Computational nanotechnologyComputational nanotechnologyComputational nanotechnology2313-223X2587-9693YUR-VAK35838110.33693/2313-223X-2025-12-5-11-28EEQEAQSYSTEM ANALYSIS, INFORMATION MANAGEMENT AND PROCESSING, STATISTICSСИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКАResearch ArticleMethodology for identifying and ranking road traffic accident hotspots based on spatial analysis and program-targeted approachМетодология выявления и ранжирования очагов ДТП на основе пространственного анализа и программно-целевого подходаhttps://orcid.org/0009-0001-1092-751857572238600F-8619-20195689-7571ZagorodnikhNikolay A.ЗагороднихНиколай Анатольевич
Russian Federation

Cand. Sci. (Eng.), Associate Professor, associate professor, Department of Industrial Programming, Institute of Advanced Technologies and Industrial Programming

кандидат технических наук, доцент, доцент, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования

zagorodnikh@mirea.ruhttps://orcid.org/0000-0002-8903-469056426832100ABI-6473-20206666-1523KonstantinovIgor S.КонстантиновИгорь Сергеевич
Russian Federation

Dr. Sci. (Eng.), Professor, Institute of Information Technology and Control Systems

доктор технических наук, профессор, Институт информационных технологий и управляющих систем

konstantinovi@mail.ruMIREA – Russian Technological UniversityМИРЭА – Российский технологический университетBelgorod State Technological University named after V.G. ShukhovБелгородский государственный технологический университет им. В.Г. Шухова14122025125112816122025Copyright ©; 2025, Yur-VAKCopyright ©; 2025, Юр-ВАК2025Yur-VAKЮр-ВАКhttps://www.urvak.ru/contacts/https://journals.rcsi.science/2313-223X/article/view/358381

The article proposes an enhancement of an information system for analyzing road traffic accident hotspots (RTAs), developed within the framework of a program-targeted approach and geoinformation technologies. The system’s architecture is described, including spatial analysis algorithms, methods for identifying and consolidating clusters, as well as mechanisms for formalized accident representation. Special attention is given to the implementation of accident hotspot prioritization based on risk factors, recommended measures, and the expected mitigation effect. Verification was conducted using real-world urban accident data. The proposed solution demonstrates the stability of the implemented algorithms and their applicability in digital transformation tasks related to transport infrastructure. Key directions for future development are outlined, including the integration of fuzzy logic, digital twins, and artificial intelligence modules.

В работе предложена усовершенствованная версия информационной системы, предназначенной для анализа очагов концентрации дорожно-транспортных происшествий с применением программно-целевого подхода и геоинформационных технологий. Представлена архитектура программного решения, включающая алгоритмы пространственного анализа, идентификации и консолидации очагов, а также механизмы их формализованного описания. Особое внимание уделено реализации расчетов приоритетности устранения ОКДТП с учетом факторов риска, предложенных корректирующих мероприятий и ожидаемой эффективности. Верификация результатов проводилась на основе данных о ДТП в городской среде. Предложенное решение демонстрирует устойчивость алгоритмов, а также высокую применимость в задачах цифровизации транспортной инфраструктуры. Обозначены направления дальнейшего развития системы, включая внедрение механизмов нечеткой логики, цифровых двойников и искусственного интеллекта.

