Пошук академічних текстів

Інформація × Реєстраційний номер 0826U001077, Дисертація доктора філософії На здобуття Доктор філософії Дата захисту Статус Запланована Назва роботи Методи та засоби організації пасажирських перевезень у розумному місті Здобувач Мацелюх Юрій Романович, Керівник Литвин Василь Володимирович Керівник Ковальська-Штицень Агнешка -- Опонент Мокін Віталій Борисович Опонент Шафроненко Аліна Юріївна Рецензент Назаркевич Марія Андріївна Рецензент Басюк Тарас Михайлович Опис Дисертація присвячена вирішенню актуальної науково-прикладної задачі організації пасажирських перевезень громадським транспортом в умовах розумного міста шляхом розробки та застосування методів і засобів на основі системного аналізу, інтелектуального аналізу даних та моделей глибокого навчання. У вступі обґрунтовано актуальність теми, сформульовано мету, завдання, об’єкт, предмет і методи дослідження. Визначено наукову новизну та практичне значення отриманих результатів, наведено дані про особистий внесок здобувача, апробацію результатів дисертації та публікації. У першому розділі здійснено комплексний систематичний аналіз сучасного стану, проблем та практичних підходів до організації пасажирських перевезень в умовах переходу до парадигми П’ятої промислової революції у межах концепції розумного міста. Розглянуто трансформацію пасажирських перевезень громадським транспортом під впливом новітніх інформаційних технологій, зокрема системного аналізу, великих даних, штучного інтелекту та хмарних обчислень, а також виявлено критичні розриви між зібраними даними та існуючими методами, засобами та інструментами їх опрацювання. Проведено критичний порівняльний аналіз існуючих методів інтелектуального аналізу даних. Розглянуто концепції цифрових двійників у різних предметних сферах. У другому розділі набула подальшого розвитку методологія дослідження затримок руху громадського транспорту. Розвинуто підхід до ідентифікації режимів роботи транспортної мережі та виявлення прихованих патернів у часових рядах тривалості виконання перегонів шляхом інтеграції методів жорсткої (K-середніх) та м’якої (нечітких С-середніх) кластеризацій. У роботі детально висвітлено процедуру визначення оптимальної кількості кластерів на основі порівняльного аналізу внутрішніх метрик валідації. Досліджено, що розбіжності у результатах цих метрик дозволяють виявити можливі латентні фактори впливу, такі як погодні умови. Для підтвердження існування такого впливу погоди набув подальшого розвитку метод аналізу факторів затримок, який базується на застосуванні ансамблевого методу градієнтного бустингу XGBoost. Використовуючи метод інтерпретації моделей машинного навчання SHAP було встановлено, що детерміністичні операційні фактори, такі як часові та маршрутні характеристики, є домінуючими предикторами затримок, тоді як метеорологічні умови виступають значущими модераторами. У третьому розділі здійснено системний аналіз та математичне моделювання задачі середньострокового прогнозування пасажиропотоків. З позицій системного аналізу виконано формалізацію транспортної мережі як динамічної системи з дискретним часом, де цільовою функцією є мінімізація відхилення прогнозу пасажиропотоків. Удосконалено метод прогнозування пасажиропотоку на основі глибокої рекурентної нейронної мережі з двонапрямленою архітектурою Bi-LSTM. Ключовою особливістю удосконаленого методу є застосування моделі навчання на залишках, де нейронна мережа прогнозує відхилення від базового тижневого патерну. Реалізовано процедуру оптимізації навчання та валідації моделі на хронологічно розділених вибірках, що дозволило досягти високих показників детермінації на тестових даних. У четвертому розділі вперше розроблено комплексну модель цифрового двійника системи громадського транспорту міста, яку формалізовану у вигляді динамічного орієнтованого графа з атрибутами на основі ребро-центричної моделі прогнозування для оцінки попиту безпосередньо на перегонах між зупинками, а не на вузлах мережі. Розроблено архітектуру гібридної просторово-часової графової нейронної мережі (HST-GNN), яка виступає обчислювальним ядром цифрового двійника і поєднує в собі механізми графової уваги (GATv2) для виявлення просторових залежностей між зупинками, рекурентні LSTM-шари для аналізу часових патернів та повнозв’язні шари на виході, що агрегують результати роботи просторового та часового енкодерів, для забезпечення регресійного прогнозування на ребрах графа. На вхід розробленої моделі нейронної мережі подавався деталізований вектор статичних ознак, сформований на основі даних OpenStreetMap, і топологічної структури маршрутної мережі добутої з розпізнаних потокових GTFS даних, а також динамічні часові ряди, що включають параметри погоди з OpenWeather. Як цільову змінну для навчання розробленої гібридної просторово-часової графової моделі нейронної мережі було обрано синтетично генерований проксі-попит. Експериментальна оцінка на тестовій вибірці, віддаленій у часі, підтвердила високу узагальнюючу здатність розробленої моделі нейронної мережі та її стійкість до сезонних змін. Це підтверджує потенціал використання розробленого цифрового двійника як інструменту для стратегічного прогнозування зміни пасажирського попиту на ребрах, тобто перегонах між зупинками, а також як і у відповідь на фізичну зміну параметрів міської інфраструктури. Дата реєстрації 2026-04-16 Додано в НРАТ 2026-04-16 Закрити