Details

Работа посвящена анализу и прогнозированию дорожно-транспортных происшествий (ДТП) в Санкт-Петербурге. В ходе исследования решались следующие задачи: 1. Систематизация факторов ДТП и обзор современных методов моделирования. 2. Сбор и предобработка записей о ДТП за 2015–2026 гг., формирование выборок для прогнозирования (час, день, неделя, месяц) и классификации тяжести. 3. Построение и сравнение прогнозных моделей SARIMA, Prophet и LSTM на четырех временных масштабах. 4. Классификация тяжести последствий с использованием Ordered Probit, случайного леса и XGBoost, а также методов балансировки SMOTE и CTGAN. 5. Интерпретация факторов, определяющих тяжесть ДТП, с помощью SHAP-анализа. 6. Проверка восьми исследовательских гипотез и формулировка практических рекомендаций. Основные результаты. С укрупнением временного интервала ошибка прогноза закономерно снижается (MAPE от 27% на часовых до 8,7% на месячных данных). Модели Prophet и SARIMAX с отбором экзогенных переменных превзошли LSTM по точности. В задаче классификации тяжести Ordered Probit не смог выявить смертельные исходы; наилучший баланс полноты достигнут комбинацией XGBoost с CTGAN (Recall смертельных ДТП 0,400), а наилучшая сбалансированная точность XGBoost с весовой компенсацией (Macro F1 0,495). Ключевыми факторами смертельного исхода являются нарушения скоростного режима, водители-мужчины, ночное время, другие нарушения и отдельные виды ДТП (съезд с дороги, наезд на препятствие). Разработаны рекомендации по выбору модельного инструментария для мониторинга и профилактики ДТП. Практическая значимость: полученные результаты могут быть использованы для выбора прогнозных инструментов при планировании ресурсов служб экстренного реагирования, для определения наиболее опасных факторов, на которых следует сосредоточить профилактические меры, а также как методическая основа для аналогичных исследований в других городах.

The work is devoted to the analysis and forecasting of road traffic accidents (RTAs) in St. Petersburg. The following tasks were accomplished: 1. Systematization of accident factors and review of modern modeling methods. 2. Collection and preprocessing of 58,690 accident records for 2015–2026, construction of datasets for forecasting (hour, day, week, month) and severity classification. 3. Comparison of SARIMA, Prophet, and LSTM forecasting models at four temporal scales. 4. Severity classification using Ordered Probit, Random Forest, XGBoost with SMOTE and CTGAN class balancing. 5.  Interpretation of factors determining RTA severity using SHAP analysis. 6. Testing of eight research hypotheses and formulation of practical recommendations. Main results. As the time interval lengthens, forecast error systematically decreases (MAPE from 27% for hourly to 8.7% for monthly data). Prophet and SARIMAX with selected exogenous variables outperformed LSTM in accuracy. In severity classification, Ordered Probit failed to detect fatal accidents; the best recall was achieved by XGBoost with CTGAN (Recall of fatalities 0.400), while the best balanced accuracy was provided by XGBoost with class weights (Macro F1 0.495). The key fatality factors are speed violations, nighttime, and certain accident types (run-off-road, hitting an obstacle). Recommendations on the choice of modeling tools for monitoring and prevention of RTAs are given. Practical significance: the results can be used for selecting forecasting tools when planning emergency response resources, for identifying the most dangerous factors to focus preventive measures on, and as a methodological basis for similar studies in other cities.