REAL-TIME PASSENGER FLOW PREDICTION USING AUTOMATED DATA PREPARATION

Аннотация

Системы общественного транспорта имеют важнейшее значение для устойчивого развития городов, позволяя решать такие актуальные проблемы, как транспортные заторы, воздействие на окружающую среду и городская мобильность. Однако динамичный и непредсказуемый характер пассажирского спроса усложняет распределение ресурсов и обеспечение эффективности транспортных операций. Традиционные методы прогнозирования, включая ARIMA, не учитывают нелинейные и пространственно-временные особенности, характерные для современных транспортных систем, что обусловливает необходимость применения более совершенных методологий. В настоящем исследовании представлена инновационная система прогнозирования пассажиропотока в реальном времени, адаптированная к сети общественного транспорта Астаны. Предлагаемая система использует современные модели машинного обучения, включая LightGBM, Random Forest, а также концептуальную пространственно-временную графовую нейронную сеть (ST-GNN), предложенную для последующей реализации. Поскольку компонент ST-GNN представлен на концептуальном уровне, экспериментальная оценка в данном исследовании сосредоточена на ансамблевых моделях и моделях бустинга, таких как LightGBM и Gradient Boosting Regressor. Для устранения распространенных проблем, включая пропущенные значения, выбросы и временные несоответствия, был разработан комплексный конвейер предварительной обработки данных, обеспечивающий высокое качество входных данных для построения прогнозных моделей. Предложенная система продемонстрировала следующие показатели: средняя абсолютная ошибка (MAE) — 1,06, среднеквадратичная ошибка (RMSE) — 1,70 и средняя абсолютная процентная ошибка (MAPE) — 34,8 %, что свидетельствует о более высокой эффективности прогнозирования по сравнению с традиционными методами. Полученная точность обеспечивает возможность более точного прогнозирования спроса, оптимизации распределения ресурсов и повышения качества обслуживания пассажиров. В отличие от традиционных подходов, предложенная система интегрирует современные методы пространственно-временного моделирования, обеспечивая взаимосвязь между теоретическими достижениями и их практическим применением. Результаты исследования предоставляют практические рекомендации для разработки интеллектуальных транспортных систем, предлагая масштабируемое и адаптивное решение задач городской мобильности в условиях стремительно растущих городов.