information systemroad traffic accidentsaccident hotspotsspatial analysisprioritization of measuresgeoinformation technologiesdigital transformationfuzzy logicdigital twinroad safetyинформационная системадорожно-транспортные происшествияочаги концентрациипространственный анализприоритизация мероприятийгеоинформационные технологиицифровая трансформациянечеткая логикацифровой двойникбезопасность дорожного движенияBugaevsky L.M., Tsvetkov V.Ya. Geoinformation systems. Moscow: Zlatoust, 2000. 256 p.Бугаевский Л.М., Цветков В.Я. Геоинформационные системы. М.: Златоуст, 2000. 256 с.Zagorodnikh N.A. Information system for identifying traffic accident concentration centers: implementation results and development prospects. Management of Road Safety Activities. 2019. No. 1 (2). Pp. 183–187. (In Rus.)Загородних Н.А. Информационная система выявления очагов концентрации ДТП: итоги реализации и перспективы развития // Управление деятельностью по обеспечению безопасности дорожного движения. 2019. № 1 (2). С. 183–187.Zagorodnikh N.A. Mathematical modeling of road safety for vehicle drivers. Advances in Modern Science. 2015. No. 2. Pp. 31–36. (In Rus.)Загородних Н.А. Математическое моделирование обеспечения безопасности дорожного движения для водителей транспортных средств // Успехи современной науки. 2015. № 2. С. 31–36.Zagorodnikh N.A. Methods for analyzing traffic accident sites: A comparative review of algorithms. Information Systems and Technologies. 2025. No. 2 (148). Pp. 108–116. (In Rus.)Загородних Н.А. Методы анализа очагов ДТП: сравнительный обзор алгоритмов // Информационные системы и технологии. 2025. № 2 (148). С. 108–116.Zagorodnikh N.A., Nesov I.S. Analysis of world experience in the implementation and use of geoinformation technologies to ensure road safety. In: Information technologies and innovations in transport: collection of scientific papers of the 5th Int. scientific and practical conf. Orel: Orel State University named after I.S. Turgenev, 2020. Pp. 143–150.Загородних Н.А., Несов И.С. Анализ мирового опыта внедрения и использования геоинформационных технологий для обеспечения безопасности дорожного движения // Информационные технологии и инновации на транспорте: сб. науч. тр. 5-й Междунар. науч.-практ. конф. Орел: ОГУ им. И.С. Тургенева, 2020. С. 143–150.Zagorodnikh N.A., Novikov A.N. Software implementation of the algorithm for identifying accident-hazardous road sections. Transportation Research Procedia. 2018. No. 36. Pp. 817–825. (In Rus.). DOI: 10.1016/j.trpro.2018.12.074.Загородних Н.А., Новиков А.Н. Программная реализация алгоритма выявления аварийно-опасных участков дороги // Transportation Research Procedia. 2018. № 36. С. 817–825. DOI: 10.1016/j.trpro.2018.12.074.Zagorodnikh N.A., Semkin A.N. Main aspects of the universal model of digital transport infrastructure. World of Transport and Technological Machines. 2018. No. 2 (61). Pp. 116–123. (In Rus.)Загородних Н.А., Семкин А.Н. Основные аспекты универсальной модели цифровой инфраструктуры транспорта // Мир транспорта и технологических машин. 2018. № 2 (61). С. 116–123.Kovalev S.S., Morozov D.D. Application of Getis-Ord Gi* statistics to identify accident hot spots in a metropolis. Urban Research. 2022. Vol. 8. No. 1. Pp. 27–35. (In Rus.)Ковалев С.С., Морозов Д.Д. Применение статистики Getis-Ord Gi* для выявления горячих точек аварийности в мегаполисе // Городские исследования. 2022. Т. 8. № 1. С. 27–35.Chen H., Xie K., Wang J. A review of traffic crash prediction models using artificial intelligence algorithms. Journal of Advanced Transportation. 2018. No. 2018. Pp. 1–12. DOI: 10.1155/2018/9360123.Chen H., Xie K., Wang J. A review of traffic crash prediction models using artificial intelligence algorithms // Journal of Advanced Transportation. 2018. No. 2018. Pp. 1–12. DOI: 10.1155/2018/9360123.Geurts K., Wets G. Data mining for traffic accident analysis and road safety improvement. Transportation Research Record. 2005. No. 1922. Pp. 39–49. DOI: 10.3141/1922-05.Geurts K., Wets G. Data mining for traffic accident analysis and road safety improvement // Transportation Research Record. 2005. No. 1922. Pp. 39–49. DOI: 10.3141/1922-05.Hossain M., Muromachi Y. A Bayesian network based framework for real-time crash prediction on the urban expressway. Accident Analysis & Prevention. 2012. No. 45. Pp. 373–381. DOI: 10.1016/j.aap.2011.08.001.Hossain M., Muromachi Y. A Bayesian network-based framework for real-time crash prediction on the urban expressway // Accident Analysis & Prevention. 2012. No. 45. Pp. 373–381. DOI: 10.1016/j.aap.2011.08.001.Huang H., Abdel-Ati M. Multilevel Bayesian analysis of crash rates at signalized intersections. Transportation Research Record. 2010. No. 2148. Pp. 27–37. DOI: 10.3141/2148-04.Huang H., Abdel-Ati M. Multilevel Bayesian analysis of crash rates at signalized intersections // Transportation Research Record. 2010. No. 2148. Pp. 27–37. DOI: 10.3141/2148-04.Lee H., Kim S. Identifying hotspots of influenza spread Using Getis-Ord Gi* statistics. Public Health Journal. 2020. No. 15. Pp. 78–85.Lee H., Kim S. Identifying hotspots of influenza spread Using Getis-Ord Gi* statistics // Public Health Journal. 2020. No. 15. Pp. 78–85.Mitra S., Washington S. On the nature of over-dispersion in motor vehicle crash prediction models. Accident Analysis & Prevention. 2007. Vol. 39. No. 3. Pp. 459–468. DOI: 10.1016/j.aap.2006.08.002.Mitra S., Washington S. On the nature of over-dispersion in motor vehicle crash prediction models // Accident Analysis & Prevention. 2007. Vol. 39. No. 3. Pp. 459–468. DOI: 10.1016/j.aap.2006.08.002.Molina J.C., Torres J.P., Roca J. Identification of traffic accident hotspots using kernel density estimation and cluster analysis. Transportation Research Procedia. 2020. No. 47. Pp. 167–174. DOI: 10.1016/j.trpro.2020.03.081.Molina J.C., Torres J.P., Roca J. Identification of traffic accident hotspots using kernel density estimation and cluster analysis // Transportation Research Procedia. 2020. No. 47. Pp. 167–174. DOI: 10.1016/j.trpro.2020.03.081.Smith J., Johnson L. Using kernel density estimation for crime hotspot analysis. Journal of Criminal Justice. 2019. No. 47. Pp. 123–130.Smith J., Johnson L. Using kernel density estimation for crime hotspot analysis // Journal of Criminal Justice. 2019. No. 47. Pp. 123–130.Wang Y., Li X. Machine learning approaches for urban traffic congestion prediction. Transportation Research Record. 2021. No. 2675. Pp. 567–575.Wang Y., Li X. Machine learning approaches for urban traffic congestion prediction // Transportation Research Record. 2021. No. 2675. Pp. 567–575.Xie Z., Yan J. Kernel density estimation of traffic accidents in a network space. Computers, Environment and Urban Systems. 2008. Vol. 32. No. 5. Pp. 396–406. DOI: 10.1016/j.compenvurbsys.2008.05.001.Xie Z., Yan J. Kernel density estimation of traffic accidents in a network space // Computers, Environment and Urban Systems. 2008. Vol. 32. No. 5. Pp. 396–406. DOI: 10.1016/j.compenvurbsys.2008.05.001.Zahran M., Kato H. Kernel density estimation for analyzing the spatial patterns of traffic accidents. Journal of Traffic and Transportation Engineering. 2016. No. 3 (4). Pp. 345–352.Zahran M., Kato H. Kernel density estimation for analyzing the spatial patterns of traffic accidents // Journal of Traffic and Transportation Engineering. 2016. No. 3 (4). Pp. 345–352.