Прогнозирование дорожных заторов на основе анализа временных рядов
https://doi.org/10.37493/2307-910X.2023.2.5
Аннотация
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.
Об авторах
В. В. Луценко
ФГАОУ ВО «Северо-Кавказский федеральный университет»
Россия
Россия
Луценко Владислав Вячеславович – аспирант, кафедры вычислительной математики и кибернетики факультета математики и компьютерных наук имени профессора Н.И. Червякова,
355000, г. Ставрополь
Н. Н. Кучеров
ФГАОУ ВО «Северо-Кавказский федеральный университет»
Россия
Россия
Кучеров Николай Николаевич – старший научный сотрудник учебно-научного
центра «Вычислительной математики и параллельного программирования на суперЭВМ» факультета математики и компьютерных наук имени профессора Н.И. Червякова,
355000, г. Ставрополь
А. В. Гладков
ФГАОУ ВО «Северо-Кавказский федеральный университет»
Россия
Россия
Гладков Андрей Владимирович – младший научный сотрудник учебно-научного
центра «Вычислительной математики и параллельного программирования на суперЭВМ» факультета математики и компьютерных наук имени профессора Н.И. Червякова,
355000, г. Ставрополь
Список литературы
1. Batty M. Smart cities of the future // The European Physical Journal Special Topics. 2012. Vol. 214. P. 481-518.
2. 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.
3. Allahar H. What are the Challenges of Building a Smart City? // Technology Innovation Management Review. 2020. Vol. 10. No. 9. P. 38-48.
4. Qu W. Short-term intersection traffic flow forecasting // Sustainability. 2020. Vol. 12. No. 19.
5. Vlahogianni E.I., Kar-laftis 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. P. 3-19.
6. Pavlyuk D. Feature selection and extraction in spatiotemporal traffic forecasting: a systematic literature review // European Transport Research Review. 2019. Vol. 11. No. 1.
7. Kashyap A. A. Traffic flow prediction models–A review of deep learning techniques // Cogent Engineering. 2022. Vol. 9. No. 1.
8. Cai L. A sample-rebalanced outlier-rejected k-nearest neighbor regression model for short-term traffic flow forecasting // IEEE access. 2020. Vol. 8.
9. 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. P. 143-150.
10. Mai T., Ghosh B., Wilson S. Short-term traffic flow forecasting using dynamic linear models // Irish Transport Research Network, 2011.
11. 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. P. 352-372.
12. 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. P. 180-189.
13. Çetiner B. G., Sari M., Borat O. A neural network based traffic-flow prediction model // Mathematical and Computational Applications. 2010. Vol. 15. No. 2. P. 269-278.
14. 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. P. 328- 331.
15. Guorong G., Yanping L. Traffic Flow Forecasting based on PCA and Wavelet Neural Network // Information Science and Management Engineering (ISME). 2010. Vol. 1. P. 158- 161.
16. Gardner Jr E. S. Exponential smoothing: The state of the art // Journal of forecasting. 1985. Vol. 4. No. 1. P. 1-28.
17. Tratar L. F., Strmčnik E. The comparison of Holt–Winters method and Multiple regression method: A case study // Energy. 2016. Vol. 109. P. 266-276.
18. Lin X., Huang Y. Short‐term high-speed traffic flow prediction based on ARIMAGARCH-M model // Wireless Personal Communications. 2021. Vol. 117. No. 4. P. 3421-3430.
Рецензия
Для цитирования:
Луценко В.В., Кучеров Н.Н., Гладков А.В. Прогнозирование дорожных заторов на основе анализа временных рядов. Современная наука и инновации. 2023;(2):50-58. https://doi.org/10.37493/2307-910X.2023.2.5
For citation:
Lutsenko V.V., Kucherov N.N., Gladkov A.V. Predicting traffic congestion based on time series analysis. Modern Science and Innovations. 2023;(2):50-58. https://doi.org/10.37493/2307-910X.2023.2.5
Просмотров:
108
Послать статью по эл. почте 