Details

Данная работа посвящена анализу и моделированию факторов, влияющих на тяжесть и частоту дорожно-транспортных происшествий (ДТП) в Санкт-Петербурге. В ходе выполнения работы решались следующие задачи: 1. Проведен анализ существующих исследований и теоретических основ безопасности дорожного движения, включая нормативно-правовую базу и социально-экономические аспекты. 2. Собраны и обработаны данные о ДТП в Санкт-Петербурге за период 2015–2024 годов, проведен описательный статистический анализ. 3. Построены модели машинного обучения (логистическая регрессия, случайный лес) для прогнозирования тяжести ДТП и выявления ключевых факторов. 4. Применение методов машинного обучения для анализа частоты попадания детей в ДТП. 5. Проведен пространственный анализ ДТП с использованием методов LISA, SAR и SDM для выявления "горячих точек" и влияния инфраструктурных факторов. 6. Разработаны рекомендации по повышению безопасности дорожного движения на основе результатов моделирования. Результатом работы является комплексный анализ факторов, влияющих на тяжесть и частоту ДТП с участием детей, включая природные, инфраструктурные и социально-экономические аспекты. Модели машинного обучения показали, что отсутствие освещения, погодные условия, нарушения ПДД и участие мототранспорта значимо увеличивают вероятность тяжелых последствий ДТП. Пространственный анализ выявил зоны повышенной аварийности, связанные с плотностью транспортной инфраструктуры и типом транспортного объекта (съезд и выезд с моста, перекрестки и др.). Сбор и обработка данных производились с использованием Python и библиотек pandas, matplotlib, seaborn. Моделирование выполнялось в среде RStudio и QGIS с применением методов машинного обучения (sklearn, XGBoost) и пространственного анализа (spatialreg, SHAP).

This work is devoted to the analysis and modeling of factors influencing the severity and frequency of road traffic accidents (RTA) in St. Petersburg. The following tasks were accomplished during the study: 1. The analysis of existing research and theoretical foundations of road safety, including the regulatory framework and socio-economic aspects, has been carried out. 2. Data on road accidents in St. Petersburg for the period 2015-2024 were collected and processed, and a descriptive statistical analysis was carried out. 3. Machine learning models (logistic regression, random forest) have been built to predict the severity of an accident and identify key factors. 4. The use of machine learning methods to analyze the frequency of children in accidents. 5. A spatial analysis of accidents was carried out using LISA, SAR and SDM methods to identify "hot spots" and the influence of infrastructural factors. 6. Recommendations have been developed to improve road safety based on simulation results. The result of the work is a comprehensive analysis of the factors influencing the severity and frequency of accidents involving children, including natural, infrastructural, and socio-economic aspects. Machine learning models showed that lack of lighting, precipitation, traffic violations, and motorcycle involvement significantly increase the likelihood of severe RTA outcomes. Spatial analysis revealed high-risk areas related to the density of the transport infrastructure and the type of transport facility (exit and exit from the bridge, intersections, etc.). Data collection and processing were performed using Python and libraries such as pandas, matplotlib, and seaborn. Modeling was conducted in RStudio and QGIS using machine learning methods (sklearn, XGBoost) and spatial analysis tools (spatialreg, SHAP).