Введение
Задача, связанная с прогнозированием объема пассажиропотока, как правило, является актуальной для любых видов транспорта. По методике решения этой задачи было написано очень большое количество работ и проведено значительное число исследований и научных работ. Необходимо заметить, что универсальной методики прогнозирования пока нет, и на текущий момент являются популярными как стандартные методики моделирования пассажиропотоков, которые включают анализ временных рядов, регрессионные и гравитационные модели, так и самые новые подходы, к примеру, это использование продвинутых моделей машинного обучения.
Если рассматривать конвенциональные подходы, то следует поделить их на ряд категорий. Первой из них является, так называемая, категория экстраполяционных моделей, основанная на распространении тенденций, которые были установлены в прошлом, на будущие периоды. К разновидностям подобных моделей относится метод скользящего среднего и экспоненциальное сглаживание. Также следует отметить методику прогнозирования пассажиропотоков железнодорожного транспорта с использованием модели Грея, которая предназначена для прогнозирования временных рядов. Невзирая на тот факт, что данный подход предполагает учет лишь временной динамики, авторы метода отметили его потенциал в плане применения в комбинации с иными прогнозными моделями, которые учитывают влияние иных социально-экономических факторов.
Следующей категорией являются регрессионные модели, которые основаны не на присутствии зависимости прогнозируемого параметра от времени, а на определении зависимости прогнозируемого показателя от разных факторов. Подобные модели очень часто используются, для того чтобы реализовать долгосрочные прогнозы. Третьей категорией являются гравитационные модели, которые основаны на балансе прибытия-отправления среди двух транспортных центров.
Тем не менее следует подчеркнуть, что пока нет безусловно универсального подхода к вопросам прогнозирования пассажиропотоков. То есть, работы, сопряженные с проблемой прогнозирования, необходимо вести практически непрерывно и систематически, а применяемые модели следует выбирать на основании принципов целесообразности и имеющихся у организации ресурсов. Во много раз возросшие мощности вычислительных устройств, увеличивающиеся объемы общедоступных транспортных данных смогли сделать возможным применение новейших технологий, набирающих популярность среди исследователей в области транспорта. Также необходимо отметить, что в последнее время было разработано большое количество гибридных методик прогнозирования, и практически все они являются комбинацией новых методик, использующих интеллектуальный анализ данных.
Оценка распределения пассажиропотоков в сетях транспорта
Бесспорным является тот факт, что информация о городских транспортных потоках становится исключительно важной в вопросах, связанных с планированием маршрутов, навигацией и организацией движения. Развитию разных методик прогнозирования пассажиропотоков в плане перевозок внутри города уделяется достаточно много внимания. Вместе с традиционными подходами сегодня разрабатываются новейшие технологий прогнозирования.
Конвенциональные методики имеют в своем составе статистические модели и модели машинного обучения (SVM, ANN), для создания которых применяются данные об основных характеристиках трафика вместе с измерениями. Критики таких подходов утверждают, что таких методик недостаточно, для того чтобы всесторонне описать факторы, влияющие на пассажиропотоки. Сравнительно новым методом прогнозирования городских пассажирских потоков считаются многошаговые подходы с применением моделей глубокого обучения (Deep Learning). Преимущество глубокого обучения состоит в так называемой «многоуровневой архитектуре», позволяющей в автоматическом режиме выполнять извлечение признаков из значительных необработанных массивов данных о мобильности, которые затем следует подать на вход в классические модели прогнозирования.
Рассмотрим прогнозирование пассажиропотока с применением технологий Deep Learning. Увеличение доступности данных предоставляет возможность использования больших информационных объемов, в том числе и данные о транспортной инфраструктуре, количестве транспортных средств и их скорости, траекториям движения автомобилей, а также о наличии дорожных инцидентов на некоторых участках.
В плане городского транспорта также реализуется прогнозирование пассажирских потоков метрополитена. В качестве яркого примера можно привести изучение пассажирских потоков системы метро города Нанкин с использованием гибридной пространственно-временной нейронной сети глубокого обучения (HSTDL-net). Разработанная технология способна предсказывать как входящие, так и исходящие пассажирские потоки на трех типах станций метрополитена (Terminal/Transfer/Regular) на каждые десять минут. Для того чтобы обучить модель использовались данные пассажирского потока линии метрополитена за шестьдесят шесть дней, а также была учтена информация о погодных условиях. Особенностью данного подхода является эффективное обнаружение как пространственных, так и временных соответствий между станциями метро.
Исследования, которые направлены на моделирование пассажирского потока также являются очень распространенными в плане работы пригородного транспорта. Например, существуют исследования, которые демонстрируют метод прогнозирования пассажирского оборота в пригороде, определяемый величиной тарифов и численностью населения, который была реализован на данных пассажирского железнодорожного комплекса Дальневосточного федерального округа.
