Кластеризація дефектних ділянок дорожнього покриття для оптимізації використання дорожньо-будівельної техніки

Размещено на http://www.allbest.ru/

Кластеризація дефектних ділянок дорожнього покриття для оптимізації використання дорожньо-будівельної техніки

Запорожцев Сергій Юрійович кандидат технічних наук, доцент, кафедра інформаційних технологій, Львівський національний університет природокористування, м. Дубляни

Ільге Ігор Генріхович кандидат технічних наук, доцент, кафедра автоматизації та комп ютерно-інтегрованих технологій, Харківський національний автомобільно-дорожній університет, м. Харків

Юр'єва Тетяна Ігорівна студент, кафедра автоматизації та комп'ютерно- інтегрованих технологій, Харківський національний автомобільно-дорожній університет, м. Харків

Анотація

На даний час потреба в розвитку дорожньо-транспортного комплексу і ефективного використання наявних ресурсів в процесі дорожнього будівництва та ремонту обумовлена багатьма чинниками. Серед них і вдосконалення технічних характеристик автомобільного транспорту, зростання швидкостей руху, збільшення вантажопідйомності, впровадження інтелектуальних транспортних систем тощо.

В якості обмежень темпів розвитку дорожньо-транспортного комплексу виступають природні обмеження ресурсів (фінансових, технічних, людських, часових, енергетичних та інших видів), складність проведення експериментальних досліджень та інші чинники. Тому для підвищення ефективності планування та використання наявних ресурсів впроваджуються нові інформаційні технології та інтелектуальні системи. Це оптимізує процеси проведення дорожньо-будівельних та ремонтних робіт, дозволяє скоротити витрати та ефективно розподілити наявні ресурси.

Метою даної роботи є вирішення методами машинного навчання задачі об'єднання в групи або кластеризації окремих дефектних ділянок дорожнього покриття для планування і одночасного групового ремонту дефектів, що повинно позитивно відзначитись на показниках ефективності дорожньо-будівельних робіт.

В процесі написання даної статті виконані такі завдання. Проведений аналіз існуючих публікацій дозволив окреслити напрямок роботи (оптимізація параметрів організації та планування робіт) та зробити постановку завдання на дослідження. На прикладі геодезичних даних про поїздки сформований датасет умовних дефектних ділянок та зроблена попередня обробка даних і їх візуалізація. Виявлено, що простий підхід пошуку необхідного числа кластерів з урахуванням «інерціальності» може давати неприйнятні результати з точки зору реальних відстаней між точками в кластері. Тому запропоновано робити кластеризацію з обмеженнями по відстаням, наприклад, будуючи ієрархічну дендрограму. Для існуючого набору даних вибрано кілька алгоритмів кластеризації з використанням різних метрик оцінки рішень. Здійснено пошук оптимального алгоритму розв'язання задачі на основі багатокритеріального підходу, на основі чого обрано алгоритм, який найкраще відповідає наявним даним та має найвищий узагальнюючий критерій. машинне навчання дорожній будівельний

Ключові слова: дорожньо-будівельні роботи, дефектні ділянки дороги, машинне навчання, алгоритми кластеризації, багатокритеріальна оптимізація.

Zaporozhtsev Serhiy Yuriyovich Doctor of Phylosophy, Assistant professor, Department of information technologies, Lviv National University of Nature Management, Dublyany

Ilhe Ihor Henrikhovych Doctor of Phylosophy, Assistant professor, Department of Automation and Computer-Integrated Technologies, Kharkiv National Automobile and Highway University, Kharkiv

Yur'yeva Tetyana Ihorivna Student, Department of Automation and Computer-Integrated Technologies, Kharkiv National Automobile and Highway University, Kharkiv

CLUSTERIZATION OF DEFECTIVE SECTIONS OF THE ROAD SURFACE TO OPTIMIZE THE USE OF ROAD CONSTRUCTION

EQUIPMENT

Abstract. Currently, the need for the development of the road and transport complex and the effective use of available resources in the process of road construction and repair is due to many factors. Among them are the improvement of the technical characteristics of road transport, the growth of traffic speeds, the increase of carrying capacity, the introduction of intelligent transport systems, etc.

