник Самарского гос. техн. ун-та. Серия «Технические науки». Самара: СамГТУ, 2007, №1(19). С. 40-47.

5. A3. Михеева Т.И., Сапрыкин О.Н. Самоорганизующиеся модели в интеллектуальных транспортных системах // Мехатроника, Автоматизация, Управление. 2009. №1. С. 21-26.

6. A4. Михеева Т.И., Сапрыкин О.Н. Паттерны проектирования подсистемы анализа состояния пространственно-координированных объектов интеллектуальной транспортной системы. // Информационные технологии. 2010. №7. С. 64-70.

7. А6. Сапрыкин О.Н. Михеева Т.И. Визуализация программирования числовых рядов / Техническая кибернетика, радиоэлектроника и системы управления // Тез. докл. VI всерос. научн. конф. студентов и аспирантов -ТГРУ, Таганрог, 2002. С. 182.

8. А7. Михеева Т.И., Сапрыкин О.Н. Автоматизированная система «Розыск автотранспорта по ориентировке» / Организация и безопасность дорожного движения в крупных городах // Труды 6 междун. научно-практ. конф. -С-Пб: С-ПбАДИ, 2004. С. 53-57.

9. А8. Сапрыкин О.Н. Михеева Т.Н. Автоматизированная система розыска автотранспорта по ориентировке / XII Туполевские чтения // Тез. докл. междун. молодежной научн. конф. Изд-во Казан, гос. техн. ун-та, Казань, 2004. С. 139.

10. А12. Сапрыкин О.Н. Паттерны проектирования в архитектуре ИТС. / Математика. Компьютер. Образование // Тез. докл. XV междун. конф. М.Ижевск: НИЦ «Регулярная и хаотическая динамика», - 2008. С. 116.

11. А13. Сапрыкин О.Н. Применение самоорганизующихся нейронных сетей в интеллектуальных транспортных системах. / Математика. Компьютер. Образование // Тез. докл. XVI междун. конф. М.-Ижевск: НИЦ «Регулярная и хаотическая динамика», - 2009. С. 256.

12. А15. Сапрыкин О.Н., Сапрыкина О.В. Метод группового учета аргументов в задачах анализа транспортных данных. / Математика. Компьютер. Образование // Тез. докл. XVII междун. конф. . М.-Ижевск: МГУ, НИЦ «Регулярная и хаотическая динамика», - 2011. С. 237.

13. А16. Сапрыкин О.Н. Интеллектуальный анализ географических данных / XXXIII Самарская областная студенческая научная конференция // Тезисы докладов. Самара, 2007. С. 173.

14. Al8. Михеева Т.И., Сапрыкин О.Н. О механизме паттернов проектирования для решения задачи измерения интенсивности //Труды международной междисциплинарной научной конференции. Тверь, 2009. С. 371-374.

15. А24. Сапрыкин О.Н. Нейросетевая модель интенсивности дорожного движения / Математика. Компьютер. Образование // Тезисы докладов XVIII международной конф. М.-Ижевск: МГУ, НИЦ «Регулярная и хаотическая динамика», - 2011. С. 234.

16. А25. Михеева Т.И., Сапрыкин О.Н. Автоматизированная система анализа координации пространственных данных. / Свидетельство об официальной регистрации программы для ЭВМ № 2007613790 М.: Роспатент, 5 сентября 2007.

17. А26. Сапрыкин О.Н. АИС интеллектуального поиска автотранспорта по нечеткой ориентировке. / Свидетельство об официальной регистрации программы для ЭВМ № 2007613780 М.: Роспатент, 5 сентября 2007.1. Другие источники

18. Автомобильные перевозки и организация дорожного движения : Справочник / пер. с англ. / В.У. Рэнкин, П. Клафи, С. Халюерт и др. — М. : Транспорт, 1981. 592 с.

19. Андрианов В. Инфраструктура пространственных данных / АгсЯеу1еш. -2006.-№2(37). С. 1-2.

20. Арнольд В.И. О представлении непрерывных функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. 1957, -№ 4. С. 41-61.

21. Артынов А.П., Кондратьев Г.А. Управление взаимодействием транспортных систем. -М. : Наука, 1986. 197 с.

22. Бабков В.Ф. Дорожные условия и безопасность движения: Учебник для вузов. М.: Транспорт, 1993. 290 с.

23. Бадамшин P.A. Использование геоинформационных технологий для интеграции пространственных данных / Информатика, управление и компьютерные науки // Третья Всероссийская зимняя школа-семинар аспирантов и молодых ученых. Т.1. Уфа: Диалог, 2008. С. 492-496.

