Разработка алгоритмов подсчета пассажиропотока в общественном транспорте
- Backend
- DevOps
- Pytorch
- Torchvsion
- Ultralytics
- OpenCV
- OpenVINO
- Retrieval Augmented Generation
- Gitlab
- Gitlab CI/CD
- Numpy
Индустрия
Логистика и транспорт
У вас есть задача?
Давайте обсудим?
О клиенте
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. За 10 лет клиент реализовал 450+ проектов.
О проекте
Программный комплекс для анализа пассажиропотока, который 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
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.
- Улучшили работу нейросетевых моделей — это значительно сократило время обработки данных и обеспечило масштабируемость архитектуры.
- Внедрили обученные модели в промышленную среду.
- 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.
- Усовершенствовали процесс сбора и валидации разметки данных, что обеспечило высокую точность и качество исходных параметров для последующего машинного обучения.
- Подготовили полную документацию, чтобы инхаус-команда быстро освоила и использовала новые технологии.
Результат
