msiСовременная наука и инновацииModern Science and Innovations2307-910XNorth-Caucasus Federal University10.37493/2307-910X.2023.1.4msi-1450Research ArticleИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕTECHNICAL SCIENCES INFORMATION, COMPUTING AND MANAGEMENTПРОГНОЗИРОВАНИЕ ДОРОЖНЫХ ЗАТОРОВ НА ОСНОВЕ АНАЛИЗА ВРЕМЕННЫХ РЯДОВPREDICTING TRAFFIC CONGESTION BASED ON TIME SERIES ANALYSISЛуценкоВ. В.LutsenkoV. V.

 Луценко Владислав Вячеславович, аспирант, кафедры вычислительной математики и кибернетики

355000,  г. Ставрополь, тел. 8-960-424-33-09

 Vladislav V. Lutsenko, Postgraduate Student, Department of computationalmathematics and cybernetics

355000,  Stavropol, 355000, tel. 8-960-424-33-09 

vvlutcenko@ncfu.ruКучеровН. Н.KucherovN. N.

 Кучеров Николай Николаевич, старший научный сотрудник учебно-научного центра «Вычислительной математики и параллельного программирования на суперЭВМ» 

 355000,  г. Ставрополь, тел. 8-865-295-68-00

 Nikolay N. Kucherov, Senior Researcher, Educational and Scientific Center"Computational Mathematics and Parallel Programming on Supercomputers"

355000, Stavropol, 355000, tel. 8-865-295-68-00 

nkucherov@ncfu.ruГладковА. В.GladkovA. V.

 Гладков Андрей Владимирович, младший научный сотрудник учебнонаучного центра «Вычислительной математики и параллельного программирования насуперЭВМ»

355000,  г. Ставрополь, тел. 8-865-233-06-60

 Andrei V. Gladkov, Junior Researcher, Educational and Scientific Center"Computational Mathematics and Parallel Programming on Supercomputers",

355000, Stavropol, 355000, tel. 8-865-233-06-60 

agladkov@ncfu.ruСеверо-Кавказский Федеральный Университет, факультет математики и компьютерных наук имени профессора Н.И. ЧервяковаРоссияNorth-Caucasus Federal University, Faculty of mathematics and computer science named after Professor N. I. ChervyakovRussian Federation202303052023014755Copyright © Луценко В.В., Кучеров Н.Н., Гладков А.В., 20232023Луценко В.В., Кучеров Н.Н., Гладков А.В.Lutsenko V.V., Kucherov N.N., Gladkov A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://msi.elpub.ru/jour/article/view/1450

Дорожные заторы являются серьезной проблемой во многих городах, приводя к потере времени, увеличению загрязнения воздуха и снижению качества жизни. В последние несколько лет модели временных рядов широко используются для прогнозирования транспортных потоков и пробок на основе статистических данных. В данном исследовании анализируются данные о дорожном движении, собранные за несколько лет, и разрабатывается прогнозная модель на основе методов анализа временных рядов. Модель учитывает различные факторы, способствующие возникновению заторов, такие как время суток, день недели, перекресток. Результаты показывают, что модель эффективно прогнозирует загруженность дорог с высокой степенью точности, что может быть использовано для принятия рациональных решений и снижения загруженности дорог в городах.

Traffic congestion is a serious problem in many cities, resulting in lost time, increased air pollution, and reduced quality of life. In the past few years, time series models have been widely used to predict traffic flows and congestion. This study analyzes traffic data collected over several years and develops a predictive model based on time series analysis techniques. The model takes into account various factors that contribute to congestion, such as time of day, day of the week, and junction. The results show that the model effectively predicts traffic congestion with a high degree of accuracy, which can be used to make rational decisions and reduce urban traffic congestion

