Как разработать алгоритмы подсчета пассажиропотока

О проекте

Компания оказывает экспертное содействие развитию транспортной и социальной инфраструктуры, а именно: создает дорожные карты и коммуникационные планы, проводит исследования потребительских предпочтений, оценивает необходимые финансовые ресурсы для достижения бизнес-целей, а также разрабатывает программное обеспечение с применением ИИ.

Программный комплекс для анализа пассажиропотока оценивает посещаемость общественного транспорта в течение дня и помогает оптимизировать графики маршрутов. Алгоритмы позволяют повысить рентабельность перевозок и изменить расписание для удовлетворения существующих потребностей населения в перевозках. В рамках совершенствования математической модели бизнесу требовались эксперты в ML-инженерии.

Описание задачи

Команде RedLab предстояло модернизировать ИТ-решение, которое смогло бы гарантировать высокую производительность, быстро выявлять спрос на маршруты, а также сделать транспортную систему более удобной для пассажиров.

Клиент сформулировал основные задачи:

• Определить паттерны использования автобусов: изменение пассажиропотока за счет переключения между видами транспорта и индуцированного спроса, связанного с перестройкой инфраструктуры.
• Разработать алгоритмы, которые будут учитывать зависимости от времени суток, погодных условий, праздников и других факторов.
• Улучшить анализ больших объемов данных, чтобы получать более точную информацию об изменениях в расписании и задержках машин.

Реализация

Технологический стек:

• Pytorch
• Torchvsion
• Ultralytics
• OpenCV
• OpenVINO
• Retrieval Augmented Generation
• Gitlab
• Gitlab CI/CD
• Numpy

В процессе оптимизации программы ИТ-специалисты выполнили следующие шаги:

• Использовали архитектуру YOLO для высокой скорости обработки параметров и мгновенного реагирования на события.
• Создали модели для детектирования пользователей, классификации состояния дверей автобусов и трекинга пассажиров по салону. Эти решения улучшили безопасность и контроль на транспорте.
• Усовершенствовали процесс сбора и валидации разметки данных, что обеспечило высокую точность и качество исходных параметров для последующего машинного обучения.
• Провели подготовку и разбиение данных на обучающие и тестовые выборки. Удалось получить более достоверные результаты работы ML-моделей.
• Сделали валидацию обученных моделей, которая смогла минимизировать количество ложных срабатываний.
• Улучшили работу нейросетевых моделей — это значительно сократило время обработки данных и обеспечило масштабируемость архитектуры. Внедрили обученные модели в промышленную среду.
• Подготовили полную документацию, чтобы инхаус-команда быстро освоила и использовала новые технологии.