Дипломдық жоба 2026 Жыл
Жоба сайты
alishoksu-coder.github.io/ai_traffics/

Қалалық ортадағы көлік ағындарын бақылау мен болжауға арналған AI-қосымша әзірлеу

Нейрондық желілер мен Big Data талдауын қолдану
Нақты уақыттағы IoT мониторинг жүйесін масштабтау
Студент
Сулейменов АЛИШЕР
Ғылыми жетекші
Кусаинова Айнур

1. Тақырыптың өзектілігі

Мәселе: Урбанизацияның жылдам өсуі қалалардағы көлік кептелісін күшейтеді. Қазақстанның ірі мегаполистері үшін бұл – стратегиялық сын-қатер.

117-ші
Алматы әлем бойынша
197-ші
Астана әлем бойынша

Қазақстанда 6.8 млн автомобиль тіркелген (2025 ж. - өсім 21.6%)

Жол кептелісі индексінің өсуі Жылды басыңыз

2022 2023 2024 2025
  • Орташа кептеліс уақыты: 39.4 мин
  • Шығарындылар және стресс деңгейі: +15% қауіпті

2. Жұмыс мақсаты

LSTM нейрондық желілік архитектурасы негізінде қалалық трафикті нақты уақыт режимінде мониторингтеуге және көлік кептелісін алдын ала болжауға мүмкіндік беретін кешенді интеллектуалды AI-жүйесін әзірлеу және оны мобильді/веб платформалар арқылы интеграциялау.

Модель өнімділігі Пайдаланушы интерфейсі Деректер қауіпсіздігі

3. Зерттеу міндеттері

  • Пәндік аймаққа және қазіргі навигациялық жүйелерге талдау жасау.
  • Деректер базасы мен серверлік архитектураны (FastAPI, PostGIS) жобалау.
  • Көлік ағындарын болжайтын машиналық оқыту (LSTM) алгоритмдерін құру.
  • Мобильді қосымша (Flutter) мен веб-бақылау тақтасын (Vue.js) әзірлеу.
  • Жүйені тестілеуден өткізу және тиімділігін бағалау.

4. Зерттеу нысаны мен пәні

Зерттеу нысаны

Қалалық ортадағы көлік ағындары және олардың инфрақұрылымы (жол қозғалысы динамикасы).

Зерттеу пәні

Трафикті талдауға, модельдеуге және болжауға арналған жасанды интеллект алгоритмдері (ML).

5. Технологиялар Стегі

Backend & Core AI

  • FastAPI (Python): Жоғары жылдамдықты асинхронды API сервері.
  • PyTorch & Scikit-learn: LSTM және RandomForest модельдерін оқыту.
  • PostgreSQL + PostGIS: Кеңістіктік деректерді өңдеуге арналған мощный база.
  • WebSockets: Нақты уақытта деректерді тасымалдау.

Mobile & Frontend

  • Flutter (Dart): Кросс-платформалық мобильді қосымша.
  • Google Maps SDK: Гео-визуализация және маршрут құру.
  • Provider & Bloc: Қосымша күйін тиімді басқару.
  • Docker: Контейнерлеу және микросервистік архитектура.

6. Аналогтарды Талдау

Әлемдік жүйелер

  • 2GIS: 1999 ж. негізі қаланған (Новосибирск, РФ). Қала анықтамалығы ретінде дамыған.
  • Yandex.Maps: 2004 ж. іске қосылған (Мәскеу, РФ). Ресей мен ТМД-да жетекші.

AI Traffic (Наш Проект)

  • Made in Kazakhstan: Қазақстанның инфрақұрылымына бейімделген (2026 ж).
  • AI-First: Тек фактіні көрсетіп қана қоймай, ИИ көмегімен алдын ала болжам жасайды.
Функция Yandex / 2GIS AI Traffic
Терең болжау Жоқ (тек тарихи дерек) Иә (LSTM AI)
Антистресс режим Жоқ Иә

Қорытынды: Екі түрлі шынайылық

Карталарды жалпы қолдану

2GIS (Доминант) 73%
Google 24%
Яндекс 3%

Кептеліс үшін қолдану

(Логикалық модель бойынша)

1
Яндекс №1 Таңдау
2
2GIS
3
Google

8. Жүйенің Контейнерлік Архитектурасы

Clients
Азаматтар
(Mobile App)
Операторлар
(Web Admin)
API Gateway & Frontend
Flutter App
User Navigation
Vue.js Panel
City Dashboard
FastAPI Bridge
WebSockets / REST
Python AI Pipeline
LSTM Model
A* Routing Engine
Anomaly Detection
Data & External APIs
PostgreSQL + PostGIS
Локалды гео-деректер
Google Maps API
Трафик және маршрут API
Weather API
Метео-факторлар
Компонентті таңдаңыз
Бағдарламаның әр модулі туралы толық ақпарат алу үшін жоғарыдағы кез келген блокты басыңыз.

