rostransportТранспорт Российской Федерации. Журнал о науке, практике, экономикеTransport of the Russian Federation1994-831Х2658-3674Российская академия транспортаrostransport-506Research ArticleРЕГИОНРЕГИОНПрогноз скорости транспортного потока (на примере г. Хабаровска)Forecasting Traffic Flow Speed (Case Study: Khabarovsk)ПугачевИ. Н.PugachevI. N.

Пугачев Игорь Н. - д-р техн. наук, заместитель директора по научной работе ХФИЦ ДВО РАН; профессор кафедры изысканий и проектирования железных и автомобильных дорог ДвГУПС.

Igor N. Pugachev - Dr. Sc. (Engineering), Deputy Director for Research, Khabarovsk Federal Research Centre, Far Eastern Branch of the Russian Academy of Sciences; Professor, Department of Survey and Design of Railways and Roads, Far Eastern State Transport University.

ipugachev64@mail.ruШешераН. Г.ShesheraN. G.

Шешера Николай Г. - д-р техн. наук, доцент кафедры информационного и технического обеспечения ОВД ДВЮИ им. И.Ф. Шилова.

Nikolay G. Sheshera - Dr. Sc. (Engineering), Associate Professor, Department of Information and Technical Support of the Internal Affairs Bodies, Far Eastern Law Institute named after I.F. Shilov.

Хабаровский федеральный исследовательский центр Дальневосточного отделения РАН; Дальневосточный государственный университет путей сообщенияРоссияKhabarovsk Federal Research Centre, Far Eastern Branch of the Russian Academy of Sciences; Far Eastern State Transport UniversityRussian FederationДальневосточный юридический институт имени И.Ф. ШиловаРоссияFar Eastern Law Institute named after I.F. ShilovRussian Federation202602082026026972Copyright © Пугачев И.Н., Шешера Н.Г., 20262026Пугачев И.Н., Шешера Н.Г.Pugachev I.N., Sheshera N.G.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://rostransport.elpub.ru/jour/article/view/506

Предложен метод прогнозирования максимальной скорости транспортного потока в городской среде на основе ансамблевой регрессионной модели (случайный лес и градиентный бустинг). Использованы данные о геометрических элементах дорог, погоде и временных параметров, собранных в г. Хабаровске за два года. Выявлены 12 ключевых признаков, включая ширину проезжей части, месяц, температуру, тип парковки и др. Результаты позволяют уточнить нормативы проектирования СП 34.13330.2021.

The article proposes a method for forecasting maximum traffic flow speed in an urban environment based on an ensemble regression model (random forest and gradient boosting). Data on geometric road elements, weather conditions, and temporal parameters collected in Khabarovsk over two years were used. Twelve key features were identified — including carriageway width, month, temperature, parking type, and others. The results enable refinement of the design standards set out in SP 34.13330.2021.

