Р.С. Ехлаков1, В.А. Судаков2

1,2 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
2 Институт прикладной математики им. М.В. Келдыша РАН (Москва, Россия)
1 rsekhlakov@fa.ru, 2 vasudakov@fa.ru

Постановка проблемы. На точность прогнозирования транспортных потоков на дорогах влияет множество факторов, таких как дорожно-транспортные происшествия и неблагоприятные погодные условия. Влияние погодных условий на такие характеристики транспортного потока, как средняя скорость, объем и плотность автомобилей на дороге, почти не исследованы. Неблагоприятные погодные условия, в том числе снегопад, дождь, туман и др., оказывают негативное влияние на поведение водителей. Поэтому при прогнозировании транспортных потоков следует как можно точнее учитывать неблагоприятные погодные условия.

Цель. Провести анализ влияния неблагоприятных погодных условий на среднюю скорость и загруженность в транспортной сети, а также повысить эффективность прогнозирования загруженности с учетом влияния погодных условий.

Результаты. Представлены графики зависимостей между средней скоростью автомобилей, плотностью транспортных потоков и количеством автомобилей на маршруте. Разработана модель влияния неблагоприятных погодных условий на загруженность транспортной сети на основе глубокого обучения с механизмом внутреннего внимания для увеличения производительности при работе с большими наборами данных.

Практическая значимость. Результаты исследования могут послужить отправной точкой для дальнейшего изучения проблемы с целью добиться высокой точности прогнозирования загруженности дорог с учетом негативных погодных условий.

Ехлаков Р.С., Судаков В.А. Модель влияния неблагоприятных погодных условий на загруженность транспортной сети // Нелинейный мир. 2024. Т. 22. № 4. С. 122–128. DOI: https://doi.org/10.18127/j20700970-202404-16

1. Pan Y.Y., Zhu Z.Y., Shen P.Y., Gu T.T., Zhang W.W. Highway traffic accident features and analysis of effect and adverse weather conditions in Zhejiang province. Highway. 2013. V. 58. № 12. P. 157–160.
2. Liu Q.C., Liu T., Cai Y.F., Xiong X.X., Jiang H.B., Wang H., Hu Z.N. Explanatory prediction of traffic congestion propagation mode: A self-attention based approach. Physica A 573. 2021. DOI: http://dx.doi.org/10.1016/j.physa.2021.125940.
3. Zhang W.B., Feng Y.Y., Lu K., Song Y.H., Wang Y.H. Speed prediction based on a traffic factor state network model. IEEE Trans. Intell. Transp. Syst. 2021. V. 22 (5). P. 3112-3122. DOI: http://dx.doi.org/10.1109/TITS.2020.2979924.
4. Ekhlakov R., Andriyanov N. Multicriteria Assessment Method for Network Structure Congestion Based on Traffic Data Using Advanced Computer Vision. Mathematics. 2024. V. 12. Is. 555. ISSN 2227-7390. DOI: https://doi.org/10.3390/ math12040555.
5. Meng M., Toan T.D., Wong Y.D., Lam S.H. Short-term travel-time prediction using support vector machine and nearest neighbor method. Transp. Res. Rec. 2022. V. 2676 (6). P. 353–365. DOI: http://dx.doi.org/10.1177/03611981221074371.
6. Zhang W.S., Yao R.H. Traffic flow parameters estimation based on spatio-temporal characteristics and hybrid deep learning. J. Transporat. Syst. Eng. Inform. Technol. 2021. V. 21 (1). P. 82–89. DOI: http://dx.doi.org/10.16097/j.cnki.1009-6744.2021.01.013.