9. Клиенттік Деңгей (Client Layer)

Мобильді клиент

  • Flutter & Dart: Бір кодтық база арқылы жоғары өнімділікті қамтамасыз ететін кроссплатформалық қосымша.
  • Real-time Map Matching: GPS деректерін жол желісімен дәл сәйкестендіру алгоритмдері.
  • User Notifications: MQTT/WebSocket арқылы кептелістер туралы жедел хабарламалар.

Веб-админ панель

  • Advanced Monitoring: Қала басшылығы мен операторларына арналған интерактивті карта.
  • Predictive Visuals: ИИ болжаған кептеліс ықтималдығын визуалды түрде көрсету.
  • Incident Management: Жол апаттары мен жөндеу жұмыстарын бақылау құралдары.

10. Серверлік Деңгей (Backend Bridge)

FastAPI Технологиясы

FastAPI — бұл жүйенің "жүрегі". Ол Python-ның ең заманауи мүмкіндіктерін пайдаланып, деректерді өңдеу жылдамдығын максималды деңгейге жеткізеді.

  • Көп ағынды асинхронды сұраныстарды өңдеу.
  • Деректердің дұрыстығын автоматты валидациялау (Pydantic).
  • Клиенттермен WebSocket арқылы байланыс.

FastAPI серверінің жүктеме тестілеуі (Load Testing)

80 100 120 140 160 180 0 20 40 60 80 100 Сұраныс нөмірі (минутына Concurrent requests) Жауап беру уақыты (ms) Сыни шек (150 мс)

11. ML Болжау Архитектурасы (Prediction Flow)

Источники Данных (Data Sources) Ядро Машинного Обучения Аналитический Модуль (processing) Результат (Выдача API) Обучение модели (fit) Входные параметры (predict) Базовый прогноз (Prediction) Корректировка весов Анализ угла наклона Триггеры отклонений (>25) Облачная БД: Supabase REST API Запрос (segment_id) Random Forest Regressor Алгоритм EMA Линейная Регрессия Детектор Аномалий Прогноз Трафика (от 0 до 100) Тренд (Растет/Падает) Статус Аномалии
Модульді таңдаңыз
Осы болжау жүйесінің қалай жұмыс істейтінін білу үшін схемадағы кез келген батырманы басыңыз.

12. Жол апаттары мен аномалияларды детекторлау

Z-Score Алгоритмі

Жолдағы кенеттен болған апаттарды анықтау үшін біз статистикалық Z-score әдісін қолданамыз. Егер ағымдағы жылдамдық орташа деңгейден күрт ауытқыса (Z > 3), жүйе автоматты түрде "Апат болуы мүмкін" деген белгі береді.

Z = (x - μ) / σ

Мұндағы: x - ағымдағы жылдамдық, μ - орташа, σ - ауытқу.

13. Трафик Симуляторы (Traffic Simulator)

Симуляциялық модель

Қалалық жол желісі 144 бақылау нүктесіне (сегменттерге) бөлінген. Ішкі "Simulator Engine" нақты уақытта IoT датчиктерінен келетін деректерді өңдеп, әрбір 30 секунд сайын жолдың күйін жаңартып отырады.

144
МОНИТОРИНГ НҮКТЕСІ

14. ML Алгоритм: LSTM Нейрондық Желісі

Архитектуралық логика

Трафик - бұл уақыттық қатар (Time Series). LSTM (Long Short-Term Memory) деректердегі "ұзақ мерзімді" тәуелділіктерді (мысалы, кешегі кептеліс пен бүгінгі жағдай) сақтай алады.

