Обзор методов и алгоритмов Big Data для решения задач прогнозирования параметров транспортных потоков и проектирования логистических систем
DOI:
https://doi.org/10.18503/SMTS-2024-14-2-4-13Ключевые слова:
Big Data, транспортный поток, прогнозирование, транспортно-логистическая системаАннотация
Устойчивые тенденции урбанизации, а также структурные изменения грузовых перевозок (колебания интенсивности перевозок, структурные изменения внешнеторговых связей и т.д.) являются факторами снижения качества транспортного обслуживания населения и участников процесса товародвижения. Одним из способов повышения эффективности функционирования транспортно-логистической системы является оптимальное управление транспортными потоками как на этапе проектирования, так и при последующем развитии и совершенствовании системы с учётом прогнозных значений параметров транспортных и грузовых потоков. Выполнен обзор наиболее распространённых методов и алгоритмов больших данных (Big Data), применяемых для прогнозирования транспортных потоков при развитии транспортно-логистических систем. Существующие методы и алгоритмы являются универсальными, но требуют адаптации к потоковым свойствам транспортного процесса. Анализ исследований в этой области позволил сделать вывод о необходимости комбинирования различных методов для учёта особенностей транспортных потоков, связанных с их нелинейностью, неопределённостью, динамическими изменениями пространственно-временной структуры.
Скачивания
Библиографические ссылки
1. Транспортная стратегия Российской Федерации до 2030 года с прогнозом на период до 2035 года: Утверждена распоряжением Правительства Российской Федерации от 27 ноября 2021 г. № 3363-р. URL: https://rosavtodor.gov.ru/docs/transportnaya-strategiya-rf-na-period-do-2030-goda-s-prognozom-na-period-do-2035-goda (дата обращения: 01.08.2024).
2. Tian Y., Rakhmangulov A., Muravev D., Wang S. Bus arrival time prediction algorithm based on Markov chain // Modern Problems of Russian Transport Complex. 2018. Vol. 8. No. 2. pp. 29-37. https://www.doi.org/10.18503/2222-9396-2018-8-2-29-37.
3. Tzika-Kostopoulou D., Nathanail E., Kokkinos K. Big Data in Transportation: A Systematic Literature Analysis and Topic Classification // Knowledge and Information Systems. 2024. Vol. 66. No. 8. pp. 5021-5046. https://www.doi.org/10.1007/s10115-024-02112-8.
4. Ghofrani F., He Q., Goverde R. M., Liu X. Recent Applications of Big Data Analytics in Railway Transportation Systems: A Survey // Transportation Research Part C: Emerging Technologies. 2018. Vol. 90. pp. 226-246. https://www.doi.org/10.1016/j.trc.2018.03.010.
5. Yarmolinskiy F., Pokrovskaya O., Pasechnik E., Pakulina E., Trapeznikov A. Features of the Use of Big Data in the Study of Freight Traffic on Railway Transport // Bulletin of Scientific Research Results. 2024. Vol. 2024. No. 1. pp. 107-122. https://www.doi.org/10.20295/2223-9987-2024-01-107-122.
6. Gabriel Gomes Oliveira, Yuzo Iano, Gabriel Caumo Vaz, Kannadhasan Suriyan Data Collection and Analysis Applied to Intelligent Transportation Systems A Case Study on Public Transportation. In Review: In Review, 2022. URL: https://www.researchsquare.com/article/rs-2013198/v1 (дата обращения: 02.08.2024).
7. Zannat K. E., Choudhury C. F. Emerging Big Data Sources for Public Transport Planning: A Systematic Review on Current State of Art and Future Research Directions // Journal of the Indian Institute of Science. 2019. Vol. 99. No. 4. pp. 601-619. https://www.doi.org/10.1007/s41745-019-00125-9.
8. Chalmeta R., Santos-deLeón N. J. Sustainable Supply Chain in the Era of Industry 4.0 and Big Data: A Systematic Analysis of Literature and Research // Sustainability. 2020. Vol. 12. No. 10. pp. 4108. https://www.doi.org/10.3390/su12104108.
