Прогноз скорости транспортного потока (на примере г. Хабаровска)

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.

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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).

11. 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.