МОДЕЛЬ ПРОГНОЗИРОВАНИЯ ТРАНСПОРТНОГО ПОТОКА НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРЕДСКАЗАНИЯ ТРАФИКА НА ДОРОГАХ
Аннотация
В связи с индустриализацией современного общества, ростом транспортных систем нашей страны, увеличения определенных необходимых для развития потребностей граждан нашей страны количество транспортных средств разных видов и типов с каждым годом продолжает увеличиваться с большой скоростью, вызывая огромные пробки на транспортных дорогах, особенно в больших городах и мегаполисах. Таким образом, прогнозирование транспортных потоков является важным и необходимым компонентом оптимального управления трафиком в современных условиях развития транспортной сети. В качестве решения этой проблемы данная статья нацелена на анализ и описание приме-нения методов искусственного интеллекта, в частности нейронных сетей, что представляет современный подход к моделированию в сложных и нелинейных ситуациях, возникаю-щих при прогнозировании модели транспортного потока. Показанный метод точности основан на разработке нейронной сети для прогнозирования дневного потока трафика. Затем ожидаемый транспортный поток сравнивается с реальным набором данных, записанным на участке дороги и предоставленным менеджером инфраструктуры. Фактически, нейронные сети способны извлекать уроки из прошлых возникших ситуаций и предсказывать будущие ситуации на транспортной сети. В этом исследовании были изучены раз-личные структуры нейронной сети, и результаты моделирования показали, что лучшие прогнозы были получены с использованием многослойной архитектуры персептрон, кото-рая имеет хорошую систему обобщения со средней общей квадратичной ошибкой 0,00927 при текущем наборе транспортных средств. Первая часть статьи посвящена определению различных концепций, относящихся к текущей области исследований, включая обзор литературы по прогнозированию трафика и нейронным сетям. Вторая часть посвящена описанию проблемы перегрузки трафика с помощью задач прогнозирования и представлению предлагаемого метода решения с акцентом на искусственные нейронные сети, как средство прогнозирования спроса и его различных структур. Затем численные эксперименты проиллюстрированы анализом результатов прогноза после формирования и тестирования различных архитектур нейронных сетей.
Список литературы
1. Lana I., Del Ser J., Velez M., et Vlahogianni E.I. Road Traffic Forecasting: Recent Advances and New Challenges, IEEE Intell. Transp. Syst. Mag., 2018, Vol. 10, No. 2, pp. 93-109.
2. Zargaryan E.V., Akopdzhanyan Zh.Zh. Issledovanie avtomatizatsii kollaborativnykh robotov i sposoby ikh primeneniya [Research of automation of collaborative robots and methods of their application], Tekhnologii razrabotki informatsionnykh sistem TRIS-2020: Mater. X Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii [Technologies for the development of information systems TRIS-2020. Materials of the X International Scientific and Technical Conference], 2020, pp. 218-223.
3. Zargaryan Yu.A. Zadacha upravlyaemosti v adaptivnoy avtomatnoy obuchaemoy sisteme upravleniya [The problem of controllability in an adaptive automaton learning control system], Tekhnologii razrabotki informatsionnykh sistem TRIS-2020: Mater.X Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii [Technologies for the development of information sys-tems TRIS-2020. Materials of the X International Scientific and Technical Conference], 2020.
4. Zargaryan E.V., Zargaryan Y.A., Dmitrieva I.A., Sakharova O.N. and Pushnina I.V. Modeling design information systems with many criteria. Information Technologies and Engineering – APITECH – 2020, Journal of Physics: Conference Series, 2020, Vol. 2085 (3), pp. 032057(1-7). DOI: 10.1088/1742-6596/1679/3/032057.
5. Kamarianakis Y. et Prastacos P. Forecasting Traffic Flow Conditions in an Urban Network: Comparison of Multivariate and Univariate Approaches, Transp. Res. Rec. J. Transp. Res. Board, Janv. 2003, Vol. 1857, No. 1, pp. 74-84.
