CC BY
21Научная статья Original article УДК 004.942
ЗОНТИЧНОЕ ИССЛЕДОВАНИЕ ПОСЛЕДНИХ РАБОТ ПО ПРОГНОЗИРОВАНИЮ ПОВЕДЕНИЯ РАЗДЕЛЯЕМЫХ ТРАНСПОРТНЫХ СЕРВИСОВ
BACKGROUND STUDY OF RECENT WORKS IN FORECASTING THE BEHAVIOR OF SHARED TRANSPORTATION SERVICES
ft
Керхили Эмад Ахмад, магистрант кафедры компьютерных систем и сетей, «МГТУ им. Н.Э.Баумана» (г.Москва), kea20ip04@student.bmstu.ru
Emad A. Kerhily, Master's student of the Department of Computer Systems and Networks, "Bauman Moscow State Technical University" (Moscow),
kea20ip04@student.bmstu.ru
Аннотация. С быстрым развитием сервисов автомобильного транспорта, проявляющимся в виде совместного использования транспорта (байкшеринг или велопрокат, каршеринг и т.д.), что способствует уменьшению и пробок на дорогах и экологических проблем, стало важно разработать автоматизированные системы для регулировать эти сервисы и помогать в принятии соответствующих решений при планировании. В статье рассмотрены актуальные работы, посвященные этой теме. В ней приводится краткое описание каждой работы (представленная модель, входные и выходные данные, а также результаты).
4496
Abstract. With the rapid development of road transport services, manifested in the appearance of shared transport (bike sharing or bike rental, carsharing, etc.), which helps to reduce traffic jams and environmental problems, it has become important to develop automated systems to regulate these services and help in making appropriate decisions when planning. The article discusses the most important modern works devoted to this topic. It provides a brief description of each work (presented model, input and output data, as well as results).
Ключевые слова: транспортные услуги, планирование, прогнозирование поведения, машинное обучение.
Keywords: transportation services, planning, behavior forecasting, machine learning.
Большинство систем совместного использования транспорта оснащены автоматическими системами аренды для облегчения доступа и возврата транспортных средств [1]. Через системы проката становятся доступными записи о дате, времени и пространстве (например, время начала/окончания, начальная/конечная станция, широта/долгота) поездок. Эти данные не только предоставляют водителям удобный способ запрашивать информацию о транспортном средстве, но и помогают операторам оперативно оценивать производительность своей системы. Благодаря легкому доступу к этим данным исследователи используют эти данные, чтобы помочь операторам прогнозировать использование своих систем.
За прошедшие годы были предприняты огромные усилия для разработки моделей прогнозирования использования совместно используемой мобильности. В целом, большинство предложенных моделей используют набор детерминант для объяснения поведения системы (например, прием и/или высадка). Например, один ряд моделей используют метеорологические данные, временные характеристики и атрибуты окружающей застройки, тогда как другие - прогнозируют спрос в часы пик на основе модели линейной
4497
регрессии, учитывающей погодные и пространственные факторы. Популярность таких моделей заключается в предположениях о статистических причинно-следственных связях между переменными. Несмотря на простоту, эти гибкие математические модели вряд ли отражают сложность изменений в ежедневном использовании таких систем, что является их недостатком. Таким образом, это побуждает исследователей искать более надежные подходы, которые могут работать в контексте нечетких причинно -следственных связей и ограниченных описывающих переменных.
Исследование интеллектуальной системы транспортного планирования становится популярным среди исследователей. Некоторые исследования были сосредоточены на прогнозировании дорожного движения [2], тогда как другие касались анализа спроса [3, 4], анализа уровня обслуживания [5] и операции перебалансировки [6]. Настоящая статья посвящена использованию нейронных сетей и данных временных рядов транспорта для прогнозирования поведения служб, и поэтому были проведены соответствующие исследования, чтобы облегчить понимание методов моделирования, достижений и возможных улучшений.