24. Баранов Ю.Б., Берлянт A.M. и др. Геоинформатика. Толковый словарь основных терминов. М. : Изд-во ГИС-Ассоциации, 1999. 204 с.

25. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. —М. : Статистика, 1974. 159 с.

26. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++ / пер. с англ. — СПб. : Невский диалект, 1999. 560 с.

27. Буч Г., Рамбо Дж., Джекобсон А. Язык UML. Руководство пользователя / пер. с англ. М. : ДМК, 2000. 432 с.

28. Васильев В.И., Савина И.А. Анализ нечетких когнитивных карт с помощью пакета MatLab / Информатика, управление и компьютерные науки // Третья Всероссийская зимняя школа-семинар аспирантов и молодых ученых. Т.1. Уфа: Диалог, 2008. С. 55-58.

29. Вентцель Е.С. Теория вероятностей. М.: Наука, 1969. 576 с.

30. Вероятностные и имитационные подходы к оптимизации автодорожного движения / Буслаев А.П., Новиков A.B., Приходько В.М. и др. // Под ред. В.М. Приходько — М. : Мир, 2003. 368 с.

31. Виттих В.А., Смирнов C.B. Структура и принципы построения инженерных теорий управления сложными организационными системами / Проблемы управления и моделирования в сложных системах. Самара: РШУСС РАН, 1999. С. 33-38.

32. Вишняков A.C. Реализация метода группового учета аргументов на языке программирования высокого уровня с использованием теории автоматов / Принятие решений в условиях неопределенности // Уфа: УГАТУ, 2006. С. 123-130.

33. Вяткин В.Б. Синергетический подход к определению количества информации // Информационные технологии. 2009. №12. С. 68-73.

34. Гамма Э., Хелм Р., Джонсон Р., Влассидес Дж. Приемы объектно-ориентированного проектирования. Паттерны проектирования. СПб.: Питер, 2001. 368 с.

35. География городов: Учеб. пособие для геогр. ф-тов вузов / Г.М. Лаппо -М.: Гуманит. изд. центр ВЛАДОС, 1997. 480 с.

36. Гитис В. Г., Ермаков Б. В. Основы пространственно-временного прогнозирования в геоинформатике. М.: ФИЗМАТ ЛИТ, 2004. 256 с.

37. Головко В.А. Нейронные сети: обучение, организации, применение. Кн.4 / Общ. ред. A.M. Галушкина. М.: ИПРЖР, 2001. 256 с.

38. ГОСТ Р 522290-2004. Знаки дорожные : Общие технические требования. — М. : Стандартинформ, 2006. 125 с.

39. ГОСТ Р 52289-2004 Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств. М. : Стандартинформ, 2006. 94 с.

40. Григорьев Д.А. Инструментальные средства для нейросетевого моделирования и управления транспортными потоками на перекрестках: : Авто-реф. дисс. . канд. тех. наук. Уфа: ,2004. 16 с.

41. Дилигенский Н.В., Рапопорт Э.Я. Современные концепции построения и применения общей теории управления сложными системами / Проблемы управления и моделирования в сложных системах. Самара, ИПУСС РАН.-2001. С. 116-127.

42. Дорогов А.Ю. Методы многоуровневого проектирования быстродействующих модульных нейронных сетей прямого распространения на основе иерархических категорных моделей. Дис. . д-ра. техн. наук: 05.13.01. -М.: РГБ, 2005. 403 с.

43. Дрю Д. Теория транспортных потоков и управление ими. М. : Транспорт, 1972. 424 с.

44. Ивахненко А.Г. Персептрон система распознавания образов. - Киев: Наукова-думка, 1975. 431 с.

45. Ивахненко Г.А. Алгоритм комплексирования аналогов для самоорганизации дважды многорядных нейронных сетей // УСиМ. 2003. № 2. С. 100— 106.

46. Иордон Э., Аргил К. Структурные модели в объектно-ориентированном анализе и проектировании / пер. с англ. — М. : Лори, 1999. 264 с.

47. Коварцев А.Н. Автоматизация разработки и тестирования программных средств. Самара, 1999. 150 с.

48. Колесников A.A. Синергетическая теория управления. М. : Энергоатом-издат, 1994. 371 с.

49. Колмогоров А.Н. О представлении непрерывной функции нескольких переменных в виде суперпозиции непрерывных функций одного переменного и операции сложения // Доклады АН СССР. 1957. - Т. 114. №5. С. 953-956.

50. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. 2-е изд., перераб. и доп. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 400 с.

51. Кораблин М.А., Минаков И.А. Эволюционные алгоритмы в имитационном моделировании / Проблемы управления и моделирования в сложных системах.-Самара : ИПУСС РАН, 1999. С. 45-51.

