Р.С. Ехлаков1

1 Финансовый университет при Правительстве РФ (Москва, Россия)

1 rsekhlakov@fa.ru

Постановка проблемы. Проблема устойчивого развития мобильности в городах, а также оценка и прогнозирование состояния загруженности дорожного движения играет ключевую роль в уменьшении заторов на дорогах. К примеру, прогнозирование времени в пути является одним из ключевых параметров при планировании маршрута, используемых в геоинформационных сервисах. Постепенное проникновение умных устройств и высокоскоростного интернет-соединения предоставляет возможность анализировать данные, полученные от участников транспортной сети в режиме, приближенном к реальному времени. Необходимо развитие алгоритмов оценки и прогнозирования загруженности больших объемов данных с использованием методов машинного обучения, позволяющих повысить точность на основе существующих решений. Машинное обучение помогает выявить и учесть закономерности для повышения анализируемых маршрутов и расчета времени в пути.

Цель. Разработать модель оценки и прогнозирования загруженности транспортной сети для улучшения качества прокладываемого маршрута в режиме, приближенном к реальному времени.

Результаты. Повышена эффективность оценки и прогнозирования загруженности транспортной сети на основе анонимных данных водителей транспортных средств в режиме, приближенном к реальному времени. Представлено сравнение методов прогнозирования загруженности с использованием машинного и глубокого обучения.

Практическая значимость. Исследования могут послужить отправной точкой для дальнейшего изучения проблемы с целью добиться еще большей точности прогнозирования загруженности транспортной сети, а также создания онлайн-сервиса для построения рациональных маршрутов в режиме, приближенном к реальному времени.

Ехлаков Р.С. Модель оценки и прогнозирования загруженности транспортной сети в режиме, приближенном к реальному времени // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 6. С. 126-134. DOI: https://doi.org/10.18127/j19998554-202406-15

1. Вьюгина А.С., Кублик Е.И., Чипчагов М.С., Лабинцев А.И. Автоматизированная системы обеспечения безопасности города на основе анализа звуковых данных // Информационно-измерительные и управляющие системы. 2022. Т. 20. № 6. С. 50−57. DOI 10.18127/j20700814-202206-06.
2. Ехлаков Р.С. Современные методы моделирования транспортных потоков. Модель многокритериальной оценки рациональности маршрута // Научно-технический вестник Поволжья. 2023. № 11. С. 70–73.
3. Маросин В.С., Гусев С.А. Сетевые модели планирования в управлении грузовыми автомобильными перевозками // Материалы 4-ой Междунар. науч.-практич. конф. «Информационные технологии и инновации на транспорте». Орел: Орловский государственный университет имени И.С. Тургенева. 2019. С. 65–70.
4. Shvetsov V.I. Mathematical modeling of traffic flows // Automation and Remote Control. 2003. V. 64. № 11. P. 1651–1689. DOI 10.1023/A:1027348026919.
5. Ekhlakov R. Modern Methods of Traffic Flow Modeling: A Graph Load Calculation Model Based on Real-Time Data // Intelligent Decision Technologies. 2023. P. 302–309. DOI 10.1007/978-981-99-2969-6_27.
6. Duan Y., L.V. Y., Wang F.-Y. Travel time prediction with LSTM neural network // IEEE 19th International Conference on Intelligent Transportation Systems. 2016. P. 1053–1058. DOI 10.1109/ITSC.2016.7795686.
7. Liu Y., Wang Y., Yang X. Zhang L. Short-term travel time prediction by deep learning: A comparison of different LSTM-DNN models // IEEE 20th International Conference on Intelligent Transportation Systems. 2017. P. 1–8. DOI 10.1109/ITSC.2017.8317886.
8. Fu R., Zhang Z., Li L. Using LSTM and GRU neural network methods for traffic flow prediction // 31st Youth Academic Annual Conference of Chinese Association of Automation. 2016. P. 324–328. DOI 10.1109/YAC.2016.7804912.
9. Yu H., Wu Z., Wang S., Wang Y., Ma X. Spatiotemporal recurrent convolutional networks for traffic prediction in transportation networks // Sensors. 2017. V. 17. № 7. P. 1501. DOI 10.3390/s17071501.
10. Cui Z., Henrickson K., Ke R., Wang Y. High-Order Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/1802. 07007v1, дата обращения 25.08.2024.