НЕЙРОСЕТЕВАЯ МОДЕЛЬ ПРОГНОЗИРОВАНИЯ СКОПЛЕНИЯ ПАССАЖИРОВ ДЛЯ ОПТИМИЗАЦИИ УПРАВЛЕНИЯ ДВИЖЕНИЕМ ГОРОДСКОГО ОБЩЕСТВЕННОГО ТРАНСПОРТА
Аннотация
Развитие общественного транспорта в городах является эффективным способом уменьшения «заторов» в улично-дорожной сети и как следствие повышения скорости перевозок пассажиров. Повышение качества городских автобусных перевозок способствует привлечению большего числа пассажиров. Интервалы движения автобусов единожды рассчитываются для каждой маршрутной линии индивидуально, исходя из среднего показателя скопления пассажиров на остановочных пунктах. В свою очередь, внезапное скопление большого количество пассажиров на остановочных пунктах становится причиной того, что не все пассажиры могут своевременно передвигаться, что вызывает беспокойство у пассажиров. Это является одним из факторов снижения качества пассажирских транспортных услуг. Целью исследования является разработка модели прогнозирования скопления пассажиров на остановочных пунктах для оптимизации управления движением городского общественного транспорта. Материалы и методы. В настоящей статье представлена нейросетевая модель прогнозирования скопления пассажиров на остановочных пунктах. Она учитывает пространственно-временные характеристики движения автобусов. Результаты. Разработанная модель прогнозирования скопления пассажиров на остановочных пунктах апробирована на реальных данных автобусного маршрута № 3 (г. Душанбе, Таджикистан). Модель позволила спрогнозировать пассажиропоток (количество пассажиров на остановочных пунктах) с точностью от 72 до 74,5 % от реального числа пассажиров на остановочных пунктах. Заключение. Предлагаемый метод в отличие от других методов позволяет автоматически адаптировать модель прогнозирования под изменяющиеся условия маршрутной линии. Представленный метод универсальный и может применяться и для других маршрутных линий (остановочных пунктов). Он не требует больших временных затрат для перенастройки.
Ключевые слова
Полный текст:
PDF (English)Литература
Turevsky I.S. Avtomobil’nyye perevozki: ucheb. posobiye [Automobile transportation: a tutorial]. Moscow: Forum, INFRA-M, 2016. 222 p.
Xue R., Sun D., Chen Sh. Short-Term Bus Passenger Demand Prediction Based on Time Series Model and Interactive Multiple Model Approach. Discrete Dynamics in Nature and Society, vol. 2015, article ID 682390, 11 p.
Blom H.A.P. An efficient filter for abruptly changing systems. Proceedings of the 23rd IEEE Conference on Decision and Control, 1984, pp. 656–658.
Averbuch A., Itzikowitz S., Kapon T. Radar target tracking- viterbi versus IMM. IEEE Transactions on Aerospace and Electronic Systems, 1991, vol. 27, no. 3, pp. 550–563.
Zhang Y., Liu Y. Traffic Forecasts Using Interacting Multiple Model Algorithm. Chien B.C., Hong T.P., Chen S.M., Ali M. (eds.) Next-Generation Applied Intelligence. IEA/AIE 2009. Lecture Notes in Computer Science, vol. 5579. Springer, Berlin, Heidelberg, 2009, pp. 360–368 DOI: 10.1007/978-3-642-02568-6_37
Ma Z., Xing J., Mesbah M., Ferreira L. Predicting shortterm bus passenger demand using
a pattern hybrid approach. Transportation Research Part C: Emerging Technologies, 2014, vol. 39, pp. 148–163.
Liu G., Yin Z.Z., Jia Y., Xie Y. Passenger flow estimation based on convolutional neural network in public transportation system. Knowl.-Based Syst., 2017, vol. 123, pp. 102–115.
Gao C., Li P., Zhang Y., Liu J., Wang L. People counting based on head detection combining Adaboost and CNN in crowded surveillance environment. Neurocomputing, 2016, vol. 208, pp. 108–116.
Wang Z., Cai G., Zheng C., Fang C. Bus-crowdedness estimation by shallow convolutional neural network. Proceedings of the International Conference on Sensor Networks and Signal Processing (SNSP), Xi'an, China, 28–31 October 2018, 20 p.
Hamblen M. The digital revolution at the cost of privacy. Computerworld Russia Magazine, # 04/2017, iss. 4-2017, pp. 26–27.
Qodirov Sh.Sh., Shestakov A.L. Development of Artificial Neural Network for Predicting Drill Pipe Sticking. Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control, Radio Electronics, 2019, vol. 19, no. 3, pp. 20–32. (in Russ.) DOI: 10.14529/ctcr190302
Chollet F. Deep Learning with Python: Manual. Manning Publications, 2017. 386 p.
Gulli A., Pal S. Deep Learning with Keras: Hand Book. Birmingham – Mumbai, Packt, 2017. 310 p.
Haykin S. Neyronnye seti: polnyy kurs [Neural Networks: A Comprehensive Foundation]. Moscow, Williams Publ., 2006. 1104 p.
Raschka S. Python Machine Learning. Birmingham, Packt Publishing, 2015. 454 p.
Grus J. Data Science from Scratch: First Principles with Python. O'Reilly Media, 2015. 330 p.
Jojo M. Learn Keras for Deep Neural Networks: Hand Book. Canada, Apress, 2019. 192 p.
Ketkar N. Deep Learning with Python: A Hands-on Introduction. India, Apress, 2017. 162 p. DOI: 10.1007/978-1-4842-2766-4
Wani M.A., Bhat F.A., Afzal S., Khan A.I. Advances in Deep Learning. Studies in Big Data book series (SBD, volume 57). Springer Singapore, 2020. 159 p. DOI: 10.1007 / 978-981-13-6794-6
McMahan B., Rao D. Znakomstvo s PyTorch: glubokoye obucheniye pri obrabotke estestvennogo yazyka [Introducing PyTorch: Deep Learning in Natural Language Processing]. St. Petersburg, Peter, 2020. 256 p.
Melin P. Modular Neural Networks and Type-2 Fuzzy Systems for Pattern Recognition. Studies in Computational Intelligence book series (SCI, volume 389). Springer-Verlag Berlin Heidelberg, 2012. 215 p. DOI: 10.1007 / 978-3-642-24139-0
Melin P., Castillo O., Kacprzyk J. Design of Intelligent Systems Based on Fuzzy Logic, Neural Networks and Nature-Inspired Optimization. Studies in Computational Intelligence, volume 601. Springer International Publishing Switzerland, 2015. 612 p. DOI: 10.1007 / 978-3-319-17747-2_14
Kyriakides G., Konstantinos G.M. Hands-On Ensemble Learning with Python: Build highly optimized ensemble machine learning models using scikit-learn and Keras. Birmingham – Mumbai, Packt Publishing, 2019. 298 p.
www.citycard.tj.
DOI: http://dx.doi.org/10.14529/ctcr210106
Ссылки
- На текущий момент ссылки отсутствуют.