В работе рассматривается проблема определения уровня загруженности городского пассажирского транспорта и предлагается метод автоматической оценки пассажиропотока в режиме реального времени, основанный на применении технологий искусственного интеллекта. Предметом исследования является методология оценки загруженности общественного транспорта на основе оперативного анализа видеоданных из салона автобуса. Целью исследования является разработка системы, которая при помощи технологий машинного обучения определяет загруженность единиц общественного транспорта, оснащенных видеокамерами в салоне. Методология проведения исследований включала разработку и последующее обучение нейронной сети. Разработана полносвязная многослойная нейронная сеть для классификации изображений, обучение которой производилось на основе тренировочных выборок видеоданных, полученных из салонов автобусов, с экспертными оценками загруженности по пятибалльной шкале. В качестве функции потерь использовалась кросс-энтропия, а для оптимизации процесса машинного обучения применялся алгоритм Adam. Обучение сети проводилось с перемешиванием тренировочной выборки и отсевом нейронов на каждой итерации. Средняя вероятность верной классификации изображений на тестовой выборке составила 88 %. Модель продемонстрировала высокую точность классификации, быстродействие и невысокие требования к аппаратным средствам. Разработанная система может быть использована для информирования ожидающих транспорт пассажиров, повышения качества организации движения городского транспорта и анализа эффективности пассажирских перевозок. Статья будет полезна специалистам в сфере городского транспорта, разработчикам систем управления транспортной инфраструктурой, исследователям в области машинного обучения и искусственного интеллекта.
This paper considers the problem of determining the level of occupancy in urban passenger transport and proposes a method for automatic assessment of passenger flow in real time, based on the application of artificial intelligence technologies. The subject of the study is a methodology for assessing public transport occupancy based on the operational analysis of video data from inside the bus. The aim of the work is to develop a system that uses machine learning technologies to determine the occupancy of public transport units equipped with video cameras in the cabin. The research methodology included the development and subsequent training of a neural network. A fully connected multilayer neural network for image classification was developed, which was trained on the basis of training samples of video data obtained from inside the buses, with expert assessments of congestion on a five-point scale. Cross-entropy was used as the loss function, and the Adam algorithm was applied to optimize the machine learning process. Network training was carried out by shuffling the training sample and dropout of neurons at each iteration. The average probability of correct classification of images on the test samples was 88 %. The model demonstrated high classification accuracy, fast performance, and low hardware requirements. The developed system can be used to inform passengers waiting for transport, improve the organization of urban transport, and analyze the efficiency of passenger transportation. This article will be useful for urban transportation specialists, developers of transport infrastructure management systems, and researchers in the fields of machine learning and artificial intelligence.
1. Манаков А.Л., Коларж С.А., Саломатов Е.М. Алгоритм корректировки количества и класса пассажирских транспортных средств на основе данных пассажиропотока // Вестник Сибирского государственного университета путей сообщения. 2024. № 1 (68). С. 13–21. URL: https://cyberleninka.ru/article/n/algoritm-korrektirovki-kolichestva-i-klassa-passazhirskih-transportnyh-sredstv-na-osnove-dannyh-passazhiropotoka (дата обращения: 27.11.2025). DOI: 10.52170/1815-9265_2024_68_13.
2. Silva P., Campos J., Matos J., Salgado J., Salazar C., Costa H., Portela F., Carneiro D. Public Transportation Occupancy Rate // Sustainable, Innovative and Intelligent Societies and Cities. 2023. Р. 389–412. URL: https://link.springer.com/chapter/10.1007/978-3-031-30514-6_16 (дата обращения: 27.11.2025). DOI: 10.1007/978-3-031-30514-6_16.
3. Kuchár P. et al. Passenger occupancy estimation in vehicles: A review of current methods and research challenges // Sustainability. 2023. Т. 15. № 2. Р. 1332. URL: https://www.mdpi.com/2071-1050/15/2/1332 (дата обращения: 27.11.2025).
4. Grgurević I., Juršić K., Rajič V. Overview of Wi-Fi-based automatic passenger counting solutions in public urban transport // Sustainable Management of Manufacturing Systems in Industry 4.0. Cham: Springer International Publishing, 2022. Р. 181–196. URL: https://link.springer.com/chapter/10.1007/978-3-030-90462-3_12 (дата обращения: 27.11.2025). DOI: 10.1007/978-3-030-90462-3_12.
5. Xue Q. et al. Passenger flow forecasting approaches for urban rail transit: A survey // International Journal of General Systems. 2023. Т. 52. № 8. Р. 919–947. URL: https://www.tandfonline.com/doi/abs/10.1080/03081079.2023.2231133 (дата обращения: 27.11.2025).
6. Saake S., Sommer C. Design of a Forecasting Method for Occupancy Rates in Local Public Transport Based on Data from Automatic Passenger Counting Systems // Interdisciplinary Conference on Production, Logistics and Traffic. Cham: Springer International Publishing. 2023. Р. 13–28. URL: https://link.springer.com/chapter/10.1007/978-3-031-28236-2_2 (дата обращения: 27.11.2025).
