Search academic texts

Information × Registration Number 2124U009280, Article popup.category Опубліковано, Стаття Title METHOD FOR AGENT-ORIENTED TRAFFIC PREDICTION UNDER DATA AND RESOURCE CONSTRAINTS popup.author Льовкін В. М.Субботін С. О.Олійник А. О.Lovkin V. M.Subbotin S. A.Oliinyk A. O. popup.publication 03-01-2024 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/296210 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Проблема прогнозування автомобільного трафіку в місті пов’язана з розв’язанням одночасно і завдань переміщення в місті, і визначення забрудненості повітря в місті. Сучасні моделі прогнозування мають надмірну складність при використанні для окремих станцій, потребують великої кількості станцій спостереження, тривалого періоду спостереження зокрема у випадку погодинного прогнозування. Тому існує потреба в створенні відповідного метода, який дозволить подолати ці обмеження. Об’єктом роботи є автомобільний трафік у місті. Мета роботи – розробити метод прогнозування автомобільного трафіку, який дозволить створити моделі для визначення трафіку за станціями у майбутньому в умовах обмеженості даних та ресурсів. Метод. У статті запропоновано метод агентно-орієнтованого прогнозування автомобільного трафіку в умовах обмеженості наявних даних і обчислювальних ресурсів. Даний метод ґрунтується на використанні двонаправлених LSTM моделей з вхідними ознаками, якими є дані, отримані від агента, що відповідає станції прогнозування, та від агентів, що представляють інші інформативні станції у місті, які обираються на основі використання ансамблів дерев рішень за допомогою методу Random Forest. Довжина вхідного часового інтервалу в методі обирається на основі даних автокореляції. Результати. Експериментальне дослідження проводилося на основі даних про трафік у місті Мадрид, використовуючи дані, зібрані за 59 станціями спостереження. У результаті застосування створених на основі запропонованого методу моделей було отримано підвищену точність прогнозування, яку було підтверджено зменшенням значень MSE, MAE, RMSE, та підвищену інформативність порівняно з базовими LSTM-моделями. Висновки. Отримані в результаті проведеного дослідження моделі відрізняються оптимальною кількістю вхідних ознак порівняно з відомими, не потребують використання цілісної системи станцій у місті на всіх автомобільних дорогах. Це дозволяє використовувати дані моделі в умовах обмеження ресурсів та обмеженої доступності даних про трафік у місті. При цьому забезпечується достатньо висока інформативність створених моделей з придатним для застосування на практиці рівнем точності прогнозування.  popup.nrat_date 2026-02-27 Close