52. Кораблин М.А., Смирнов C.B., Карбаев Д.С. Регрессионно-когнитивные графы в задачах макроэкономического прогнозирования / Вестник компьютерных и информационных технологий. М.: Научно-техническое издательство «Машиностроение», 2007, №3. С. 28-31.

53. Кормен Т., Лейзерсон Ч., Ривест Р. Алгоритмы : построение и анализ. -М. : МЦНМО, 2001. 960 с.

54. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. Определения, теоремы, формулы / пер. с англ. М. : Наука, 1974. 720 с.

55. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. —М. : Нолидж, 2000. 352 с.

56. Кременец Ю.А. Технические средства организации дорожного движения. -М. : Транспорт, 1999. 255 с.

57. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М. : Горячая линия - Телеком, 2001. 328 с.

58. Ларман К. Применение UML и шаблонов проектирования / пер. с англ. -М. : Издательский дом «Вильяме», 2004. 624 с.

59. Льюнг Л. Идентификация систем. Теория для пользователя: Пер. с англ. / Под ред. Л.З. Цыпкина. М.: Наука. Гл. ред. физ.-мат. лит., 1991. 432 с.

60. Михайлов А.Ю., Головных И.М. Современные тенденции проектирования и реконструкции улично-дорожных сетей городов. Новосибирск: Наука, 2004. 267 с.

61. Михеева Т.И. Data Mining в геоинформационных технологиях // Вестник Самарского гос. техн. ун-та. Серия «Технические науки» №41. Самара: СамГТУ, 2006. С.96-99.

62. Михеева Т.И. Использование принципов объектно-ориентированного проектирования интеллектуальной транспортной системы // Вестник Самарского гос. техн. ун-та. Серия «Физико-математические науки» №34. -Самара: СамГТУ, 2004. С.141-149.

63. Михеева Т.И. Моделирование движения в интеллектуальной транспортной системе / Вестник Самарского гос. аэрокосм, ун-та Самара: СГАУ, 2004. С. 118-126.

64. Михеева Т.И. Построение математических моделей объектов улично-дорожной сети города с использованием геоинформационных технологий // Информационные технологии. 2006. №1. С.69-75.

65. Михеева Т.И. Структурно-параметрический синтез интеллектуальных транспортных систем/ Самара: Самар. науч. центр РАН, 2008. 380 с.

66. Михеева Т.И. Управление транспортными потоками. Учет ДТП. Самара: Самар. гос. тех. ун-т, 2006. 125 с.

67. Нильсон Дж. Применение DDD и шаблонов проектирования: проблемно-ориентированное проектирование приложений с примерами на С# и .NET.: пер. с англ. М.: ООО «И.Д. Вильяме», 2008. - 560 с.

68. Норенков И.П. Интеллектуальные технологии на базе онтологий // Информационные технологии. -М.: Новые технологии, 2010, №1. С. 17-23.

69. Павлов C.B., Бабин О.М. Классификация данных из разнородных источников из ArcGIS / Информатика, управление и компьютерные науки // Третья Всероссийская зимняя школа-семинар аспирантов и молодых ученых. Т.1. Уфа: Диалог, 2008. С. 381-387.

70. Полищук Ю.М., Перемитина Т.О. Геоинформационный подход к анализу многомерных данных о пространственно-распределенных объектах // Геоинформатика. 2003. № 1. С. 18-21.

71. Поляковский С.Ю. Методика планирования оптимальной обучающей выборки для нейронной сети / Принятие решений в условиях неопределенности. -Уфа: УГАТУ, 2006. С. 28-35.

72. Прохоров С.А. Прикладной анализ случайных процессов. Самара : СНЦ РАН, 2007. 582 с.

73. Рапопорт Э.Я. Структурное моделирование объектов и систем управления с распределенными параметрами : Учебное пособие. М. : Высш. шк., 2003. 299 с.

74. Рассел С., Норвиг П. Искусственный интеллект: современный подход, 2-е изд.: пер. с англ. М. : Вильяме, 2006. - 1408 с.

75. Рудаков И.А., Михеева Т.И., Чугунов И.А. Управление транспортными потоками. «Парковка». Самара: D.S. Style, 2006. 144 с.

76. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польского И.Д. Рудинского. -М. : Горячая линия. Телеком, 2004. 452 с.

77. Семенов В.А., Морозов С.В., Порох С.А. Стратегии объектно-реляционного отображения: систематизация и анализ на основе паттернов // Труды института системного программирования РАН, 2004. citforum.gatchina.net.

