Методы анализа телематических данных для систем поддержки принятия решений оптимального беспилотного управления автомобилями

Цель исследования – анализ современных решений, ориентированных на поддержку принятия решений по оптимальному управлению автомобилем в рамках концепции Connected Car, а также систематизация основных методов применение телематических данных и архитектуры подобных систем. 
Методы. Исследование основано на анализе отечественных и зарубежных публикаций, патентов и практических реализаций в сфере Connected Car, а также на примерах внедрения телематических платформ в автомобильную промышленность. Рассмотрены классические статистические методы, алгоритмы машинного обучения и инструменты потоковой обработки больших данных. Особое внимание уделено масштабируемости, стандартизации и качеству телематической информации. 
Результаты. Установлено, что большинство современных систем опираются на базовые методы статистики и машинного обучения (классификация, кластеризация, регрессионные модели) для анализа больших массивов данных о движении автомобиля. Однако единые подходы к интеграции этих методов в комплексную архитектуру систем поддержки принятия решений пока не сформировались. Наибольшую эффективность демонстрируют гибридные подходы, совмещающие методы статистики, ML-алгоритмы и Big Data-технологии. Их широкому внедрению препятствуют отсутствие единых стандартов обмена телематическими данными, трудности надёжного хранения данных и необходимость фильтрации шума и пропусков. На основании обзора определены преимущества и недостатки различных методов, а также сформулированы требования к архитектуре СППР для Connected Car. 
Заключение. Проведённый обзор подтверждает высокую востребованность гибких, масштабируемых решений, способных обрабатывать телематические данные в режиме реального времени и учитывать индивидуальные особенности вождения. Дальнейшее развитие подобных систем тесно связано с унификацией форматов телематической информации, повышением уровня безопасности (как в части защиты данных, так и в сфере дорожного движения), а также расширением спектра анализируемых источников (дорожная инфраструктура, погодные условия, экосистемы умных городов и др.) для повышения точности рекомендаций и оптимизации управления автомобилем.

1. Телематика на транспорте / Ш. К. Хакимов, Р. Г. Саматов, С. С. Ражапова, Д. А. Абдураззакова // Экономика и социум. 2022. № 10(101), ч. 1. С. 671–677.

2. Дороненкова А. А., Широков И. Б. Основы построения и перспективы развития технологии Connected Car // Современные проблемы радиоэлектроники и телекоммуникаций: сборник научных трудов / под ред. И. Л. Афонина. М.: РНТОРЭС им. А. С. Попова, 2022. № 5. С. 200.

3. Guillen M., Nielsen J. P., Ayuso M. The use of telematics devices to improve automobile insurance rates // Risk Analysis. 2019. N 39. P. 662–672 https://doi.org/10.1111/risa.13172

4. Кушелев И. Ю. Внедрение инновационных информационных технологий на страховом рынке в России: телематика в автостраховании // Путеводитель предпринимателя. 2023. Т. 16, № 2. С. 110–119. https://doi.org/10.24182/2073-9885-2023-16-2-110-119

5. A Distributed Rough Set Theory Algorithm based on Locality Sensitive Hashing for an Efficient Big Data Pre-processing / Zaineb Chelly Dagdia, Christine Zarges, Gaël Beck, Hanene Azzag, Mustapha Lebbah // IEEE International Conference on Big Data (Big Data). Seattle, WA: IEEE, 2018. P. 4266–4273. https://doi: 10.1109/BigData.2018.8622024

6. Unlocking the value from car data: a taxonomy and archetypes of connected car business models / F. Sterk, A. Stocker, D. Heinz, Ch. Weinhardt // Electronic Markets. 2024. Vol. 34. P. 1. https://doi.org/10.1007/s12525-024-00692-5

7. Рынок Connected Cars: Текущее состояние и основные перспективы развития / А. А. Розов, А. А. Степанова, М. В. Комарова, Е. В. Солодкова // Вестник Алтайской академии экономики и права. 2021. № 6, ч. 1. С. 90–95. https://doi.org/10.17513/vaael.1733

8. Постолит А. В. Перспективы применения искусственного интеллекта и компьютерного зрения в транспортных системах и подключенных автомобилях // Мир транспорта. Российский университет транспорта (МИИТ). 2021. Т. 19, № 1(92). С. 74–90.

9. Лашков И. Б. Подход к распознаванию стиля вождения водителя транспортного средства на основе использования сенсоров смартфона // Информационно-управляющие системы. 2018. № 5. C. 2–12. https://doi.org/10.31799/1684-8853-2018-5-2-12

10. Mandala V., Surabhi S. N. R. D. Integration of AI-driven predictive analytics into connected car platforms // International Advanced Research Journal in Science, Engineering and Technology. 2024. Vol. 7, is. 12. P. 84–93. https://doi.org/10.17148/iarjset.2020.71216

11. Qian Li, Pan Chen, Rui Wang. Edge Computing for Intelligent Transportation System: A Review // Cyberspace Data and Intelligence, and Cyber-Living, Syndrome, and Health: International 2019 Cyberspace Congress, CyberDI and CyberLife, Beijing, China. Singapore: Springer, 2019, Pt. 2. P. 130–137. http://doi.org/10.1007/978-981-15-1925-3_10

12. Parmar Y., Natarajan S., Sobha G. DeepRange: Deep-learning based object detection and ranging in autonomous driving // IET Intelligent Transport Systems. 2019. Vol. 13, N 8. P. 1256–1264.

13. Подключенные автомобили в интеллектуальных транспортных системах умных городов / С. А. Ляпин, Д. В. Капский, Ю. Н. Ризаева, Д. А. Кадасев // Инфокоммуникационные и интеллектуальные технологии на транспорте: сборник статей Международной научно-практической конференции. Липецк: Липецкий государственный технический университет, 2022. С. 7–14.

14. Окольнишникова И. Ю., Келлер А. В., Конкс В. Я. Маркетинговый анализ мирового рынка телематических транспортных и информационных систем управления // Вестник университета. 2022. № 12. С. 46–54.

15. Пермовский А. А., Ускова А. А. Оценка эффективности внедрения технологии Connected Car // International Journal of Advanced Studies. 2021. Т. 11, № 3. C. 68–75. https://doi.org/10.12731/2227-930X-2021-11-3-68-75

16. Пермовский А. А., Ускова А. А. Оценка эффективности внедрения технологии Connected car // International Journal of Advanced Studies. 2021. Т. 11, № 3. С. 68–75. https://doi.org/10.12731/2227-930X-2021-11-3-68-75

17. Постолит А. В. Перспективные сервисы для подключенных автомобилей на базе нейросетевых технологий и систем компьютерного зрения // Новости навигации. 2021. № 1. С. 28–34.

18. Sanjay P. Pande, Sarika Khandelwal. An Improved Deep Network and Handcrafted Feature-Based Scene Classification Convolutional Model for Self-Driving Cars // Communications on Applied Nonlinear Analysis. 2024. Vol. 31, N 2s. P. 593–605.

19. Hassan M., Hussain A., Anwar S. Challenges and Solutions in Integrating AI-Driven Predictive Analytics into Connected Car Platforms // IEEE International Conference on Artificial Intelligence and Big Data (ICAIBD). Chengdu, China: IEEE, 2018. P. 153–157. https://doi.org/10.1109/ICAIBD.2018.8372276

20. Громов Н. Д., Сапрыкин Д. А. Применение технологий интернета вещей в беспилотных автомобилях и дальнейшие пути развития // Моя профессиональная карьера. 2021. Т. 1, № 24. С. 109–115.