Natural limitations of resources (financial, technical, human, time, energy, and other types), the complexity of conducting experimental research, and other factors act as limitations to the pace of development of the road and transport complex. Therefore, new information technologies and intelligent systems are introduced to increase the efficiency of planning and use of available resources. This optimizes the processes of road construction and repair works, allows to reduce costs and effectively distribute available resources.

The purpose of this work is to solve the problem of combining into groups or clustering individual defective areas of the road surface for planning and simultaneous group repair of defects using machine learning methods, which should be positively noted in the indicators of the efficiency of road construction works.

In the process of writing this article, the following tasks were completed. The analysis of existing publications made it possible to outline the direction of work (optimization of organizational parameters and work planning) and to formulate a task for research. Using the example of geodetic data about trips, a dataset of conditional defective areas was formed, and data pre-processing and visualization were performed. It was found that the simple approach of finding the required number of clusters taking into account "inertia" can give unacceptable results in terms of real distances between points in the cluster. Therefore, it is proposed to do clustering with distance restrictions, for example, by building a hierarchical dendrogram. For the existing data set, several clustering algorithms were selected using different decision evaluation metrics. The search for the optimal algorithm for solving the problem was carried out on the basis of a multi-criteria approach, on the basis of which the algorithm that best corresponds to the available data and has the highest generalizing criterion was selected.

Keywords: road construction works, defective road sections, machine learning, clustering algorithms, multi-criteria optimization.

Постановка проблеми

Автомобільні дороги є найважливішою ланкою в транспортній системі країни, без них не могла б функціонувати жодна галузь народного господарства [1]. За спільної дії багаторазових автомобільних навантажень і природних факторів на ґрунті та покритті виникають залишкові напруги, втома та деформація, які поступово накопичуючись, можуть призвести до руйнування [2]. Цьому сприяє поступове зростання інтенсивності руху, особливо збільшення навантаження на осі автомобілів і частка великовагового транспорту в обсязі руху.

Дорожньо-експлуатаційна служба виконує великий обсяг робіт з утримання та ремонту доріг, але з роками експлуатації може збільшуватися кількість залишкових деформацій дорожньої конструкції і дорога стає фізично та морально застарілою. Тому швидкість виявлення та усунення дефектів на дорозі має істотний вплив на її подальший стан. Для належного утримання доріг дорожньо-експлуатаційним компаніям необхідно постійно контролювати стан покриття і майже щодня планувати ремонтні роботи та завдання. [3, 4]

Існуючі програмні рішення виявлення дорожніх дефектів [5] в залежності від типу збору даних можна поділити на дві великі категорії: додатки з ручним збором даних [6, 7]; додатки, які збирають дані від користувачів в автоматичному режимі [8].

Широка доступність мобільних пристроїв із вбудованими акселерометрами вирішує основну проблему моніторингу геометричних особливостей дорожнього покриття шляхом аналізу даних, які можуть бути зібрані автоматично, коли людина з мобільним пристроєм перебуває в автомобілі, що рухається. Ці дані, зібрані на сотнях і тисячах автомобілів, можуть бути оброблені методами штучного інтелекту.

Розробка такої інтегрованої системи неможлива без генерації моделей машинного навчання, які потребують кількох кроків. Спочатку необхідно вирішити, як мінімум, три типи завдань.

Перший - це виявлення зношеності доріг відповідно до характеру та інтенсивності вібрації мобільного пристрою під час руху, а також швидкості, з якою автомобілі проїжджають по ділянках дороги. Другий тип завдань -- групування пошкоджених ділянок доріг за даними геолокації для планування ремонту та підвищення ефективності використання ресурсів. При плануванні використання дорожньо-будівельної техніки виникає третій тип задач - проблема ранжування груп виявлених проблемних ділянок з урахуванням важливості дороги.

