Какие проблемы решает Smart Traffic System?
Проблемы города
- Отсутствие механизмов для точного сбора статистики о загруженности транспортного потока в городе
- Невозможность обеспечения бесперебойного движения наземного городского пассажирского транспорта, как следствие – пробки и ДТП
- Невозможность оперативного информирования участников дорожного движения о текущей дорожной ситуации (пробки, аварии)
- Отсутствие адаптивного управления светофорами
Проблемы интегратора
- Отсутствие гибких решений, которые могли бы интегрироваться с различными системами и инфраструктурами (умные опоры, светофоры, системы освещения)
- Невозможность доработки функционала существующих систем при масштабировании
- Потеря доли рынка на конкретной территории при выходе конкурента на рынок ИТС
- Высокие аппаратные требования существующих систем
Функционал системы
- Подсчет количества транспортных средств, проехавших через перекресток
- Определение направления движения автомобилей
- Определение 7 типов транспортных средств
- Распознавание спецтранспорта (скорая, пожарная машина, полиция и т.д.)
- Распознавание пешеходов и определение направления их движения
- Определение скорости транспортных средств
- Передача данных во внешние системы с подсчитанным трафиком для дальнейшей обработки
- Удобная разметка перекрестков в административной панели Smart Traffic System
- Формирование отчетов в соответствии с методическими рекомендациями к приказу Минтранса №114
Области применения
- Статистические данные для подачи заявки на финансирование в рамках сово национального проектов
- Автоматическая перенастройка светофоров в зависимости от трафика
- Обоснование реконструкции дорожной сети (связанные с износом или расширением дорог)
- Распределение пассажирских корреспонденций по участкам дорожной сети
- Принятие эффективных бизнес-решений на основе аналитики
- Управление внутренним логистическими потоком предприятия (детекция, координация движения)
Задействованные нейросети
- YOLO для обнаружения и классификаций объектов
- DeepSort для трекинга и анализа траекторий
- OpenPose для анализа поз и движений
- FaceNet для распознавания лиц
- LSTM для прогнозирования клиентских потоков
- CNN – основы компьютерного зрения
- TensorFlow/PyTorch – платформа для разработки моделей
Полученные результаты
- Снижение времени ожидания на 25%
- Рост клиентской удовлетворённости на 30%
- Увеличение потока клиентов на 20%
- Оптимизация использования ресурсов снижение затрат на 15%
- Улучшение точности анализа потоков до 95%
- Идентификация повторных посетителей увеличение до 90%
У вас есть запрос на разработку?
Свяжитесь с нами по почте request@codeinside.ru и мы поможем вам реализовать проект.