Россия
При прогнозировании транспортных потоков в городах отсутствие анализа характеристик пространственной корреляции транспортных потоков приводит к большому отклонению результатов прогнозирования от реальных данных о транспортных потоках. Поэтому в исследовании учитываются пространственные корреляционные характеристики транспортного потока и в математическую модель вводится алгоритм свертки графа, благодаря чему связанная математическая модель может удовлетворять требованиям обработки временных рядов данных транспортного потока. Наконец, достоверность модели была проверена путем тестирования значений MAE и RMSE модели.
прогнозирование транспортных потоков, математическое моделирование, ИТС
1. Mehdi M.Z., Kammoun H.M., Benayed N.G., et al. Entropy-based traffic flow labeling for CNN-based traffic congestion prediction from meta-parameters [J]. IEEE Access, 2022, 10: 16123-16133.
2. Vijayalakshmi B, Ramar K, Jhanjhi N Z, et al. An attention‐based deep learning model for traffic flow prediction using spatiotemporal features towards sustainable smart city [J]. International Journal of Communication Systems, 2021, 34(3): e4609.
3. Цзян, Ц. Методы краткосрочного прогнозирования транспортных потоков на основе больших данных / Ц. Цзян, А. А. Феофилова // Наука и инновации в современном мире : Материалы Национальной научно-практической конференции, Воронеж, 22 января 2024 года. – Воронеж: Воронежский государственный лесотехнический университет им. Г.Ф. Морозова, 2024. – С. 5-9. – DOIhttps://doi.org/10.58168/SIMW2024_5-9.
4. Цзян, Ц. Исследование методов заполнения недостающих данных при прогнозировании транспортных потоков / Ц. Цзян // Актуальные проблемы науки и техники. 2024 : Материалы Всероссийской (национальной) научно-практической конференции, Ростов-на-Дону, 19–21 марта 2024 года. – Ростов-на-Дону: Донской государственный технический университет, 2024. – С. 682-684.
5. Феофилова, А. А. Управление и контроль транспортных потоков интеллектуальной системой / А. А. Феофилова, Ц. Цзян // Молодой исследователь Дона. – 2024. – Т. 9, № 2(47). – С. 45-49.
6. UTD19 // URL: https://utd19.ethz.ch/index.html (дата обращения: 22.09.2024).