Дана стаття присвячена вирішенню задачі кластеризації окремих дефектних ділянок в групи для їх одночасного ремонту.

Аналіз останніх досліджень і публікацій

Над проблемами оптимізації використання дорожньо-будівельної техніки працює багато вітчизняних вчених. Серед них можна згадати роботи Балдінського В.Л., Зіня В.С., Кравця С.В., Бузіна Ю.М., Леонтьєва Ю.М., Міротіна Л.Б., Макарчука О.І., Содикова Ж.І., Гусакова А.А. та багато інших. Розвиток методів оптимізації при дорожньому будівництві підтримується також іноземними фахівцями, зокрема, G.Barnes, P.Langworthy, C.R.Bennett, S.S.Jainb, F.Perotta, T.Parry, E.Benbow та іншими. Аналізуючи наявні публікації можна виділити такі напрямки ведення науково-дослідницьких робіт: оптимізація параметрів організації та календарних планів дорожньо-ремонтних робіт, оптимізація міжремонтних строків, оптимізація розміщення виробничих баз, оптимізація парку дорожньо-будівельних машин. Дана стаття більше відноситься до питань оптимізації параметрів організації та планування робіт.

Мета статті - вирішення методами машинного навчання задачі об'єднання в групи або кластеризації окремих дефектних ділянок дорожнього покриття для планування і одночасного групового ремонту дефектів, що повинно позитивно відзначитись на показниках ефективності дорожньо-будівельних робіт.

Виклад основного матеріалу

Перш за все треба визначитись з інструментарієм дослідження. В якості інструментів в даній роботі було використано алгоритмічну мову Python з відповідними бібліотеками штучного інтелекту (Pandas, Numpy, Scikit-Learn) та онлайн-ресурс Google Colab. Це дозволяє проводити дослідження, надаючи користувачам ресурси хмарних обчислень, яких цілком достатньо для виконання не дуже складних завдань.

Однією з головних проблем для задач машинного навчання є наявність високоякісних датасетів. Нажаль у відкритому доступі не було знайдено жодного набору необхідних даних.

Тому авторами був застосований метод отримання синтетичного набору з даних конкурсу платформи Kaggle про поїздки на таксі в Нью-Йорку за шість місяців [9].

Щоб отримати дані про дефектні зони, необхідно зафіксувати прискорення автомобіля в цих ділянках. Звичайно, дані Kaggle (рис.1) не містять такої інформації під час подорожі чи самого маршруту, але містять геодезичні дані про початкову точку та пункт призначення подорожі.

Рис. 1 Вхідні дані

Для дослідницьких цілей достатньо зосередитися лише на початковій точці подорожі. Крім того, легко помітити, що більшість геодезичних даних належить обмеженій території (центру міста та близьким до нього районам). Тому було вирішено виділити саме ці дані (рис. 2).

Рис. 2 Геодані умовного центру міста

Під час руху по асфальтованій дорозі нормальним вважається виникнення вібрації автомобіля до максимального прискорення 0,5 м/с². При прискореннях близько 1 м/с² - можна казати про присутність незначних пошкоджень, близько 2 м/с² - більш серйозних, а якщо прискорення досягає 3 м/с² і більше, можна вважати, що дорога перебуває в передаварійному стані [10].

Тому було зроблено припущення, якщо взяти деякі точки з геопросторових даних і призначити їм рівень випадкових дефектів (від 1 до 3), то можна буде побудувати та перевірити відповідну модель машинного навчання. Таким чином, були взяті 100 випадкових точок із набору даних, і рівномірно призначено їм умовні дефекти від 1 до 3. Після цього дані готові для попередньої візуалізації. Створимо умовне зображення центру міста на основі даних, доступних на початку подорожі, і застосуємо до нього дані про дефекти.

Результат візуалізації можна побачити на рис. 3 (для зручності зображення повернуто на 90 градусів - поміняні місцями довгота і широта). Незначні пошкодження показані жовтим кольором, середні - помаранчевим, а значні - червоним. Тепер, коли попередня обробка даних завершена, ми можемо почати будувати моделі машинного навчання.

