REAL-TIME PASSENGER FLOW PREDICTION USING AUTOMATED DATA PREPARATION

Аңдатпа

Қоғамдық көлік жүйелері тұрақты қалалық дамуды қамтамасыз етуде маңызды рөл атқарады және көлік кептелісі, қоршаған ортаға әсер ету және қалалық мобильділік сияқты өзекті мәселелерді шешуге мүмкіндік береді. Алайда жолаушылар сұранысының динамикалық және алдын ала болжануы қиын сипаты ресурстарды бөлуді және операциялық тиімділікті қамтамасыз етуді күрделендіреді. ARIMA сияқты дәстүрлі болжау әдістері заманауи көлік жүйелеріне тән сызықтық емес және кеңістіктік-уақыттық күрделіліктерді ескере алмайды. Бұл анағұрлым жетілдірілген әдістемелерді қолдану қажеттілігін туындатады. Осы зерттеуде Астана қаласының қоғамдық көлік желісіне бейімделген жолаушылар ағынын нақты уақыт режимінде болжаудың инновациялық құрылымы ұсынылады. Ұсынылған құрылым заманауи машиналық оқыту модельдерін, соның ішінде LightGBM, Random Forest және болашақта іске асыруға ұсынылған кеңістіктік-уақыттық графтық нейрондық желілерді (ST-GNN) пайдаланады. ST-GNN компоненті тұжырымдамалық деңгейде сипатталғандықтан, осы зерттеудегі эксперименттік бағалау LightGBM және Gradient Boosting Regressor сияқты ансамбльдік және бустинг модельдеріне бағытталған. Болжамдық модельдерді құру үшін жоғары сапалы бастапқы деректерді қамтамасыз ету мақсатында бос мәндер, шектен тыс мәндер және уақыттық сәйкессіздіктер сияқты кең таралған мәселелерді шешуге арналған деректерді алдын ала өңдеудің кешенді конвейері әзірленді. Ұсынылған құрылым орташа абсолюттік қателік (MAE) — 1,06, түбірлік орташа квадраттық қателік (RMSE) — 1,70 және орташа абсолюттік пайыздық қателік (MAPE) — 34,8 % көрсеткіштеріне қол жеткізді. Бұл нәтижелер дәстүрлі әдістермен салыстырғанда болжау тиімділігінің жоғары екенін көрсетті. Алынған дәлдік сұранысты неғұрлым нақты болжауға, ресурстарды бөлуді оңтайландыруға және жолаушыларға көрсетілетін қызмет сапасын арттыруға мүмкіндік береді. Дәстүрлі тәсілдерден айырмашылығы, ұсынылған құрылым заманауи кеңістіктік-уақыттық модельдеу әдістерін біріктіріп, теориялық жетістіктер мен практикалық қолдану арасындағы алшақтықты азайтады. Зерттеу нәтижелері интеллектуалды көлік жүйелерін дамытуға арналған практикалық ұсынымдар береді және қарқынды дамып келе жатқан қалалардағы қалалық мобильділік мәселелерін шешуге арналған масштабталатын әрі бейімделгіш шешімді ұсынады.