ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВОГО МОДЕЛЮВАННЯ ДЛЯ ПРОГНОЗУВАННЯ ТРИВАЛОСТІ ПЕРЕБУВАННЯ ТРАНСПОРТНОГО ЗАСОБУ НА ЗУПИНЦІ ГРОМАДСЬКОГО ТРАНСПОРТУ

М.М. Zhuk; H.V. Pivtorak; І.І. Hits

doi:10.33082/td.2022.1-12.13

М.М. Zhuk https://orcid.org/0000-0003-1989-1053
H.V. Pivtorak https://orcid.org/0000-0003-3645-1586
І.І. Hits https://orcid.org/0000-0002-7081-438X

DOI: https://doi.org/10.33082/td.2022.1-12.13

Ключові слова: громадський транспорт, штучна нейронна мережа, тривалість перебування, моделювання

Анотація

Вступ. Підвищення попиту на громадський транспорт серед міського населення можна досягнути комплексом різних заходів, одним з яких є вдосконалення системи перевезень та підвищення якості обслуговування пасажирів на різних ланках перевізного процесу. Сучасні методи опрацювання та аналізу параметрів функціонування транспортних систем дозволяють оцінити вплив різноманітних чинників на транспортні процеси та спрогнозувати результати такого впливу. Більшість транспортних процесів мають стохастичну, нелінійну структуру. У таких випадках доцільно використовувати методи штучного інтелекту, зокрема штучні нейронні мережі. Мета. Метою статті є визначення тривалості перебування транспортного засобу на зупинці громадського транспорту з використанням нейромережевого моделювання. Результати. У роботі розкрито основні принципи функціонування штучних нейронних мереж та правила їх використання. Проаналізовано доцільність застосування нейромережевого моделювання для прогнозування тривалості перебування транспортного засобу на зупинках громадського транспорту. Зокрема, проаналізовано вплив таких чинників, як: довжина маршруту, відстань від початку маршруту до досліджуваної зупинки, інтервал між транспортними засобами певного маршруту та пасажирообмін на зупинці. На основі зібраної під час натурних спостережень інформації в програмному середовищі Deductor створено нейронну мережу та проведено прогнозування тривалості перебування транспортного засобу на зупинці. Проведено оцінку якості отриманої моделі. Висновки. Нейромережеве моделювання є ефективним інструментом для дослідження транспортних процесів. Отримані результати свідчать про достатню точність отриманої моделі (середня тривалість перебування транспортного засобу на зупинці становить 24 с у ранковий період та 21 с – в обідній, відхилення в межах від 5 до 9,6 %). Подальші дослідження спрямовуватимуться на підвищення точності моделі шляхом, зокрема, розширення переліку вхідних параметрів.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Квєтний Р. Н., Кабачій В. В., Чумаченко О. О. Імовірнісні нейронні мережі в задачах ідентифікації часових рядів. Науковi працi Вiнницького нацiонального технiчного університету. 2010. № 3. 6 с. URL: http://ir.lib.vntu.edu.ua/bitstream/handle/123456789/4609/219.pdf? sequence=3 (дата звернення: 04.02.2022).

2. Кириченко А. А. Нейропакеты – современный интеллектуальный инструмент исследователя. 2013. 297 с.

3. Waleed Khalid Shihab, Sivaram Prasad. Artificial neural network. International Journal of Scientific Research. 2022. Vol. 8, Issue 7, pp. 18307–18328. DOI: 10.24327/ijrsr.2017.0807.0485

4. Вакуленко К. Є., Доля К. В. Управління міським пасажирським транспортом : навчальний посібник. Харків. нац. ун-т міськ. госп-ва ім. О. М. Бекетова. Харків, 2015. 257 с.

5. Півторак Г. В. Дослідження тривалості простою маршрутних транспортних засобів на зупинках громадського транспорту Львова. Автошляховик України. 2019. № 2. С. 17–23.

6. Яблоков І. В. Логістичні принципи прогнозування розподілу транспортних потоків на основі нейронних мереж. Економіко-математичне моделювання соціально-економічних систем. 2009. Вип. 14. С. 144–149.

