ДОСЛІДЖЕННЯ СІМЕЙ МЕТОДІВ ДЛЯ ПРОГНОЗУВАННЯ ЗАГРУЖЕНОСТІ ТРАНСПОРТНОЇ МЕРЕЖІ

Анотація

У роботі проведено комплексне дослідження та систематизацію сімей методів прогнозування завантаженості транспортних мереж, що є критично важливим компонентом сучасних інтелектуальних транспортних систем. Актуальність теми зумовлена стрімкою урбанізацією та необхідністю ефективного керування транспортними потоками для зменшення заторів і підвищення безпеки руху.

У статті виконано порівняльний аналіз трьох основних класів підходів: параметричних статистичних моделей, методів машинного навчання та глибокого навчання. Показано, що традиційні методи, такі як ARIMA та фільтр Калмана, хоча і є ефективними для короткострокових прогнозів на окремих ділянках, мають обмежені можливості у моделюванні нелінійних просторово-часових залежностей складних мереж. Методи машинного навчання, зокрема метод опорних векторів та випадковий ліс (Random Forest), демонструють вищу гнучкість, проте часто потребують складного ручного конструювання ознак.

Особливу увагу приділено сімейству методів глибокого навчання, зокрема рекурентним та згортковим нейронним мережам, а також їхній еволюції у графові нейронні мережі. Детально проаналізовано архітектури, які моделюють транспортний потік як процес дифузії на орієнтованому графі, що дозволяє ефективно враховувати топологію дорожньої мережі та просторові кореляції.

Дослідження також висвітлює новітні гібридні та ансамблеві підходи. Розглянуто модель, яка інтегрує дані навігаційних систем про майбутні наміри водіїв через спеціалізований трансформер домену, підвищуючи точність прогнозування нерегулярних заторів. Також проаналізовано ефективність методів ансамблювання що комбінують різнорідні базові моделі для підвищення робастності та точності прогнозу.

Зроблено висновок, що найбільш перспективним напрямком є розробка гібридних моделей, які поєднують здатність GNN до просторового моделювання з механізмами уваги та інтеграцією зовнішніх контекстних даних.