9. Mishra D., Gunasekaran A., Papadopoulos T., Childe S. J. Big Data and Supply Chain Management: A Review and Bibliometric Analysis // Annals of Operations Research. 2018. Vol. 270. No. 1-2. pp. 313-336. https://www.doi.org/10.1007/s10479-016-2236-y.
10. Zheng W., Lee D.-H., Shi Q. Short-Term Freeway Traffic Flow Prediction: Bayesian Combined Neural Network Approach // Journal of Transportation Engineering. 2006. Vol. 132. No. 2. pp. 114-121. https://www.doi.org/10.1061/(ASCE)0733-947X(2006)132:2(114).
11. Chen J., Song J. Research on Traffic Flow Prediction Methods Based on Deep Learning // Applied and Computational Engineering. 2024. Vol. 111. No. 1. pp. 72-80. https://www.doi.org/10.54254/2755-2721/111/2024CH0096.
12. Hoogendoorn S. P., Bovy P. H. L. State-of-the-art of vehicular traffic flow modelling // Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering. 2001. Vol. 215. No. 4. pp. 283-303. https://www.doi.org/10.1177/095965180121500402.
13. Agafonov A., Chernov A., Sergeyev A. City Transport Motion Parameters Forecasting by Satellite Monitoring Data and Statistics // PRIA-2013. 2013. Vol. 2. pp. 489-491.
14. Sun H., Liu H., Xiao H., He R., Ran B. Short Term Traffic Forecasting Using the Local Linear Regression Model // Journal of Transportation Research Board. 2003. No. 1836. pp. 143-150.
15. Селевич С. Взвешенная медианная фильтрация для краткосрочного прогнозирования скоростей транспортных потоков // Вестник Нац. техн. ун-та «ХПИ». 2013. № 30. С. 62-65.
16. Агафонов А., Мясников В. Алгоритм оценки времени прибытия общественного транспорта с использованием адаптивной композиции элементарных прогнозов // Компьютерная оптика. 2014. Т. 38. С. 356-368.
17. Heckerman D. Bayesian Networks for Data Mining // Data Mining and Knowledge Discovery. 1997. No. 1. pp. 79-119.
18. Heckerman D., Geiger D., Chickering D. M. Learning Bayesian networks: The Combination of Knowledge and Statistical Data // Machine Learning. 1995. Vol. 20. No. 3. pp. 197-243. https://www.doi.org/10.1007/BF00994016.
19. Sun S., Zhang C., Yu G. A Bayesian Network Approach to Traffic Flow Forecasting // IEEE Transactions on Intelligent Transportation Systems. 2006. Vol. 7. No. 1. pp. 124-132. https://www.doi.org/10.1109/TITS.2006.869623.
20. van Hinsbergen C., Hegyi A., van Lint J., van Zuylen H. J. Bayesian Neural Networks for the Prediction of Stochastic Travel Times in Urban Networks // IET Intelligent Transport Systems. 2011. Vol. 5. No. 4. pp. 259-265. https://www.doi.org/10.1049/iet-its.2009.0114.
21. van Hinsbergen C., van Lint J., van Zuylen H. J. Bayesian Committee of Neural Networks to Predict Travel Times with Confidence Intervals // Transportation Research Part C: Emerging Technologies. 2009. Vol. 17. No. 5. pp. 498-509. https://www.doi.org/10.1016/j.trc.2009.04.007.
22. Свитина А., Иващенко А. Анализ возможностей метода прогнозирования по прецедентам // Інформаційні управліючі системи та комп’ютерний моніторинг: зб. матеріалів ІІ наук.-техн. конф. Донецьк. Т. 1. С. 133-137.
23. Oswald R., Scherer T., Smith B. L. Traffic Flow Forecasting Using Approximate Nearest Neighbor Nonparametric Regression // The National ITS Implementation Research Center U.S. DOT University Transportation Center. 2001. Т. Research Report. 115 p.
24. Zhang W., Li Y. Traffic flow prediction based on machine learning // Highlights in Science, Engineering and Technology. 2024. Vol. 118. pp. 162-170. https://www.doi.org/10.54097/sw3nmf68.
