LSTM-МЕРЕЖІ У ПРОГНОЗУВАННІ ТА ОПТИМІЗАЦІЇ ТРАФІКУ: МОЖЛИВОСТІ, ВИКЛИКИ ТА ПЕРСПЕКТИВИ РОЗВИТКУ

Анотація

Удосконалення систем оптимізації трафіку все частіше базується на нейронних мережах LSTM, які демонструють високу точність у короткостроковому прогнозуванні дорожнього руху. Завдяки здатності моделювати часові залежності та просторову неоднорідність, ці моделі суттєво перевершують традиційні підходи, такі як ARIMA та SVM. Гібридні архітектури, зокрема GCN-LSTM, а також механізми уваги (наприклад, NTAM-LSTM), підвищують точність та стійкість прогнозів, що особливо важливо для складних міських мереж. LSTM-моделі також знаходять застосування в управлінні авіатрафіком, адаптивному регулюванні світлофорів та динамічному плануванні маршрутів. Основні виклики — масштабованість, якість даних та обробка в реальному часі — потребують подальших досліджень у напрямах гібридного моделювання, edge-computing та інтеграції мультимодальних даних.