В работе [2] предлагается способ диагностики и прогнозирования трафика с использованием нейронной сети, используемый для создания интеллектуальной цифровой динамической модели транспортного трафика. Сеть позволяет оценивать и анализировать затраты пользователей транспортных услуг, а также может быть использована для предотвращения или уменьшения возникновения заторов, с помощью цель повышения эффективности использования дорожной сети для создания устойчивых транспортных систем. Авторы работы [2] рассмотрели архитектуру нейронной сети, включающую три входных нейрона, четыре скрытых нейрона и два выходных нейрона. Для определения весов они предлагают использовать итеративный процесс, который зависит от начальных значений веса и степени обработки данных. Алгоритм обратного распространения) используется для
4498
обучения, чтобы минимизировать ошибку при обучении. Однако в этой работе показаны не результаты их работ, а некоторые теоретические математические модели, которые, по их мнению, помогают прогнозировать движение на дорогах.
В работе [7] представлен анализ данных о мобильности людей в городской местности с использованием количества доступных велосипедов на станциях программы совместного использования велосипедов, чтобы, во -первых, определить временные и географические модели мобильности в пределах города и, наконец, применить эти шаблоны для прогнозирования количества доступных велосипедов для любой станции на несколько часов вперед. В работе предлагается новая методология прогнозирования пространственно-временной мобильности людей, особенно притока и оттока велосипедов с одной станции на другую в течение определенных периодов времени. Методология состоит из двух этапов: (1) использование 3 D-тензора для моделирования мобильности людей и извлечения скрытых пространственных и временных признаков различных станций и периодов времени с помощью тензорной факторизации; и (2) смоделированная взаимосвязь между моделями мобильности и извлеченными скрытыми пространственными и временными характеристиками в качестве гауссовского процесса для прогнозирования мобильности людей мобильность. Для проверки предложенной методологии был проведен эксперимент с велопоездками по Нью-Йорку. Результаты показали, что извлеченные скрытые признаки успешно различают станции обмена велосипедами с различными уникальными характеристиками. Как показано на рисунке 1. Первое измерение тензора Н обозначает N исходных окрестностей, второе измерение обозначает N окрестностей назначения, а третье измерение обозначает L временных интервалов соответственно. Каждая запись тензора Н(;, j, 1) хранит среднее количество поездок, начиная с окрестности i в окрестности j в течение периода времени 1. В качестве оценки точности
4499
использовали среднеквадратичную ошибку (MSE) и среднюю абсолютную масштабированную ошибку (MASE). Предложенная модель показывает допустимую ошибку обучения: MSE = 1919, а MASE = 0,38.
Рис. 19. 3D Тензорная декомпозиция Более того, в статье [8] предлагается модель прогнозирования иерархической согласованности (НСР) для прогнозирования общегородского использования велосипедов в следующем периоде, как показано на рисунок 2. Авторы статьи предлагают использовать алгоритм кластеризации адаптивных ограничений перехода (данных) для объединения станций в группы, делая аренду и переход в каждом кластере более регулярными, чем на каждой отдельной станции. Кроме того, предлагается основанный на подобии эффективный регрессор гауссовского процесса (SGPR) для соответствующего прогнозирования количества велосипедов, которые необходимо арендовать в местах разного масштаба, т.е. на каждой станции, в каждом кластере и во всем городе. Предлагаемая методология направлена на повышение эффективности обучения модели и прогнозирования, а также может быть адаптирована для учета внешних воздействующих факторов, решает проблему несбалансированности данных и лучше отражает нелинейность пространственно-временных данных.
4500
о
о
Step 2
Iteration St£p I
Рис. 20. Алгоритм кластеризации AdaTC
На основе кластеров, полученных с помощью геокластеризации, для каждой станции генерируется T-матрица А для описания ее переходов. T-матрица имеет пять строк, соответственно соответствующих пяти временным интервалам, которые были завершены после процесса извлечения объектов (Утренние часы пик, Дневные часы, Вечерние часы пик, часы поездок и вечерние часы). Каждая строка состоит из вероятности поездки в кластер и возвращения из кластера в определенном временном интервале. На Рисунке 3 приведен пример вероятности скопления на станциях утром. Как показали экспериментальные результаты, ошибка прогнозирования на уровне кластера в Capital Bikeshare была наименьшей для методов HCP и TINF.