Input LSTM Cell Out

15. Модельдердің тиімділігін салыстыру

Модель MAE (Қателік) RMSE Дәлдік көрсеткіші (Accuracy)
Linear Regression
0.18 0.24
72.1%
Random Forest
0.11 0.16
81.5%
LSTM (Біздің таңдау) Deep Learning
0.08
0.12
87.4%

Қорытынды нәтиже: LSTM нейрондық желісі уақыттық тәуелділіктерді (көлік қозғалысындағы Time Series) есте сақтау қабілетінің арқасында қателігі ең төмен (MAE = 0.08) және дәлдігі ең жоғары 87.4% модель ретінде таңдалды.

Күрделі заңдылықтарды таниды
Соңғы 30 минуттық деректі ескереді

16. Модельді Оқыту және Деректер

Деректер мен Архитектура (Dataset)

Автокөлік кептелісін дәл болжау үшін Астана қаласы бойынша жинақталған үлкен массив қолданылды:

  • Жалпы көлемі: 1.2 миллионнан астам жазба (негізгі қиылыстар мен тас жолдар).
  • Ауқымы: 2023-2025 жылдар (Қысқы аяз, көктайғақ, жазғы жөндеу жұмыстары сияқты маусымдық факторлар түгел қамтылды).
  • Дәлдік параметрлері (Features): Уақыт (сағат/минут), Гео-координаталар, Ауа-райы (жауын-шашын мөлшері), Мереке және демалыс күндері.
Түсініктеме: Осыншама үлкен көлемдегі датасет AI модельдің Overfitting (артық жаттап алу) қателігіне ұшырамауына толықтай кепілдік берді және кенеттен болатын ауытқуларды тегістеді.

Оқыту уақыты және Жабдық (Training Cost)

0.8 0.6 0.4 0.2 0.0 0 20 40 60 80 100 Loss (Қателік)
Математикалық есептеу (Формула):
T = Epochs × (Samples / Batch_Size) × T_step
  • Epochs (100): Итерация. Модель ақпарат базасын 100 рет толық оқып шықты.
  • Samples (1.2M) / Batch Size (64): Бір жолғы 1.2 миллион дерек 64 блокқа бөлініп жіберілді. Барлығы = 18,750 қадам.
  • T_step (~0.15мс): Жылдамдық. GPU архитектурасының арқасында әр итерация небәрі 0.15 миллисекунд алды.
Қорытынды уақыт: 100 × 18,750 × 0.00015 сек = ~46.8 минут.
(Егер кәдімгі процессорда оқытылса 7-8 сағатқа созылар еді. NVIDIA RTX 3060 CUDA Core арқасында уақыт 10 есе үнемделді).

17. Болжаудың Математикалық Метрикалары

87.4%
R² (Дәлдік коэффициенті)

Бұл нені білдіреді?

87.4% дәлдік — бұл жүйенің Яндекс.Кептеліс немесе Google Maps көрсеткіштерімен қаншалықты сәйкес келетінін көрсетеді. Яғни, біз оқытқан модель 10 жағдайдың 9-ында трафиктің шынайы өсуі мен төмендеуін алдын-ала адам факторсыз мінсіз болжап табады. Ешқандай модель 100% болмайтынын ескерсек, 87% — өте жоғары қауіпсіздік көрсеткіші (Production-ready).

MAE (Абсолютті қателік)
0.74 бал
Нақты кептелістен модельдің максималды ауытқуы небәрі ~0.7 бал. Яғни кептеліс 9 бал болса, модель кем дегенде 8.3 бал деп ескертеді.
RMSE (Квадраттық қателік)
1.12 бал
Кенеттен болатын қателіктерді (жол апатын) ескергендегі көрсеткіш. Модель мұндай ситуацияларда да өте стабильді.
Жылдамдық қателігі
± 4 км/с
Азаматтардың навигаторда жүзетін жоспарланған жылдамдығының өмірдегі қозғалыстан ауытқуы небәрі +-4 км/сағат.

