Первичная оценка потенциально конфликтных взаимодействий транспортных средств на основе параметров прогнозного сближения

В статье рассматривается задача первичного выявления потенциально конфликтных взаимодействий транспортных средств на основе траекторных данных видеомониторинга. Обоснована необходимость перехода от анализа только зарегистрированных дорожно-транспортных происшествий к анализу параметров фактического взаимодействия участников движения. Предложен подход, основанный на сопоставлении минимального прогнозного расстояния между транспортными средствами с критическим расстоянием и безопасной дистанцией. Рассмотрены основные этапы формирования входных данных, расчета прогнозного сближения и классификации уровня потенциальной конфликтности.

1. Hauer E. Traffic conflicts and exposure // Accident Analysis & Prevention. — 1982. — Vol. 14, No. 5. — P. 359–364. — URL: https://doi.org/10.1016/0001–4575(82)90014–8.

2. Perkins S. R., Harris J. L. Traffic conflict characteristics — accident potential at intersections // Highway Research Record. — 1968. — No. 225. — P. 35–43. — URL: https://onlinepubs.trb.org/Onlinepubs/hrr/1968/225/225–004.pdf.

3. Asmussen E. Joint International Study for the Calibration of Traffic Conflicts Techniques // International Calibration Study of Traffic Conflict Techniques / ed. by E. Asmussen. — Berlin; Heidelberg: Springer, 1984. — NATO ASI Series. — Vol. 5. — URL: https://doi.org/10.1007/978–3–642–82109–7_1.

4. Laureshyn A., Varhelyi A. The Swedish Traffic Conflict Technique: Observer’s Manual. — Lund: Lund University, Faculty of Engineering, Department of Technology and Society, Traffic and Roads, 2018. — URL: https://lucris.lub.lu.se/ws/files/51195704/TCT_Manual_2018.pdf.

5. Svensson Å . Further development and validation of the Swedish Traffic Conflict Technique. — Lund: Lund University, Institute of Technology, Department of Traffic Planning and Engineering, 1992.

6. Mishra A., Chen K., Poddar S., Posadas E., Rangarajan A., Ranka S. Using Video Analytics to Improve Traffic Intersection Safety and Performance // Vehicles. — 2022. — Vol. 4, No. 4. — P. 1288–1313. — URL: https://doi.org/10.3390/vehicles4040068.

7. Liu J., Zhao H., Zheng G., Chen Z., Li X. LLTrack: Parallel Association Framework for 2-D Multi-Object Tracking // IEEE Access. — 2026. — Vol. 14. — P. 75849–75864. — DOI: 10.1109/ ACCESS.2026.3692961. — URL: https://ieeexplore.ieee.org/document/11516625.

8. Roy S., Abdelhadi A., Gaweesh S. M. Video- Based Surrogate Safety Analysis for Conflict Detection at Intersections Using CCTV Footage and Extreme Value Theory. — 2025. — URL: https://doi.org/10.21203/rs.3.rs‑7894809/v1.

9. Li S., Yoon H. — S. Vehicle Localization in 3D World Coordinates Using Single Camera at Traffic Intersection // Sensors. — 2023. — Vol. 23, No. 7. — Article 3661. — URL: https://doi.org/10.3390/s23073661.

10. Kalita D., Lyakhov P. Moving Object Detection Based on a Combination of Kalman Filter and Median Filtering // Big Data and Cognitive Computing. — 2022. — Vol. 6, No. 4. — P. 142. — DOI: 10.3390/bdcc6040142. — EDN QZOXJI.

11. Жанказиев С. В., Дронсейко В. В., Донец Н. А. Категоризация участков скоростных автомобильных дорог для моделирования конфликтности // Автомобиль. Дорога. Инфраструктура. — 2025. — № 2(44). — EDN PDKOZC.

12. Предикативный подход к анализу конфликтности в транспортном потоке / В. В. Дронсейко, А. М. Меркович, А. В. Замыцких, О. И. Максимычев // Мир транспорта и технологических машин. — 2023. — № 3–1(82). — С. 86–92. — DOI: 10.33979/2073–7432–2023–3–1(82)-86–92. — EDN VUPKVF.