Математическая модель, основанная на вероятности была введена в работу [9], т. е. вероятность нахождения автомобиля в пешей доступности в г. Красноярске, в зависимости от количества автомобилей и максимальное расстояние до него. Во-первых, была собрана статистика, свидетельствующая о низком спросе на каршеринг. Была выбрана область с наибольшим
ridoTo-clubtcr
rcturn-from-c luster
Рис. 21. Вероятность скопления станций утром
4501
количеством заказов. Для этой области были получены формулы для расчета среднего расстояния между клиентом и автомобилем. На рисунке 4-а видно, что поездки продолжительностью до 1 часа являются наиболее распространенными в Красноярске. Однако результаты показали (рисунок 4 -Ь), что в пределах небольшого автопарка практически невозможно найти свободный автомобиль. Делается вывод о том, что необходимо значительно увеличить автопарк, чтобы повысить качество сервиса каршеринга.
Гистограмма распределения времени
(Ь). Вероятность найти автомобиль
Рис. 22. Результаты работы Бернфельд, М. А., и В. Н. Катаргин [9]
В статье [10] рассмотрены различные архитектуры глубоких нейронных сетей, которые используются для прогнозирования дальности видимости в аэропорту Манас. Рассмотрение многомерных временных рядов данных о погоде. Использовались сети LSTM и GRU, а также полносвязный слой (плотный) с функцией активации softmax, необходимой для получения окончательного прогноза. Гибридная архитектура сочетает в себе скорость и простоту сетей прямого распространения с временной памятью рекуррентных нейронных сетей. Кроме полносвязной и вейвлет-сети для сокращения длины входной последовательности используется также одномерная сверточная сеть (Рисунок 5). Однако результаты показали, что базовые методы лучше, чем используемый метод глубокого обучения. Это говорит о том, что использование сетей с одинаковой архитектурой при разном периоде прогноза
4502
не является оптимальным вариантом. При увеличении дальности прогноза емкость сетей, т.е. количество нейронов в скрытых слоях, необходимо уменьшать или же увеличивать объем обучающей выборки для того, чтобы избежать переобучения. Кроме того, интервал времени между возникновением сочетания погодных условий, вызывающих ухудшение или улучшение дальности видимости, и возникновением этого явления составляет менее 3 часов. Поэтому для прогнозирования дальности видимости необходимо использовать данные о погоде с меньшим временным шагом, чем
Рис. 23. Схема работы одномерного сверточного слоя
Авторы исследования [11] предлагают методологию применения метода машинного обучения нейронных сетей для прогнозирования спроса на каршеринговые транспортные средства на примере Мюнхена. В исследовании анализируются показатели и тенденции долевой мобильности в Мюнхене, а также исследуется бизнес DriveNow в Мюнхене. В диссертации показано, что основные районы в городе подвержены влиянию (например, аэропорт), и применяется реклассификация районов на основе районного уровня, чтобы облегчить вычисление модели. Набор данных содержит пару географических сведений и информацию о времени для каждого дня и часа 2016 года для даты отправления и прибытия каршеринга DriveNow в Мюнхене. Используя лаги с
4503
а = 3, модель рассматривает прошлые наблюдения временных рядов при t = -1 , 1 = -2 и t = -3, как показано на рисунке 6. RMSE использовался для оценки точности модели, к-кратная перекрестная проверка использовалась для оценки того, как результаты этапа обучения обобщают невидимый набор данных. Результаты этой нейронной сети сравниваются с традиционным прогнозированием временных рядов АШМА. Модель АШМА зафиксировала Я^МЕ в прогнозе между 1,381 и 0,197, тогда как предлагаемая модель зафиксировала Я^МЕ в прогнозе 1,218 для всей сети DriveNow.
