Моделі прогнозування автомобільного трафіку на основі LSTM при розробці прикладних програм

Валерій Миколайович Льовкін

doi:10.26642/ten-2023-2(92)-152-157

Автор(и)

Валерій Миколайович Льовкін Національний університет «Запорізька політехніка», Ukraine https://orcid.org/0000-0002-6890-2807

DOI:

https://doi.org/10.26642/ten-2023-2(92)-152-157

Ключові слова:

автомобільний трафік, прогнозування, часовий ряд, машинне навчання, довга короткочасна пам’ять

Анотація

У роботі досліджується проблема прогнозування автомобільного трафіку, яка є важливою для мешканців сучасних міст і їх груп при плануванні переміщень у місті зокрема і власних справ в цілому, враховуючи підвищення забрудненості повітря зі збільшенням трафіку. Мета роботи полягала в дослідженні впливу різних вхідних ознак LSTM-моделі та тривалості вхідного часового інтервалу на результати прогнозування автомобільного трафіку в місті. Запропоновані рішення дозволяють подолати обмеження щодо необхідності наявності цілої системи станцій спостереження та великого набору історичних даних, які виникають при використанні моделей, запропонованих у дослідженнях інших авторів. У роботі задача прогнозування автомобільного трафіку, яка є задачею прогнозування часового ряду, розглянута у перспективі 6 наступних годин з інтеграцією створених моделей до прикладних програм, для чого визначено відповідні процедури збору та оброблення даних. Проведено експериментальне дослідження на основі даних, зібраних за 59 станціями спостереження, оцінювання результатів якого відбувається за рядом показників (середньої абсолютної, середньоквадратичної і кореня середньоквадратичної похибки) щодо точності та за коефіцієнтом детермінації стосовно інформативності. Запропоновані моделі прогнозування побудовані на основі використання довгої короткочасної пам’яті. Експериментальне дослідження підтвердило підвищення точності та інформативності створених моделей при використанні більш тривалого вхідного часового інтервалу (24 годин замість 6) та додаткових вхідних ознак на основі даних трафіку станцій спостереження, які були відібрані зі всього набору станцій за допомогою ансамблів дерев рішень на основі методу Random Forest.

Посилання

United Nations, Department of Economic and Social Affairs (2019), World Urbanization Prospects: The 2018 Revision (ST/ESA/SER.A/420), New York, United Nations, 126 p., [Online], available at: https://population.un.org/wup/publications/Files/WUP2018-Report.pdf.

Chen, R. & Yao, H. (2023), «Hybrid Graph Models for Traffic Prediction», Applied Sciences, No. 13 (15), doi: 10.3390/app13158673.

Hu, X., Liu, T., Hao, X. and Lin, C. (2022), «Attention-based Conv-LSTM and Bi-LSTM networks for large-scale traffic speed prediction», The Journal of Supercomputing, No. 78, pp. 12686–12709, doi: 10.1007/s11227-022-04386-7.

Tytarenko, V. & Shumliakivskyi, V. (2023), «Measurement and analysis of traffic delays in front of controlled intersections based on quadcopter images», Technical Engineering, No. 1 (91), pp. 228–234, doi: 10.26642/ten-2023-1(91)-228-234.

Fu, R., Zhang, Z. & Li, L. (2016), «Using LSTM and GRU neural network methods for traffic flow prediction», 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC), Wuhan, China, CAA, pp. 324–328, doi: 10.1109/YAC.2016.7804912.

Abduljabbar, R.L., Dia, H., Tsai, T.-W. (2021), «Development and evaluation of bidirectional LSTM freeway traffic forecasting models using simulation data», Scientific Reports, No. 11, doi: 10.1038/s41598-021-03282-z.

Zhao, Z., Chen, W., Wu, X., Chen, P. C. Y. & Liu, J. (2017), «LSTM network: a deep learning approach for short-term traffic forecast», IET Intelligent Transport Systems, Volume 11, No. 2, pp. 68–75.

Poonia, P. & Jain, V. (2020), «Short-Term Traffic Flow Prediction: Using LSTM», 2020 International Conference on Emerging Trends in Communication, Control and Computing (ICONC3), Lakshmangarh, Mody University of Science and Technology, pp. 1–4, doi: 10.1109/ICONC345789.2020.9117329.

Aggarwal, C. (2018), «Neural Networks and Deep Learning: A Textbook», Springer, 520 p., doi: 10.1007/978-3-319-94463-0.

En portada – Portal de datos abiertos del Ayuntamiento de Madrid, [Online], available at: https://datos.madrid.es/portal/site/egob.

Aforos de tráfico en la ciudad de Madrid permanentes – Portal de datos abiertos del Ayuntamiento de Madrid, [Online], available at: https://datos.madrid.es/sites/v/index.jsp?vgnextoid=fabbf3e1de124610VgnVCM2000001 f4a900aRCRD&vgnextchannel=374512b9ace9f310VgnVCM100000171f5a0aRCRD.

Datos meteorológicos. Datos horarios desde 2019 – Portal de datos abiertos del Ayuntamiento de Madrid, [Online], available at : https://datos.madrid.es/portal/site/egob/menuitem.c05c1f754a33a9fbe4b2e4b284f1a5a0/?vgnextoid= fa8357cec5efa610VgnVCM1000001d4a900aRCRD&vgnextchannel=374512b9ace9f310VgnVCM100000171f5a0aRCRD&vgnextfmt=default.