7. Wood J., Yu Z., Gayah V.V. Development and evaluation of frameworks for real-time bus passenger occupancy prediction // International Journal of Transportation Science and Technology. 2023. Т. 12. № 2. Р. 399–413. URL: https://www.sciencedirect.com/science/article/pii/ S2046043022000296 (дата обращения: 27.11.2025).
8. Li P., Wu W., Pei X. A separate modelling approach for short-term bus passenger flow prediction based on behavioural patterns: A hybrid decision tree method // Physica A: Statistical Mechanics and its Applications. 2023. Т. 616. Р. 128567. URL: https://www.sciencedirect.com/ science/article/pii/S037843712300122X (дата обращения: 27.11.2025).
9. Menezes de Á.L.L., Almeida de R.C., Almonfrey D., Nunes R.B. Using Artificial Intelligence for Obtaining Vehicle Occupancy Using Security Cameras // 14th IEEE International Conference on Industry Applications (INDUSCON), São Paulo, Brazil. 2021. Р. 635–639. URL: https://ieeexplore.ieee.org/abstract/document/9529418/ (дата обращения: 27.11.2025).
10. Сеславина Е.А., Гришина А.А. Применение машинного обучения в транспортной отрасли // Цифровая трансформация в экономике транспортного комплекса. М.: ИНФРА-М, 2025. С. 232–236. URL: https://elibrary.ru/item.asp?id=80617070 (дата обращения: 27.11.2025). DOI: 10.12737/conferencearticle_678931092d40c3.39138565.
11. Zhang J. et al. A real-time passenger flow estimation and prediction method for urban bus transit systems // IEEE Transactions on Intelligent Transportation Systems. 2017. Т. 18. № 11. Р. 3168–3178. URL: https://ieeexplore.ieee.org/abstract/document/7898469/ (дата обращения: 27.11.2025).
12. Park Y. et al. Machine learning approach for study on subway passenger flow // Scientific Reports. 2022. Т. 12. № 1. Р. 2754. URL: https://www.nature.com/articles/s41598-022-06767-7 (дата обращения: 27.11.2025).
13. Lv W. et al. A bus passenger flow prediction model fused with point-of-interest data based on extreme gradient boosting // Applied Sciences. 2022. Т. 12. № 3. Р. 940. URL: https://www.mdpi.com/2076-3417/12/3/940 (дата обращения: 27.11.2025).
14. Zou L. et al. Passenger flow prediction using smart card data from connected bus system based on interpretable XGBoost // Wireless Communications and Mobile Computing. 2022. Т. 2022. № 1. Р. 5872225. URL: https://onlinelibrary.wiley.com/doi/abs/10.1155/2022/5872225 (дата обращения: 27.11.2025).
15. Nagaraj N. et al. Passenger flow prediction in bus transportation system using deep learning // Multimedia tools and applications. 2022. Т. 81. № 9. Р. 12519–12542. URL: 12519–12542//link.springer.com/article/10.1007/s11042-022-12306-3 (дата обращения: 27.11.2025).
16. Liu G. et al. Passenger flow estimation based on convolutional neural network in public transportation system // Knowledge-Based Systems. 2017. Т. 123. Р. 102–115. URL: https:// www.sciencedirect.com/science/article/pii/S0950705117300849 (дата обращения: 27.11.2025).
17. Lv S. et al. An origin–destination passenger flow prediction system based on convolutional neural network and passenger source-based attention mechanism // Expert Systems with Applications. 2024. Т. 238. Р. 121989. URL: https://www.sciencedirect.com/science/article/pii/ S0957417423024910 (дата обращения: 27.11.2025).
18. Balasubramani K., Natarajan U.M. Improving bus passenger flow prediction using Bi-LSTM fusion model and SMO algorithm // Babylonian Journal of Artificial Intelligence. 2024. Т. 2024. Р. 73–82. URL: https://journals.mesopotamian.press/index.php/BJAI/article/view/450 (дата обращения: 27.11.2025).
19. Chen T. et al. Prediction of public bus passenger flow using spatial–temporal hybrid model of deep learning // Journal of Transportation Engineering, Part A: Systems. 2022. Т. 148. № 4. Р. 04022007. URL: https://ascelibrary.org/doi/abs/10.1061/JTEPBS.0000653 (дата обращения: 27.11.2025).
20. Москвичев О., Леонова С., Васильев Д. Использование нейронной сети для учета и анализа показателей работы транспортного предприятия // Мир транспорта. 2023. Т. 21. № 2 (105). С. 39–46. URL: https://mirtr.elpub.ru/jour/issue/download/75/59#page=41 (дата обращения: 27.11.2025).
21. Zhao J. et al. Detection of passenger flow on and off buses based on video images and YOLO algorithm // Multimedia Tools and Applications. 2022. Т. 81. № 4. Р. 4669–4692. URL: https://link.springer.com/article/10.1007/s11042-021-10747-w (дата обращения: 27.11.2025).
22. Холл П., Кертис Дж., Пандей П. Машинное обучение для приложений высокого риска: подходы к ответственному искусственному интеллекту. СПб.: БХВ-Петербург, 2025. 320 с. ISBN 978-601-08-4982-2.