I Zone 1 I -
| Zone : I -
'.Zone n ■ -
Рис. 24. Предлагаемая пространственно-временная нейронная сеть [11] Прогнозирование потребительского спроса имеет жизненно важное значение для эффективного планирования транспортных услуг и улучшения их функционирования. В этом исследовании мы представляем обзор литературы в области исследования (Прогнозирование поведения транспортных служб для их лучшего планирования), перечисляем некоторые из недавних работ в этой области, рассматриваем предложенную ими методологию, методы оценки и, наконец, обсуждаем их результаты.
4504
Литература
1. Теланг, С., Чел, А., Немаде, А. и Каушик , Г. Интеллектуальная транспортная система для умного города: В приложениях для обеспечения безопасности и конфиденциальности для развития умных городов // Спрингер, Приятель. — 2021. — С. 171-187.
2. Загидуллин, Р. Р. Диагностика и прогнозирование дорожного движения нейросетевым методом / Р. Р. Загидуллин, Д. П. Кривцов // Прогрессивные технологии в транспортных системах: материалы XVI международной научно-практической конференции, Оренбург, 11-13 ноября 2021 года / Министерство науки и высшего образования Российской Федерации, Оренбургский государственный университет, Международная ассоциация автомобильного и дорожного образования, Уральское межрегиональное отделение Российской академии транспорта. - Оренбург: Оренбургский государственный университет. 2021. - С. 228237.
3. Буфидис, Н., Никифориадис, А., Хрисостому, К. и Айфадопулу, Г. Разработка инструмента прогнозирования и визуализации спроса на уровне станции для поддержки операторов систем совместного использования велосипедов // Транспортная исследовательская процедура. 2020. - № 47. - С. 51-58.
4. Родригес Ф., Марку И. и Перейра Ф.К. Объединение временных рядов и текстовых данных для прогнозирования спроса на такси в зонах событий: подход глубокого обучения // Information Fusion. 2019. - № 49. - С. 120129.
5. Хен К., Наз Ф., Кронли К. и Лит С. Характеристики пользователей совместной мобильности: сравнительный анализ услуг совместного использования автомобилей и поездок // Транспортное планирование и технология. 2021. - № 44(4). - С. 436-447.
6. Шофилд М., Хо С.С. и Ван Н. Решение проблемы перебалансировки в службах совместной мобильности с помощью Механизма
4505
стимулирования на основе обучения с подкреплением // Международная конференция IEEE по интеллектуальным транспортным системам (ITSC). - 2021. - с. 3381-3386.
7. Сейтбекова, Е. С., Б. К. Асилбеков, А. Б. Кульджабеков, и И. К. Бейсембетов. "Выявление Скрытых Характеристик Мобильности Людей И Прогнозирование Притока/Оттока Велосипедов На Станциях Совместного Использования." // Вестник Казахстанско-Британского технического университета. -№. 4(16), - 2021. - C.171-176.
8. Ю. Ли и Ю. Чжан. Прогнозирование использования велосипедов в масштабах всего города в системе совместного использования велосипедов // IEEE Transactions on Knowledge and Data Engineering. -2020. - №. 6(32). - с. 1079-1091, doi: 10.1109/TKDE.2019.2898831.
9. Берфельд М.А. Математическое моделирование вероятности наличия автомобиля каршеринга в шаговой доступности /М. А. Берфельд, М. Е. Корягин, В. Н. Катаргин // Современные технологии. Системный анализ. Моделирование. - 2020.- № 3(67). - С. 54-59. - DOI: 10.26731/1813-9108.2020.3(67).54-59.
10. Верзунов, С. Н. Применение глубоких нейронных сетей для краткосрочного прогноза дальности видимости / С. Н. Верзунов // Проблемы автоматики и управления. - 2019. - № 1(36). - С. 118-130. -DOI 10.5281/zenodo.3253019. - EDN IFNJHG.