Рис. 3 Візуалізація геодезичних даних та умовних дефектів

Задачі кластеризації, як правило, відносяться до задач «без вчителя», тобто без попередньо позначених даних для навчальної вибірки. Користувач не знає наперед, який найкращий спосіб кластеризувати чи згрупувати дані, скільки буде кластерів тощо. Крім того, логічно, щоб дані спочатку були би згруповані за геодезичними ознаками, тобто мінімальною відстанню в кластері. Це позбавляє ремонтну техніку необхідності витрачати багато часу на пересування між пошкодженими ділянками в кластері.

Створимо навчальну вибірку з просторових даних у наборі дефектів і зробимо попередню спробу визначити, яка кількість кластерів у цьому наборі є оптимальною. Для цього можна використовувати метод «інерції». Насправді зі збільшенням кількості кластерів середня та загальна відстані всередині кожного кластера відповідно зменшуються. Якщо при збільшенні кількості кластерів на одиницю відстань значно зменшується, треба продовжувати слідувати цим шляхом. Якщо падіння незначне, можна спробувати

На

відповідній «інерційній» діаграмі це можна побачити, як точку «злому» плавної лінії.

Спробуємо попрацювати з простим алгоритмом K-середніх і навчимо модель, використовуючи різну кількість кластерів. Значення «інерції» заносимо у відповідний список і візуалізуємо результати пошуку в кінці. Це показано на рис. 4.

Рис. 4 Пошук оптимальної кількості кластерів

Інтуїтивно видно, що вибір кількості кластерів від 2 до 4 виглядає непогано - в цих точках на кривіи є «зломи». Однак, на вертикальній осі вони приблизно дорівнюють 0,1-0,2. Це в одиницях геоданих (градуси довготи та широти). Слід пам'ятати, що один градус широти еквівалентний приблизно 110 кілометрам на поверхні Землі. Тобто в нашому випадку мова йде про відстані в межах 10-20 км, що є неприпустимим, особливо в міських умовах. І справді, якщо припустити, що в мегаполісі (навіть у центральних районах) усі пошкодження згруповані в 2-4 кластери, це здається логічно неправильним.

Тому підемо іншим шляхом і спробуємо візуалізувати процес створення кластерів, оцінивши, наприклад, середню відстань між об'єктами в кластері. Це завдання можна вирішити за допомогою ієрархічної дендрограми, в якій процес кластеризації буде представлений у вигляді дерева (рис. 5).

Цей тип подання даних зручний тим, що, встановивши ліміт відстані, можна відразу побачити, скільки кластерів утвориться. Наприклад, значення по вертикальній осі 0,004-0,005 відповідає відстані близько 500 м, що вже цілком прийнятно в міських умовах. Кількість кластерів в цьому випадку складе близько 20 одиниць.

Здійснимо пошук оптимального алгоритму розв'язання задачі. Загалом методів кластеризації багато, ефективність кожного з них залежить від даних, які обробляє алгоритм. Який алгоритм буде найбільш ефективним, наперед сказати неможливо. Для існуючого набору даних було вибрано кілька алгоритмів кластеризації з використанням різних методів [11].

По-перше, це відомий алгоритм K-середніх. Щоб алгоритм працював, необхідно заздалегідь визначити кількість кластерів. На кожній ітерації він обчислює центр «маси» (центроїд) для кожного кластера. Ітераційні кроки повторюються до тих пір, поки центри кластерів не стануть стабільними, внутрішньокластерна дисперсія мінімізується, а міжкластерна дисперсія максимізується.

Рис. 5 Дендрограма середніх відстаней при формуванні кластерів

Другим алгоритмом було обрано Affinity Propagation (поширення схожості). Цей ієрархічний алгоритм приймає як вхідну матрицю асимптоти між об'єктами набору даних та видає мітки кластерів для об'єктів. Алгоритм не потребує попереднього визначення кількості кластерів. Однак якість його результатів може погіршитися зі збільшенням розміру набору даних.