7. Kang D., Lv Y. and Chen Y. Short-term traffic flow prediction with LSTM recurrent neural network. IEEE 20th International Conference on Intelligent Transportation Systems (ITSC). 2017. Pp. 1–6. DOI: 10.1109/ITSC.2017.8317872

8. Panovski D., Scurtu V. and Zaharia T. A Neural Network-based Approach for Public Transportation Prediction with Traffic Density Matrix. 7th European Workshop on Visual Information Processing (EUVIP). 2018. Pp. 1–6. DOI: 10.1109/EUVIP.2018.8611683

9. Junchen Ye, Leilei Sun, Bowen Du, Yanjie Fu, Xinran Tong, Hui Xiong. Co-Prediction of Multiple Transportation Demands Based on Deep Spatio-Temporal Neural Network. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD‘19). 2019. Association for Computing Machinery, New York, USA, 305–313. DOI: https://doi.org/10.1145/3292500.3330887

10. Liu Guojin, Yin Zhenzhi, JiaYunjian, Xie Yulaib. Passenger flow estimation based on convolutional neural network in public transportation system. Knowledge-Based Systems. 2017. Volume 123, 1. P. 102–115.

11. Shuwei Wang, Ronggui Zhou, Lin Zhao. Forecasting Beijing Transportation Hub Areas’s Pedestrian Flow Using Modular Neural Network. Discrete Dynamics in Nature and Society. 2015. Vol. 2015, Article ID 749181. 6 p. URL: https://doi.org/10.1155/2015/749181

12. Liang X., Wang G. A Convolutional Neural Network for Transportation Mode Detection Based on Smartphone Platform. IEEE 14th International Conference on Mobile Ad Hoc and Sensor Systems (MASS). 2017. Pp. 338–342. DOI: 10.1109/MASS.2017.81

13. Fang S., Fei Y., Xu Z. and Tsao Y. Learning Transportation Modes From Smartphone Sensors Based on Deep Neural Network. IEEE Sensors Journal. 2017. Vol. 17, No. 18. Pp. 6111–6118. DOI: 10.1109/JSEN.2017.2737825

14. Ana Alice Peregrino, Zhicheng Liu, Nivan Ferreira, Fabio Miranda. Transportation Scenario Planning with Graph Neural Networks. Conference: 10th International Workshop on Urban Computing. 2021. P. 1–5.

15. Pekel E., Selin Soner Kara. A comprehensive review for artificial neural network application to public transportation. Sigma: Journal of Engineering & Natural Sciences. 2017. Vol. 35 (1). P. 157–179.

16. Аулін В. В., Гриньків А. В., Головатий А. О., Лисенко С. В., Голуб Д. В., Кузик О. В., Тихий А. А. Методологічні основи проєктування та функціонування інтелектуальних транспортних і виробничих систем : монографія / під заг. ред. д. т. н., проф. Ауліна В. В. Кропивницький : Видавець Лисенко В. Ф., 2020. 428 с.

17. Amey Thakur, Archit Konde. Fundamentals of Neural Networks. International Journal for Research in Applied Science & Engineering Technology (IJRASET). 2021. Volume 9. Issue VIII. P. 407–426.

18. Хайкин С. Нейронные сети: полный курс, 2-е издание / Пер. с англ. Издательский дом Вильямс, 2006. 1104 с.

19. Терейковський І. А. Критерії вибору архітектури нейронної мережі для розв’язання задач із захисту інформації. Вісник Національного університету «Львівська політехніка». 2011. № 717. С. 168–177.

20. Pam Mantri, John Thomas. Design of Neural Networks. The 14th International Conference on Axiomatic Design (ICAD 2021). 2021. 1174 (2021). P. 1–16.

21. Савіна С. С., Бень В. П. Вибір архітектури нейромережі для розв’язання задачі класифікації надійності позичальників-фізичних осіб. Нейро-нечіткі технології моделювання в економіці. 2016. № 5. С. 124–151.