TY - JOUR AU - Мочурад , Леся AU - Ільків , Андрій AU - Кравченко, Олександр PY - 2023/03/30 Y2 - 2024/03/29 TI - НОВА ІНФОРМАЦІЙНА СИСТЕМА ДЛЯ КЛАСИФІКАЦІЇ СТАНУ ДОРОЖНЬОГО ПОКРИТНЯ ЗА ДОПОМОГОЮ МЕТОДІВ МАШИННОГО НАВЧАННЯ ТА ПАРАЛЕЛЬНИХ ОБЧИСЛЕНЬ JF - Computer systems and information technologies JA - CSIT VL - IS - 1 SE - Статті DO - 10.31891/csit-2023-1-7 UR - https://csitjournal.khmnu.edu.ua/index.php/csit/article/view/215 SP - 53-61 AB - <p class="06AnnotationVKNUES"><em>Аналіз стану дорожнього покриття при класичному підході розпізнавання особливостей із використання зображень потребує великої кількості даних з попередньо підготовленим описом та обчислювальних потужностей. Враховуючи сучасні потреби своєчасного контролю якості покриття дорожніх шляхів, аналіз можливо спростити з використанням показників записаних у табличному виглядів та методів машинного навчання, які у сукупності повинні показати задовільну точність результатів. У роботі було обґрунтовано доцільність розробки та дослідження інформаційної системи класифікації стану дорожнього покриття, а також визначено як ключовий напрямок оптимізацію аналогічних підходів та покращення отриманих результатів шляхом використання більшої кількості ознак, зокрема врахування не лише швидкісних показників в момент руху автомобіля, але й показників роботи двигуна внутрішнього згоряння, яке напряму пов’язана з можливістю здійснювати рух. У результаті розроблено інформаційної системи, що класифікує стан дорожнього покриття за ознаками отриманими з різного виду датчиків та записаних у табличному вигляді. Використано методи машинного навчання такі як Випадковий Ліс, Дерево Рішень, Метод опорних векторів та бібліотеку AutoML, яка дозволила провести порівняння точності результатів з використанням великого набору методів штучного інтелекту. Найкращі результати вдалось отримати за допомогою ансамблевого методу машинного навчання Rendom Forest. Проведено аналіз роботи класифікатора при різних параметрах та виконано пошук найкращих гіперпараметрів. При цьому вдалось досягти точності класифікації стану дорожнього покриття рівній 91.9&nbsp;%. Для можливості прискорення отримання рішення було застосовано паралельні обчислення при тренуванні моделі. В результаті отримано показник прискорення у 5 разів з використанням CPU та у 51 раз з використанням GPU.</em></p> ER -