Программируя движение: Как «умные» системы изменили опыт взаимодействия с платными трассами

0 7

Программируя движение: Как «умные» системы изменили опыт взаимодействия с платными трассами

Доходы от российских платных дорог по итогам 2023 года, согласно планам госкомпании «Автодор», составят 75 млрд рублей. Об этом сообщил «Интерфаксу» председатель правления госкомпании Вячеслав Петушенко в кулуарах форума ВТБ «Россия зовет». Прогнозируемый сбор превысил летние ожидания на 15 млрд рублей. Ключевую роль в достижении показателей играет эффективность работы различного программного обеспечения: как непосредственно для оплаты проезда, так и для пресечения мошенничества со стороны водителей. Один из пионеров в разработке такого рода систем для российской индустрии платных дорог — Сергей Панарин, руководитель отдела разработки ООО «АСТ», член ассоциации разработчиков IAHD и автор научных статей. Он прошел путь от технического инженера до разработчика одной из самых перспективных отечественных разработок в отрасли — комплекса «Мегатолл» и участвовал в создании передовых «умных» транспортных систем, которые сделали использование платных дорог в России удобнее для водителей и эффективнее для обслуживающих компаний.

Охота на «зайцев»

Одна из значимых проблем операторов платных дорог в России — мошенничество со стороны автовладельцев. Нередки случаи, когда водители пытаются обмануть систему и оплатить заниженный тариф. По данным экспертов, это наносит серьезный финансовый ущерб концессионерам платных дорог. В ответ на этот вызов в 2021 году команда Сергея Панарина представила инновационный алгоритм, на основе продвинутых схем машинного обучения, который оказал заметное влияние на динамику борьбы с недобросовестными водителями на трассах, в частности, на М-11 «Москва — Санкт-Петербург».

Одним из ключевых аспектов функционирования алгоритма стала его способность распознавать необычные или аномальные ситуации, анализируя их в контексте типовых шаблонов поведения. Система Панарина собирает и сопоставляет различную информацию о транспортном средстве, включая время и место проездов, данные транспондера, фотографии номерных знаков. На основе этих данных вычисляется вероятность мошенничества для каждой транзакции.

Источник

Оставьте ответ

Ваш электронный адрес не будет опубликован.