78. Сергеев В.В., Чернов А.В., Хасаев Г.Р, Мильченко В.И., Селиверстов Ю.М. Принципы построения системного территориального кадастра Самарской области // Информационный бюллетень ГИС-ассоциации. -2004. -№ 3(45). С 56-57, № 4(46). С. 60-61.

79. Смирнов С.В. Онтологический анализ в системах компьютерного моделирования // Проблемы управления и моделирования в сложных системах: Труды V международной конф. Самара: СНЦ РАН, 2003. С. 102107.

80. Смит Дж. Основы Windows Communication Foundation: пер. с англ. -М.: Издательство «Русская Редакция»; СПб.: «БХВ-Петербург», 2008. -384 с.

81. СНиП 2.07.01-89* «Градостроительство. Планировка и застройка городских и сельских поселений» М. : Стандартинформ, 1997. 73 с.

82. Схема развития транспортной инфраструктуры Самары в составе проекта Генерального плана города / Лукьянчикова О.Г., Васильчикова С.Ф., Махиня Д.А., Ломовская Л.К. // ArcReview. 2007. - №3(42). С. 6-8.

83. Титов Б.А., Козаренко Е.А. Экономические риски в транспортной логистической системе Самарской области / Вестник Самарской государственной академии путей сообщения. Самара: Самарский государственный университет путей сообщения, 2007, №7. С. 52-55.

84. Фаулер М. Архитектура корпоративных программных приложений: Пер. с англ. М.: Издательский дом «Вильяме», 2006. 544 с.

85. Федеральная целевая программа «Модернизация транспортной системы России 2002-2010 годы». М.: Минтранс РФ, 2001.

86. Хакен Г. Синергетика: иерархии неустойчивостей в самоорганизующихся системах и устройствах / пер. с англ. М. : Мир, 1985. 423 с.

87. Хоп Г., Вульф Б. Шаблоны интеграции корпоративных приложений / пер. с англ. М.: ООО «И.Д. Вильяме», 2007. 672 с.

88. Хренов A.B., Михеева Т.И. Обработка геоданных в интеллектуальной транспортной системе / Математика и ее приложения // Труды II междун. научной конф. «Математика. Образование. Культура». Тольятти: ТГУ, 2005. С. 102-106.

89. Царегородцев В.Г., Погребная H.A. Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорас-тительных свойств ландшафтных зон // Методы нейроинформатики. — Красноярск: КГТУ, 1998. С. 65-110.

90. Цветков В.Я. Геоинформационные системы и технологии. М. : Финансы и статистика, 1998. 228 с.

91. Чернов A.B. Математические модели городской среды // Управление развитием территории. 2008. - №3. - С. 50-55.

92. Шамгунов Н. Н., Корнеев Г А. Шалыто А. А. Паттерн State Machine для объектно-ориентированного проектирования автоматов // Информационно-управляющие системы. 2004. № 5.

93. Эванс Э. Предметно-ориентированное проектирование (DDD): Структуризация сложных программных систем.: Пер. с англ. М.: ООО «И.Д. Вильяме», 2011. 448 с.

94. Эльвик Р., Боргег А., Эствик Э., Ваа Т. Справочник по безопасности дорожного движения. Осло, Копенгаген: Институт экономики транспорта, 1996. 646 с.

95. Alexander С., Ishikawa S., Silverstein М. A Pattern Language. NY: Oxford University Press, 1977. 1171 p.

96. Angeline P.J., Sauders G.M., Pollack J.B. An evolutionary algorithm that constructs recurrent neural networks IEEE Trans. Neural Networks, vol. 5. Pp. 54-65, Jan. 1994.

97. ARC/INFO User's Guide: Network Analyst. Environmental Systems Research Institute. Inc., NY, 1992. 317 p.

98. Arc View User's Guide. Environmental Systems Research Institute. Inc., NY, 1992. 92 p.

99. Buschmann F., Meunier R., Rohnert H., Sornmerlad P., Stal M. Pattern-Oriented Software Architecture. Vol. 1: A System of Patterns. IN: Wiley Publishing, Inc., 1996. 467 p.

100. Cheng M.-Y., Ko C.-H. A genetic-fiizzy-neuro model encodes FNNs using SWRM and BRM // Engineering Applications of Artificial Intelligence №19 -2006. P. 891-903.

101. Cybenko G. Approximation by superpositions of a sigmoidal function // Mathematics of control, signal and systems. 1999. - V. 2. P. 304-314.

102. Daniel T., Lepers B. Automatic incident detection: a key tool for Intelligent traffic management // Traffic technology international. Annual Review, 1996. P. 158-162.