Тәжірибелік тексеру (Мәңгілік Ел даңғылы, "Пик" сағаттарын тексеру)

УақытӨмірдегі нақты трафик (10-балдық)Біздің АИ Модельдің БолжамыАйырмашылық (Error)
Таңғы пик (08:30) 9.2 бал 9.0 бал -0.2 бал (тамаша)
Кешкі пик (18:30) 9.8 бал 9.6 бал -0.2 бал
Түнгі уақыт (01:00) 1.1 бал 1.2 бал +0.1 бал

18. Мобильді Қосымша Интерфейсі

Смарт-Маршруттау және Инклюзивтілік

  • Динамикалық A* алгоритмі: Кептеліс болжамына сүйене отырып, 150 миллисекунд ішінде ең тиімді балама жолдарды қайта құрып береді.
  • "Кедергісіз Орта" (Barrier-free): Мүмкіндігі шектеулі жандарға арналған арнайы қауіпсіз, тегіс әрі пандустары бар маршруттар жүйесі енгізілген. Бұл жобаның әлеуметтік маңыздылығын арттырады.

Технологиялық ерекшеліктер

  • Cross-Platform кешен (Flutter): Қосымша бір кодтық база арқылы iOS пен Android-та бір уақытта жылдам (60 FPS) жұмыс істейді.
  • Офлайн-кешілеу: Интернет нашар болған жағдайда да гео-деректер сақталып тұрады (Local caching).
Flutter
Made with
Flutter Dart

19. Web Admin Panel (Мониторинг)

LIVE MONITORING ENABLED

17. Жүйе Жұмысының Видео-Демосы

100 мс
Жауап беру жылдамдығы
18%
Уақытты үнемдеу

20. Деректер қауіпсіздігі (FaceID & PIN)

Қорғаныс деңгейлері

  • Биометрия: FaceID және TouchID арқылы жылдам кіру.
  • PIN-код: Қосымша шифрланған қауіпсіздік коды.
  • Шифрлау: Пайдаланушының гео-деректері серверде AES-256 стандартымен сақталады.
Local Auth SDK

21. Пайдаланылған әдебиеттер

  1. Гудфеллоу Я., Бенджио И. Глубокое обучение. 2017.
  2. Маккини У. Python и анализ данных. 2015.
  3. Шолле Ф. Глубокое обучение на Python. 2018.
  4. Келли Д. Создание веб-API с FastAPI. 2021.
  1. Напьер Б. Изучаем Flutter. 2022.
  2. FastAPI Documentation. https://fastapi.tiangolo.com/
  3. Flutter Documentation. https://flutter.dev/docs
  4. Google Maps API Reference. 2024.

22. Тәжірибелік маңызы

Қала әкімшілігі

Жол инфрақұрылымын жоспарлау және бағдаршамдарды басқару құралы.

Тұрғындар үшін

Күнделікті қатынау уақытын үнемдеу және стрессті азайту.

23. Қорытынды

Дипломдық жұмыстың мақсатына толық қол жеткізілді.

Қалалық ортадағы трафикті бақылау мен болжауға арналған заманауи AI-қосымша әзірленіп, тестілеуден сәтті өтті.

24. Даму перспективалары

Технологиялық Интеграция

  • Computer Vision (CV): Жолдағы бейнебақылау камералары арқылы жол апаттарын (DTF) автоматты тіркеп, жүйеге лезде хабарлау.
  • V2X (Vehicle-to-Everything): 5G желісі арқылы ақылды көліктермен (Autonomous Vehicles) тікелей ақпарат алмасу протоколын іске қосу.
  • IoT және Бағдаршамдар: Кептеліс қарқынына байланысты бағдаршамдардың жасыл түсін динамикалық түрде (автоматты) созу.

Ғылыми Зерттеулер (Science & Research)

  • Open-Source Dataset: Жинақталған 1.2 млн-нан астам гео-кеңістіктік Қазақстандық массивті басқа зерттеушілерге (басқа университет магистранттарына) ашық дереккөз ретінде жариялау.
  • Экологиялық мониторинг: Кептелісті AI арқылы тездетіп тарату есебінен автокөліктерден бөлінетін CO2 (көмірқышқыл газ) көлемінің төмендеуін математикалық модельдеу.
  • Digital Twin симуляциясы: Жаңа жолдар немесе көпір салынбас бұрын, оның қала трафигіне тигізетін зардабын жасанды интеллект арқылы виртуалды әлемде тексеру.

Назарларыңызға рақмет!

Сұрақтарыңыз болса қуана жауап беремін.

Қосымшаны жүктеу (App Download)
alishoksu@enu.kz
github.com/alishoksu-coder
ENU, IT Department, 2026
1 / ?