транспортный потокмаксимальная скоростьнормативы проектирования автомобильных дорогtraffic flowmaximum speedroad design standardsReferencesПугачев И. Н., Скрипко П. Б., Шешера Н. Г. Программный подход к комплексному сбору и подготовки данных об интенсивности движения транспортных средств, погодных условий и естественной освещенности в часовых интервалах // T-Comm: Телекоммуникации и транспорт. 2023. Т. 17. № 10. С. 43-51.Пугачев И. Н., Скрипко П. Б., Шешера Н. Г. Программный подход к комплексному сбору и подготовки данных об интенсивности движения транспортных средств, погодных условий и естественной освещенности в часовых интервалах // T-Comm: Телекоммуникации и транспорт. 2023. Т. 17. № 10. С. 43-51.Пугачев И. Н., Шешера Н. Г., Григоров Д. Е. Использование инструментов современных библиотек Python по работе с географическими координатами для решения задач безопасности дорожного движения // Транспорт Азиатско-Тихоокеанского региона. 2024. № 3(40). С. 60-66.Пугачев И. Н., Шешера Н. Г., Григоров Д. Е. Использование инструментов современных библиотек Python по работе с географическими координатами для решения задач безопасности дорожного движения // Транспорт Азиатско-Тихоокеанского региона. 2024. № 3(40). С. 60-66.Mahmoud N., Abdel-Aty M., Cai Q., Abuzwidah M. Analyzing the difference between operating speed and target speed using mixed-effect ordered logit model // Transportation Research Record. 2022. Vol. 2676. № 9. P. 596-607.Mahmoud N., Abdel-Aty M., Cai Q., Abuzwidah M. Analyzing the difference between operating speed and target speed using mixed-effect ordered logit model // Transportation Research Record. 2022. Vol. 2676. № 9. P. 596-607.Sutheerakul Ch., Kronprasert N., Satiennam W., Zaw M. S. С. Classification of roadway context and target speed for multilane highways in thailand using fuzzy expert system // Sustainability. 2024. Vol. 16. № 9. P. 3865.Sutheerakul Ch., Kronprasert N., Satiennam W., Zaw M. S. С. Classification of roadway context and target speed for multilane highways in thailand using fuzzy expert system // Sustainability. 2024. Vol. 16. № 9. P. 3865.Chen L., Zhou Q., Cai Y. et al. Caegan: a hybrid model for vehicle trajectory prediction // IET Intelligent Transport Systems. 2022. Vol. 16. № 12. P. 16821696.Chen L., Zhou Q., Cai Y. et al. Caegan: a hybrid model for vehicle trajectory prediction // IET Intelligent Transport Systems. 2022. Vol. 16. № 12. P. 16821696.Пугачев И. Н., Шешера Н. Г., Григоров Д. Е. Определение эффективных широт интервалов влияния температурных режимов на интенсивность транспортного потока с использованием ранговой корреляции Спирмена // T-Comm: Телекоммуникации и транспорт. 2024. Т. 18. № 3. С. 34-40.Пугачев И. Н., Шешера Н. Г., Григоров Д. Е. Определение эффективных широт интервалов влияния температурных режимов на интенсивность транспортного потока с использованием ранговой корреляции Спирмена // T-Comm: Телекоммуникации и транспорт. 2024. Т. 18. № 3. С. 34-40.Фурман С. И., Чантиева М. Э. Ансамблевые методы, алгоритмы семантической обработки видеоизображений, архитектуры машинного обучения для режима реального времени // Инновации. Наука. Образование. 2020. № 22. С. 389-393.Фурман С. И., Чантиева М. Э. Ансамблевые методы, алгоритмы семантической обработки видеоизображений, архитектуры машинного обучения для режима реального времени // Инновации. Наука. Образование. 2020. № 22. С. 389-393.Зацерковный А. В., Нурминский Е. А. Нейросетевой анализ транспортных потоков городских агломераций на основе данных публичных камер видеообзора // Компьютерные исследования и моделирование. 2021. Т. 13. № 2. С. 305-318.Зацерковный А. В., Нурминский Е. А. Нейросетевой анализ транспортных потоков городских агломераций на основе данных публичных камер видеообзора // Компьютерные исследования и моделирование. 2021. Т. 13. № 2. С. 305-318.Mazloumi E., Rose G., Currie G., Moridpour S. Prediction intervals to account for uncertainties in neural network predictions: methodology and application in bus travel time prediction // Eng. Appl. Artif. Intell. 2011. № 24(3). P. 534-542.Mazloumi E., Rose G., Currie G., Moridpour S. Prediction intervals to account for uncertainties in neural network predictions: methodology and application in bus travel time prediction // Eng. Appl. Artif. Intell. 2011. № 24(3). P. 534-542.Донченко Д. С., Садовникова Н. П., Парыгин Д. С. Прогнозирование степени тяжести последствий ДТП с использованием методов машинного обучения // Вестник Воронежского института высоких технологий. 2019. № 13(4).Донченко Д. С., Садовникова Н. П., Парыгин Д. С. Прогнозирование степени тяжести последствий ДТП с использованием методов машинного обучения // Вестник Воронежского института высоких технологий. 2019. № 13(4).Habib M., Bashir B., Alsalman A., Bachir H. Evaluating the accuracy and effectiveness of machine learning methods for rapidly determining the safety factor of road embankments // Multidiscipline Modeling in Materials and Structures. 2023. Vol. 19. № 5. P. 966-983.Habib M., Bashir B., Alsalman A., Bachir H. Evaluating the accuracy and effectiveness of machine learning methods for rapidly determining the safety factor of road embankments // Multidiscipline Modeling in Materials and Structures. 2023. Vol. 19. № 5. P. 966-983.

The authors declare that there are no conflicts of interest present.