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 граж-
дан 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, прогно-
зирование транспортных потоков является важным и необходимым компонентом опти-
мального 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 представ-
ляет 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, запи-
санным на участке дороги и предоставленным менеджером инфраструктуры. Фактиче-
ски, нейронные сети способны извлекать уроки из прошлых возникших ситуаций и предска-
зывать 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 определе-
нию 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 представле-
нию предлагаемого метода решения с акцентом на искусственные нейронные сети, как
средство прогнозирования спроса и его различных структур. Затем численные экспери-
менты проиллюстрированы анализом результатов прогноза после формирования и тести-
рования различных архитектур нейронных сетей.
Литература
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 systems
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 control
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 networks,
Proc. of the 2020 Int. Conf. on Artificial Intelligence in Information and Communication,
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.