Третій алгоритм -- це спектральна кластеризація або метод, заснований на з'єднанні графів. Це один із потужних сучасних методів кластеризації, який використовується в різних завданнях.

І, нарешті, четвертий алгоритм -- це агломераційна кластеризація, яка будує кластери в ієрархічній формі, поступово додаючи кластери або об'єкти, які не входять до кластера. Його основним недоліком є те, що іноді він може створювати довгі та тонкі кластери.

Критеріями оцінки для кожного алгоритму були обрані відомі метрики:

-ARI (Adjusted Rand Index) - міра відстані між різними частинами;

-AMI (Adjusted Mutual Information) - визначається ентропійною функцією (вимірює подібність інформації кластерів);

-Homogenity - однорідність, ступінь того, наскільки кожен кластер складається з об'єктів одного класу;

-Completeness - повнота або ступінь приналежності об'єктів до одного кластеру;

-V-measure - V-міра або середнє гармонічне між однорідністю та повнотою;

-Silhouette - силует, який вказує, наскільки середня відстань до об'єктів своєї групи відрізняється від середньої відстані до об єктів інших кластерів.

Реалізуємо навчання за кожним алгоритмом та оцінимо результати різними метриками (рис. 6).

Рис. 6 Результати оцінки алгоритмів різними метриками

Для вибору оптимального алгоритму за багатьма показниками скористаємося методами багатокритеріальної оптимізації. По-перше, ми нормалізуємо бали різних показників (ці оцінки мають різну природу та масштаби, і прямо порівнювати їх просто неможливо). Спочатку масштабуємо кожну оцінку. Наприклад, у цій роботі вибрано стандартний метод масштабування, тобто оцінки конкретного показника перетворюються так, щоб мати нормальний розподіл. Потім оцінки нормалізації агрегуються в строках, в результаті чого ми отримуємо значення критерію узагальнення для кожного алгоритму. Відповідний код і результат його роботи показані на рис. 7.

Рис. 7 Багатокритеріальна оцінка алгоритмів

У результаті багатокритеріальної оцінки було встановлено, що алгоритм спектральної кластеризації найкраще підходить для поставленої задачі. У нього максимальна кількість «балів». Не набагато гірше і класичний метод K-means, який також показує дуже хороші результати. Результати кластеризації агломерації ближчі до негативних. А алгоритм розподілу подібності виявився найгіршим для такого роду даних.

Висновки

Таким чином, в рамках даного дослідження було показано, як можна кластеризувати дорожні дефекти для задач подальшої оптимізації використання дорожньо-будівельної техніки, проведено порівняльний багатокритеріальний аналіз розроблених моделей та обрано алгоритм, який найкраще відповідає наявним даним та має найвищий узагальнюючий критерій.

Література:

1. Кашканов А. А. Транспортно-експлуатаційні якості автомобільних доріг та міських вулиць : навчальний посібник / Кашканов А. А., Кашканов В. А., Кужель В. П. Вінниця: ВНТУ, 2018. 113 с.

2. Степура В. С. Основи експлуатації автомобільних доріг і аеродромів: навч. посіб. / В. С. Степура, А. О. Бєлятинський, Н. В. Кужель. К. : НАУ, 2013. 204 с.

3. Дяченко Є.В. Курс лекцій з дисципліни «Організація і планування дорожнього будівництва (спецкурс)» / Є.В. Дяченко, Г.М. Гасій, Р.І. Пахомов, Зима О.Є. Полтава: ПолтНТУ, 2015. 133 с.

4. Шаповал С. В. Будівельна техніка та виробнича база будівництва: конспект лекцій для студентів усіх форм навчання освітньо-кваліфікаційного рівня «бакалавр» спеціальності 192 - Будівництво та цивільна інженерія / С. В. Шаповал, О. М. Болотських. Харків: ХНУМГ ім. О. М. Бекетова, 2020. 140 с.