прогнозирование загруженности дорогметод ХольтаВинтерамодель ARIMAинтеллектуальная транспортная системапрогнозирование временных рядов.traffic forecastingHolt-Winter methodARIMA modelintelligent transportation systemtime series forecasting.Исследование было поддержано грантом Российского научного фонда № 22-71-10046, https://rscf.ru/en/project/22-71-10046/The research was supported by the Russian Science Foundation Grant No. 22-71-10046, https://rscf.ru/en/project/22-71-10046/ReferencesBatty M. Smart cities of the future // The European Physical Journal Special Topics, 2012. Vol. 214. Р. 481-518.Batty M. Smart cities of the future // The European Physical Journal Special Topics, 2012. Vol. 214. Р. 481-518.Arena F., Pau G., Severino A. A review on IEEE 802.11 p for intelligent transportation systems // Journal of Sensor and Actuator Networks, 2020. Vol. 9, No. 2. Р. 22.Arena F., Pau G., Severino A. A review on IEEE 802.11 p for intelligent transportation systems // Journal of Sensor and Actuator Networks, 2020. Vol. 9, No. 2. Р. 22.Allahar H. What are the Challenges of Building a Smart City? // Technology Innovation Management Review, 2020. Vol. 10, No. 9.Allahar H. What are the Challenges of Building a Smart City? // Technology Innovation Management Review, 2020. Vol. 10, No. 9.Qu W. Short-term intersection traffic flow forecasting // Sustainability, 2020. Vol. 12, No. 19.Qu W. Short-term intersection traffic flow forecasting // Sustainability, 2020. Vol. 12, No. 19.Vlahogianni E.I., Karlaftis M.G., Golias J.C. Short-term traffic forecasting: Where we are and where we‘re going // Transportation Research Part C: Emerging Technologies, 2014. Vol. 43, part 1. Р. 3-19.Vlahogianni E.I., Karlaftis M.G., Golias J.C. Short-term traffic forecasting: Where we are and where we‘re going // Transportation Research Part C: Emerging Technologies, 2014. Vol. 43, part 1. Р. 3-19.Pavlyuk D. Feature selection and extraction in spatiotemporal traffic forecasting: a systematic literature review // European Transport Research Review, 2019. Vol. 11, No. 1. Р. 6.Pavlyuk D. Feature selection and extraction in spatiotemporal traffic forecasting: a systematic literature review // European Transport Research Review, 2019. Vol. 11, No. 1. Р. 6.Kashyap A.A. Traffic flow prediction models. A review of deep learning techniques // Cogent Engineering, 2022. Vol. 9, No. 1.Kashyap A.A. Traffic flow prediction models. A review of deep learning techniques // Cogent Engineering, 2022. Vol. 9, No. 1.Cai L. A sample-rebalanced outlier-rejected k-nearest neighbor regression model for short-term traffic flow forecasting // IEEE access, 2020. Vol. 8.Cai L. A sample-rebalanced outlier-rejected k-nearest neighbor regression model for short-term traffic flow forecasting // IEEE access, 2020. Vol. 8.Sun H., Liu H., Xiao H., He R., Ran B. Short term traffic forecasting using the local linear regression model // Journal of Transportation Research Board, 2003. Vol. 1836. Р. 143-150.Sun H., Liu H., Xiao H., He R., Ran B. Short term traffic forecasting using the local linear regression model // Journal of Transportation Research Board, 2003. Vol. 1836. Р. 143-150.Mai T., Ghosh B., Wilson S. Short-term traffic flow forecasting using dynamic linear models // Irish Transport Research Network, 2011.Mai T., Ghosh B., Wilson S. Short-term traffic flow forecasting using dynamic linear models // Irish Transport Research Network, 2011.Ma T., Antoniou C., Toledo T. Hybrid machine learning algorithm and statistical time series model for network-wide traffic forecast // Transportation Research Part C: Emerging Technologies, 2020. Vol. 111. Р. 352-372.Ma T., Antoniou C., Toledo T. Hybrid machine learning algorithm and statistical time series model for network-wide traffic forecast // Transportation Research Part C: Emerging Technologies, 2020. Vol. 111. Р. 352-372.Ghosh B., Basu B., O‘Mahony M. Bayesian time-series model for short-term traffic flow forecasting // Journal of transportation engineering, 2007. Vol. 133, No. 3. Р. 180-189.Ghosh B., Basu B., O‘Mahony M. Bayesian time-series model for short-term traffic flow forecasting // Journal of transportation engineering, 2007. Vol. 133, No. 3. Р. 180-189.Çetiner B. G., Sari M., Borat O. A neural network based traffic-flow prediction model // Mathematical and Computational Applications, 2010. Vol. 15, No. 2. Р. 269-278.Çetiner B. G., Sari M., Borat O. A neural network based traffic-flow prediction model // Mathematical and Computational Applications, 2010. Vol. 15, No. 2. Р. 269-278.Yi H., Jung H. J., Bae S. Deep neural networks for traffic flow prediction // 2017 IEEE international conference on big data and smart computing (BigComp). IEEE, 2017. Р. 328-331.Yi H., Jung H. J., Bae S. Deep neural networks for traffic flow prediction // 2017 IEEE international conference on big data and smart computing (BigComp). IEEE, 2017. Р. 328-331.Guorong G., Yanping L. Traffic Flow Forecasting based on PCA and Wavelet Neural Network // Information Science and Management Engineering (ISME), 2010. Vol. 1. Р. 158-161.Guorong G., Yanping L. Traffic Flow Forecasting based on PCA and Wavelet Neural Network // Information Science and Management Engineering (ISME), 2010. Vol. 1. Р. 158-161.Gardner Jr E. S. Exponential smoothing: The state of the art // Journal of forecasting, 1985. Vol. 4, No. 1. Р. 1-28.Gardner Jr E. S. Exponential smoothing: The state of the art // Journal of forecasting, 1985. Vol. 4, No. 1. Р. 1-28.Tratar L. F., Strmčnik E. The comparison of Holt–Winters method and Multiple regression method: A case study // Energy, 2016. Vol. 109. Р. 266-276.Tratar L. F., Strmčnik E. The comparison of Holt–Winters method and Multiple regression method: A case study // Energy, 2016. Vol. 109. Р. 266-276.Lin X., Huang Y. Short-term high-speed traffic flow prediction based on ARIMA-GARCH-M model // Wireless Personal Communications, 2021. Vol. 117, No. 4. Р. 3421-3430Lin X., Huang Y. Short-term high-speed traffic flow prediction based on ARIMA-GARCH-M model // Wireless Personal Communications, 2021. Vol. 117, No. 4. Р. 3421-3430

The authors declare that there are no conflicts of interest present.