11. Сохи, С.Х. Прогнозирование спроса на услуги каршеринга на основе временных рядов на основе данных: тематическое исследование DriveNow в Мюнхене, Германия. - 2019.
References
1. Telang, S., Chel, A., Nemade, A. and Kaushik, G., 2021. Intelligent transport system for a Smart City. In Security and Privacy Applications for Smart City Development (pp. 171-187). Springer, Cham.
4506
2. Загидуллин, Р. Р. Диагностика и прогнозирование дорожного движения нейросетевым методом / Р. Р. Загидуллин, Д. П. Кривцов // Прогрессивные технологии в транспортных системах: материалы XVI международной научно-практической конференции, Оренбург, 11-13 ноября 2021 года / Министерство науки и высшего образования Российской Федерации, Оренбургский государственный университет, Международная ассоциация автомобильного и дорожного образования, Уральское межрегиональное отделение Российской академии транспорта. - Оренбург: Оренбургский государственный университет, 2021. - С. 228237.
3. Boufidis, N., Nikiforiadis, A., Chrysostomou, K. and Aifadopoulou, G., 2020. Development of a station-level demand prediction and visualization tool to support bike-sharing systems' operators. Transportation Research Procedia, 47, pp.51-58.
4. Rodrigues, F., Markou, I. and Pereira, F.C., 2019. Combining time-series and textual data for taxi demand prediction in event areas: A deep learning approach. Information Fusion, 49, pp.120-129.
5. Hyun, K., Naz, F., Cronley, C. and Leat, S., 2021. User characteristics of shared-mobility: a comparative analysis of car-sharing and ride-hailing services. Transportation planning and technology, 44(4), pp.436-447.
6. Schofield, M., Ho, S. S., & Wang, N. (2021, September). Handling Rebalancing Problem in Shared Mobility Services via Reinforcement Learning-based Incentive Mechanism. In 2021 IEEE International Intelligent Transportation Systems Conference (ITSC) (pp. 3381-3386). IEEE.
7. Сейтбекова, Е. С., Б. К. Асилбеков, А. Б. Кульджабеков, и И. К. Бейсембетов. "Выявление Скрытых Характеристик Мобильности Людей И Прогнозирование Притока/Оттока Велосипедов На Станциях Совместного Использования." // Вестник Казахстанско-Британского технического университета, №. 4(16), - 2021. - C.171-176.
4507
8. Li, Y., & Zheng, Y. (2019). Citywide bike usage prediction in a bike-sharing system. IEEE Transactions on Knowledge and Data Engineering, 32(6), 10791091.
9. Берфельд М.А. Математическое моделирование вероятности наличия автомобиля каршеринга в шаговой доступности /М. А. Берфельд, М. Е. Корягин, В. Н. Катаргин // Современные технологии. Системный анализ. Моделирование. - 2020.- № 3(67). - С. 54-59. - DOI: 10.26731/1813-9108.2020.3(67).54-59.
10. Верзунов, С. Н. Применение глубоких нейронных сетей для краткосрочного прогноза дальности видимости / С. Н. Верзунов // Проблемы автоматики и управления. - 2019. - № 1(36). - С. 118-130. -DOI 10.5281/zenodo.3253019. - EDN IFNJHG.
11. Sohi, S.H. Data-driven time series demand forecasting of Car-Sharing services: The case study of DriveNow in Munich, Germany. 2018.
© Керхили Э.А., Еремин О.Ю., 2022 Научно-образовательный журнал для студентов и преподавателей «StudNet» №5/2022.
Для цитирования: Керхили Э.А., Еремин О.Ю. СПРАВОЧНОЕ ИССЛЕДОВАНИЕ ПОСЛЕДНИХ РАБОТ В РАМКАХ ПРОГНОЗИРОВАНИЯ ПОВЕДЕНИЯ ТРАНСПОРТНЫХ УСЛУГ // Научно-образовательный журнал для студентов и преподавателей «StudNet» №5/2022.
4508