5. Дороги України. #ІнтернетРесурси. URL: https://lundiak.medium.com/ дороги-україни- інтернетресурси-5365Ь88ЬЙ14.

6. УкрЯма. URL: https://ukryama.com/ .

7. Укравтодор. Ремонт доріг. URL: https://remonty.ukravtodor.gov.ua .

8. UARoads ----стартап з оцінки якості доріг України. URL: https://stfalcon.com/uk/ portfolio/uaroads-com .

9. New York City Taxi Trip Duration. URL: https://www.kaggle.com/c/nyc-taxi-trip- duration/overview .

10. Автомобілі. Електронний підручник. Плавність руху автомобіля. URL: https:// www.shevchenkove.org.ua/person_syte/Fedyorko/Автомобілі/теорія32.html .

11. Введення в машинне навчання. URL: https://habr.com/ru/articles/448892/ .

References:

1. Kashkanov A.A. (2018) Transportno-expluatatsiyni yakosti avtomobilnikh dorig ta miskikh vulits: navchalny posibnyk / Kashkanov A.A., Kashkanov V.A., Kuzhel V.P. [Transport and operational qualities of highways and city streets: study guide] Vinnitsya: VNTU. 113. [in Ukrainian].

2. Stepura V.S. (2013) Osnovi expluatatsiyi avtomobilnikh dorig i aerodromiv: navch. posib. / V.S. Stepura, А.О. Belyatinskiy, N.V. Kuzhel. [Basics of operation of highways and airfields: a study guide] К.: NAU. 204. [in Ukrainian].

3. Dyachenko Ye.V. (2015) Kurs lektsiy z dystsypliny «Organizatsiya і planuvannya dorozhnogo budivnitstva (spetskurs)» / Ye.V. Dyachenko, G.M. GasiyЈ¬КІ. Pahomov, O.Ye Zima. [Course of lectures on the discipline "Organization and planning of road construction (special course)"] Poltava: PoltNTU. 133. [in Ukrainian].

4. Shapoval S.V. (2020) Budivelna tehnika ta vyrobnycha baza budivnytstva: konspekt lektsiy dlya studentiv usih form navchannya osvitno-kvalifikatsiynogo rivnya «bakalavr» spetsialnosti 192 - Budivnitstvo ta tsivilna inzheneriya / S.V. Shapoval, О.М. Bolotskih. [Construction equipment and the production base of construction: a summary of lectures for students of all forms of education of the educational and qualification level "bachelor" specialty 192 - Construction and civil engineering] Kharkiv : KhNUMG. 140. [in Ukrainian].

5. Dorohy Ukrayiny. #InternetResursy. [Roads of Ukraine. #Internet resources] Retrieved from: https://lundiak.medium.com/ a©–pom-yKpai_.HH-iHrepHeipecypcH-5365b88bf314 [in Ukrainian].

6. UkrYama. Retrieved from: https://ukryama.com/ [in Ukrainian].

7. Ukravtodor. Remont dorih. [Ukravtodor. Repair of roads]. Retrieved from: https://remonty.ukravtodor.gov.ua [in Ukrainian].

8. UARoads - startap z otsinky yakosti dorih v Ukrayini. [UARoads is a start-up for assessing the quality of roads in Ukraine] Retrieved from: https://stfalcon.com/uk/portfolio/ uaroads-com [in Ukrainian].

9. New York City Taxi Trip Duration. Retrieved from: https://www.kaggle.com/c/nyc-taxi- trip-duration/overview [in English].

10. Avtomobili. Elektronniy pidruchnyk. Plavnist rukhu avtomobilya. [Cars. Electronic textbook. Smoothness of car movement] Retrieved from: https://www.shevchenkove.org.ua/ person--syte/Fedyorko/ABT©–M©–6iji/Teopk32.html [in Ukrainian].

11. Vvedennya v mashinne navchannya. [Introduction to Machine Learning] Retrieved from: https://habr.com/ru/articles/448892/ [in Ukrainian].

Размещено на Allbest.ru