6. Zargaryan E.V., Zargaryan Y.A., Kapc I.V., Sakharova O.N., Kalyakina I.M and Dmitrieva I.A. Method of estimating the Pareto-optimal solutions based on the usefulness, International Conference on Advances in Material Science and Technology - CAMSTech-2020: IOP Conf. Series: Materials Science and Engineering, 2020, Vol. 919 (2), pp. 022027 (1-8). DOI: 10.1088/1757-899X/919/2/022027.
7. Nagatani T. The physics of traffic jams, Rep. Prog. Phys., Sept. 2002, Vol. 65, No. 9, pp. 1331-1386.
8. Jiber M., Lamouik I., Ali Y., et Sabri M.A. Traffic flow prediction using neural network, in 2018 International Conference on Intelligent Systems and Computer Vision (ISCV), Fez, 2018, pp. 1-4.
9. Zhang Y.et Liu Y. Comparison of Parametric and Nonparametric Techniques for Non-peak Traffic Forecasting, 2009, Vol. 3, No. 3, pp. 7.
10. Beloglazov D., Shapovalov I., Soloviev V., Zargaryan E. The hybrid method of path planning in non-determined environments based on potential fields, ARPN Journal of Engineering and Applied Sciences, 2017, Vol. 12, No. 23, pp. 6762-6772.
11. Zargarjan E.V., Zargarjan Ju.A., Finaev V.I. Information support for the training of fuzzy production account balance in the conditions of incomplete data. Innovative technologies and didactics in teaching (ITDT-2016), Collected papers, 2016, pp. 128-138.
12. Ahmed M.S. et. Cook A.R. Analysis of Freeway Traffic Time-Series Data by Using Box-Jenkins Techniques, pp. 9.
13. Finaev V.I., Zargaryan Yu.A., Zargaryan E.V., Solov'ev V.V. Formalizatsiya grupp podvizhnykh ob"ektov v usloviyakh neopredelennosti dlya vybora upravlyayushchikh resheniy [Formalization of groups of mobile objects in conditions of uncertainty for the choice of con-trol decisions], Informatizatsiya i svyaz' [Informatization and communication], 2016, No. 3, pp. 56-62.
14. Slimani I., Farissi I.E.l, et Achchab S. Artificial Neural Networks for Demand Forecasting: Application Using Moroccan Supermarket Data, 2015.
15. Slimani I., Farissi I. El, et Achchab S. Configuration and implementation of a daily artificial neural network-based forecasting system using real supermarket data, Int. J. Logist. Syst. Manag., 2017, Vol. 28, No. 2, pp. 144-163.
16. Pushnina I.V. Sistema upravleniya podvizhnym ob"ektom v usloviyakh neopredelennosti [The control system of a moving object in conditions of uncertainty], Nauka i obrazovanie na rubezhe tysyacheletiy: Sb. nauchno-issledovatel'skikh rabot [Science and education at the turn of the millennium: A collection of research papers]. Kislovodsk, 2018, pp. 65-74.
17. Wang X., Wang C. Time series data cleaning: A survey, IEEE Access, 2020, Vol. 8, pp. 1866-1881. DOI: 10.1109/ACCESS.2019.2962152.
18. Data-driven smart cities: Big Data, analytics, and security, 2018. Available at: https://skelia.com/ articles/data-driven-smart-cities-big-data-analytics-and-security/ (accessed 14 september2020).
19. Kim J., Tae D., Seok J. A survey of missing data imputation using generative adversarial net-works, Proc. of the 2020 Int. Conf. on Artificial Intelligence in Information and Communica-tion, ICAIIC 2020, pp. 454-456. DOI: 10.1109/ICAIIC48513.2020.9065044.
20. Dmitrieva I.A., Mileshko L.P., Begun O.V., Berezhnaya A.V. Information Modernization of The General Theory Of Environmental Safety Ensuring, IOP Conference Series: Materials Science and Engineering. III International Scientific Conference. Krasnoyarsk, 2021, pp. 12072.
21. Ivanova N.A., Begun O.V., Dmitrieva I.A., Mileshko L.P., Sklifus R.V. Impact Of Road Transport on The Environmental Situation In The Urban Environment, European Proceedings of Social and Behavioural Sciences EpSBS. Krasnoyarsk, Russia, 2021, pp. 2600-2606.