103. Delavar M. R., Samadzadegan F., Pahlavani P. A GIS-assisted optimal urban route finding approach based on genetic algorithms. 1996. P. 143-147.

104. Dougherty M. A review of neural networks applied to transport. / Transp. Res. 1995. V. 3, №4. P. 247-260.

105. Fowler M. Analysis Patterns: Reusable Object Models. Addison-Wesley, 1997. 361 p.

106. Grenander U. General Pattern Theory. Oxford University Press, 1993. 904 p.

107. Grenander U. Pattern Theory: From Representation to Inference. Oxford University Press, USA, 2007. 608 p.

108. Hecht-Nielsen R. Neurocomputing. Mass.: Addison Wesley, 1992. 433 p.

109. Hopfield J. J., Neural networks and physical systems with emergent collective computational abilities, Proceedings of National Academy of Sciences, vol. 79, №8. 1982. Pp. 2554-2558.

110. Humble J., Farley D. Continuous Delivery: reliable software releases through build, test and deployment automation. Addison-Wesley, 2011. 597 p.

111. Ilornik K., Stinchcomb M., White H, Multilayer feedforward networks are universal approximate // Neural Networks. 1989, V. 2. №5. Pp. 359-366.

112. Ivakhnenko G.A. An Analogues Complexing Algorithm for Self-Organization of Double-Multilayer Neural Networks // USiM 2003. №2. Pp. 100-106.

113. Ivakhnenko A.G., Ivakhnenko G.A., Mueller J.-A. Self-Organization of Neural Networks with Active Neurons // Pattern Recognition and Image Analysis 1994. №4. Pp. 185-196.

114. Frank A. U., Raubal M., Vlugt M. A guide to GI and GIS / Panel-GI Compendium // European Communities. 2000. P. 141.

115. Hebb D.O. The Organization of Behavior / N.Y: Wiley, 1949. 141 p.

116. Kanoh H., Kozuka H. Evaluation of GA-based dynamic route guidance for car navigation using cellular automata. 2001. Pp. 245-251.

117. Kondo Т., Pandya A.S. GMDH-type Neural Networks with a Feedback Loop and their Application to the Identification of Large-spatial Air Pollution Patterns // Proc. of the 39th SICE Annual Conf. Intern. Sess. Papers, 112A-4, 2000. Pp. 1-6.

118. Liu M. WCF 4.0 Multi-tier Services Development with LINQ to Entities: Build SOA applications on the Microsoft platform with this hands-on guide updated for VS2010. UK: Packt Publishing, 2010. 330 p.

119. Lowy L. Programming WCF Services, Third Edition. CA: O'Reilly Media, Inc., 2010. 875 p.

120. Madala H.R., Ivakhnenko A.G. Inductive learning algorithms for complex systems modeling / CRC Press, Boca Raton, 1994. 365 p.

121. Maplnfo User's Guide. Maplnfo Corp. 1995. 252 p.

122. McCulloch W.S., Pitts W.H. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5. Pp. 115-133.

123. Meszaros G. xUnit test patterns: refactoring test code. Addison-Wesley, 2009. 883 p.

124. Mueller J.-A., Lemke F. Self-Organizing Data Mining. An Intelligent Approach To Extract Knowledge From Data / Berlin, Dresden, 1999. 225 p.

125. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks // IEEE Trans. Neural Networks, 1990, V.l. P. 427.

126. Nemati N.R., Barko C.D. Organizational Data Mining: Leveraging Enterprise Data Resources for Optimal Performance. Idea Group Publishing, 2004. 371 c.

127. Cremer M., Papageorgiou M. Parameter identification for a traffic flow model // Automatic, 1998. V. 17, №6. P. 837-843.

128. Park J., Sandberg LW. Universal approximation using radial basis function networks //Neural Compulation. 1991. - V. 35 N. 2. P. 246-257.

129. Rosenblatt, Frank. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Cornell Aeronautical Laboratory. Offprint: Psychological Review. V 65. №6. Pp. 386^108.

130. Schatz P. COMPANION for the road //Traffic technology international. Annual Review. April/May, 1998. Pp. 103-106.

131. McCarthy T. .NET Domain-Driven Design with C#: Problem Design - Solution. IN: Wiley Publishing, Inc., 2008. 408 p.

132. Kirkpatrick D. A note on Delaunay and optimal triangulations // Inf.Proc. Lett., 1980. V. 10, No. 3. P. 127-128.

133. Worrall L. Spatial Analysis and Spatial Policy Using Geographic Information Systems. London: Belhaven, 1991. 224 p.

134. Xin Yao Evolving Artificial Neural Networks // Proceedings of the IEEE, vol. 87, № 9, September 1999. P. 1423-1447.