Прогнозирование транспортной загруженности с использованием методов машинного обучения
Аннотация
Обоснование. В статье разрабатывается комплексный подход к прогнозированию транспортной загруженности с использованием синтетических данных, имитирующих динамику городского трафика. Гибридная методология позволяет объединить анализ временных рядов и глубокое обучение, что актуально для моделирования нелинейных зависимостей и закономерностей в транспортных данных.
Цель. Целью работы является разработка и тестирование прогностической модели, способной точно предсказывать уровни транспортной загруженности с учётом сезонных и погодных факторов.
Материалы и методы. Для выявления паттернов в данных применено аддитивное разложение временного ряда, спектральный анализ на основе быстрого преобразования Фурье и оценка автокорреляционных зависимостей. Прогностическая модель реализована в виде двухэтапного подхода: классический алгоритм ARIMA используется для базового прогнозирования, а архитектура LSTM с двумя рекуррентными слоями и регуляризацией — для обучения на последовательностях длиной 24 часа. Дополнительно для сопоставления и подтверждения результатов применён ансамблевый метод Random Forest, настроенный с гиперпараметрами: 200 деревьев, максимальная глубина — 12, минимальное количество объектов в листе — 2.
Результаты. Результаты демонстрируют превосходство LSTM-модели над ARIMA и Random Forest по точности предсказаний, что подтверждается визуальным сопоставлением прогнозов с тестовыми данными и метрикой среднеквадратичной ошибки. Выявлены ключевые факторы, влияющие на загруженность: суточные циклы интенсивности трафика, рост нагрузки при осадках (до 30% при снеге и 20% при дожде), а также температурно-зависимая модуляция транспортного потока.
EDN: HHJBXM
Скачивания
Литература
Хамидулин, Т. Г. (2019). Применение искусственных нейронных сетей в транспортной отрасли. Экономика и социум, (4), 851–858. EDN: https://elibrary.ru/ZZRFOP
Галушкин, А. И. (2015). Нейронные сети: основы теории. Москва: РиС. 496 с.
Редько, В. Г. (2019). Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики. Москва: Ленанд. 224 с.
Бочкарев, А. А., & Бочкарев, П. А. (2024). Логистика городских транспортных систем: учебное пособие для вузов (3-е изд., перераб. и доп.). Москва: Юрайт. 162 с. EDN: https://elibrary.ru/BVRIOQ
Герами, В. Д., & Колик, А. В. (2024). Управление транспортными системами. Транспортное обеспечение логистики: учебник и практикум для вузов (3-е изд., перераб. и доп.). Москва: Юрайт. 536 с. EDN: https://elibrary.ru/BCZLEH
Андреева, Л. А., & др. (2015). Инновационные процессы логистического менеджмента в интеллектуальных транспортных системах (под ред. Миротина, Л. Б., & Левина, Б. А.). Том 2. Формирование отраслевых логистических интеллектуальных транспортных систем. Москва: Учебно-методический центр по образованию на железнодорожном транспорте. 343 с.
Душкин, Р. В. (2020). Интеллектуальные транспортные системы: моделирование и прогнозирование трафика. Транспортные системы и технологии, (4), 45–62.
Boukerche, A., & Wang, J. (2020). Machine learning-based traffic prediction models for intelligent transportation systems. Computer Networks, 181, 107530. https://doi.org/10.1016/j.comnet.2020.107530 EDN: https://elibrary.ru/HKZXAK
Николенко, С. И., Кадурин, А., & Архангельская, Е. В. (2018). Глубокое обучение. Погружение в мир нейронных сетей. Санкт-Петербург: Питер. 480 с.
Флах, П. (2015). Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. Москва: ДМК Пресс. 400 с.
Бурков, А. (2020). Машинное обучение без лишних слов. Москва: Альпина Паблишер. 100 с.
