Для решения задачи обеспечения комфорта передвижения в городской среде и на основе этого подхода валидации проектов застройщиков наша команда использовала следующие инновационные и прорывные подходы:
- На первом этапе анализ данных ПОДД И КСОДД, далее конвертируемые в Shapefile и далее в граф (изучение длины, пропускной способности, степени прямолинейности и методологию определения «социальной гравитации»).
- На втором этапе проводим обучение ИИ - загружаем данные пешеходов, экспертные параметры и параметры существующих регламентов и НПА; запускаем генерацию транспортных сценариев.
- На заключительном этапе в визуальном интерфейсе отображаем полученное решение по нашей уникальной методологии – при загрузке данных об очередной застройке на карту алгоритм рассчитывает оптимальные пешеходные маршруты с учетом основных объектов «притяжения» - социальных объектов и автобусных остановок.
использован стек GeoPandas, Kepler, tensorflow / sklearn, FastApi, Open Source Routing Machine
Наша уникальная методология включает в себя сбор данных о пешеходах и модель «социальной гравитации», что позволит нам создать датасет для обучения нейросети. Мы сможем выявить, при каких условиях пешеходы готовы сокращать путь, игнорируя чистоту обуви и выбирая "народные тропы".