Фаустова, К. И. (2017). Нейронные сети: применение сегодня и перспективы развития. Территория науки, (4), 83–87. EDN: https://elibrary.ru/ZXPNRL
Иванько, А. Ф., Иванько, М. А., & Сизова, Ю. А. (2019). Нейронные сети: общие технологические характеристики. Научное обозрение. Технические науки, (2), 17–23. EDN: https://elibrary.ru/QHUGLR
Хайкин, С. (2006). Нейронные сети: полный курс (2-е изд.). Москва: Вильямс. 1104 с.
Ежов, А. А., & Шумский, С. А. (1998). Нейрокомпьютинг и его применения в экономике и бизнесе. Москва: МИФИ. 268 с.
Тархов, Д. А. (2005). Нейронные сети. Модели и алгоритмы. Москва: Радиотехника.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). New York: Springer-Verlag.
Khamidulin, T. G. (2019). Application of artificial neural networks in the transport industry. Economics and Society, (4), 851–858. EDN: https://elibrary.ru/ZZRFOP
Galushkin, A. I. (2015). Neural networks: Fundamentals of theory. Moscow: RIS. 496 p.
Red'ko, V. G. (2019). Evolution, neural networks, intelligence: Models and concepts of evolutionary cybernetics. Moscow: Lenand. 224 p.
Bochkarev, A. A., & Bochkarev, P. A. (2024). Urban transport logistics systems: A textbook for universities (3rd ed., revised and supplemented). Moscow: Yurayt. 162 p. EDN: https://elibrary.ru/BVRIOQ
Gerami, V. D., & Kolik, A. V. (2024). Transport systems management. Transport logistics support: A textbook and practical guide for universities (3rd ed., revised and supplemented). Moscow: Yurayt. 536 p. EDN: https://elibrary.ru/BCZLEH
Andreeva, L. A., et al. (2015). Innovative processes of logistics management in intelligent transport systems (under the editorship of Mirotin, L. B., & Levin, B. A.). Volume 2. Formation of industry-specific intelligent transport logistics systems. Moscow: Educational and Methodological Center for Education in Railway Transport. 343 p.
Dushkin, R. V. (2020). Intelligent transport systems: Traffic modeling and forecasting. Transport Systems and Technologies, (4), 45–62.
Boukerche, A., & Wang, J. (2020). Machine learning-based traffic prediction models for intelligent transportation systems. Computer Networks, 181, 107530. https://doi.org/10.1016/j.comnet.2020.107530 EDN: https://elibrary.ru/HKZXAK
Nikolaenko, S. I., Kadurin, A., & Arkhangelskaya, E. V. (2018). Deep learning: Diving into the world of neural networks. Saint Petersburg: Piter. 480 p.
Flach, P. (2015). Machine learning: The science and art of building algorithms that extract knowledge from data. Moscow: DMK Press. 400 p.
Burkov, A. (2020). Machine learning without unnecessary words. Moscow: Alpina Publisher. 100 p.
Faustova, K. I. (2017). Neural networks: Current applications and future development prospects. Territory of Science, (4), 83–87. EDN: https://elibrary.ru/ZXPNRL
Ivanko, A. F., Ivanko, M. A., & Sizova, Yu. A. (2019). Neural networks: General technological characteristics. Scientific Review. Engineering Sciences, (2), 17–23. EDN: https://elibrary.ru/QHUGLR
Haykin, S. (2006). Neural networks: A comprehensive foundation (2nd ed.). Moscow: Williams. 1104 p.
Ezhov, A. A., & Shumsky, S. A. (1998). Neurocomputing and its applications in economics and business. Moscow: MEPhI. 268 p.
Tarkhov, D. A. (2005). Neural networks. Models and algorithms. Moscow: Radiotekhnika.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). New York: Springer-Verlag.
Просмотров аннотации: 72 Загрузок PDF: 41
Copyright (c) 2025 Ramil R. Zagidullin, Almaz N. Khaybullin

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.