25. Chen M., Liu X., Xia J., Chien S. I. A Dynamic Bus-Arrival Time Prediction Model Based on APC Data // Computer-Aided Civil and Infrastructure Engineering. 2004. Vol. 19. No. 5. pp. 364-376. https://www.doi.org/10.1111/j.1467-8667.2004.00363.x.
26. Vanajakshi L., Subramanian S. C., Sivanandan R. Travel Time Prediction Under Heterogeneous Traffic Conditions Using Global Positioning System Data from Buses // IET Intelligent Transport Systems. 2009. Vol. 3. No. 1. pp. 1-9. https://www.doi.org/10.1049/iet-its:20080013.
27. Shalaby A., Farhan A. Prediction Model of Bus Arrival and Departure Times Using AVL and APC Data // Journal of Public Transportation. 2004. Vol. 7. No. 1. pp. 41-61. https://www.doi.org/10.5038/2375-0901.7.1.3.
28. Chien S. I.-J., Kuchipudi C. M. Dynamic Travel Time Prediction with Real-Time and Historic Data // Journal of Transportation Engineering. 2003. Vol. 129. No. 6. pp. 608-616. https://www.doi.org/10.1061/(ASCE)0733-947X(2003)129:6(608).
29. Zaki M., Ashour I., Zorkany M., Hesham B. Online Bus Arrival Time Prediction Using Hybrid Neural Network and Kalman filter Techniques // International Journal of Modern Engineering Research. 2013. Vol. 3. No. 4. pp. 2035-2041.
30. Филатова Т. Применение нейронных сетей для аппроксимации данных // Вестник Томского государственного университета. 2004. № 284. С. 121-125.
31. Chang G.-L., Su C.-C. Predicting Intersection Queue with Neural Network Models // Transportation Research Part C: Emerging Technologies. 1995. Vol.3. No. 3. pp.175-191. https://www.doi.org/10.1016/0968-090X(95)00005-4.
33. Chien S. I.-J., Ding Y., Wei C. Dynamic Bus Arrival Time Prediction with Artificial Neural Networks // Journal of Transportation Engineering. 2002. Vol. 128. No. 5. pp. 429-438. https://www.doi.org/10.1061/(ASCE)0733-947X(2002)128:5(429).
33. Jeong R., Rilett R. Bus Arrival Time Prediction Using Artificial Neural Network Model. IEEE. pp. 988-993. https://www.doi.org/10.1109/ITSC.2004.1399041.
34. Филимонов Р. Анализ подходов к прогнозированию параметров транспортных потоков // Интеллектуальный потенциал XXI века: ступени познания. 2015. № 26. С. 86-90.
35. van Lint J., Hoogendoorn S. P., van Zuylen H. J. Accurate Freeway Travel Time Prediction with State-space Neural Networks under Missing Data // Transportation Research Part C: Emerging Technologies. 2005. Vol. 13. No. 5-6. pp. 347-369. https://www.doi.org/10.1016/j.trc.2005.03.001.
36. Park T., Lee S. A Bayesian Approach for Estimating Link Travel Time on Urban Arterial Road Network. // Computational Science and Its Applications – ICCSA 2004 / A. Laganá [et al.]. Berlin, Heidelberg: Springer Berlin Heidelberg, 2004. pp. 1017-1025. https://www.doi.org/10.1007/978-3-540-24707-4_114.
37. Yatskin D. V., Kochkarov A. A., Kochkarov R. A. Modeling of Transport and Logistics Systems and the Study of the Structural Stability // Management Science. 2020. Vol. 10. No. 1. pp. 102-111. https://www.doi.org/10.26794/2404-022X-2020-10-1-102-111.
38. Li G., Wang W., Wang L., Liu Y., Zhang M. Deep Spatial-temporal Information Fusion Dynamic Graph Convolutional Network for Traffic Flow Prediction // Measurement Science and Technology. 2025. Vol. 36. No. 1. pp. 15102. https://www.doi.org/10.1088/1361-6501/ad8252.
Загрузки
Опубликован
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2024 Рахмангулов Александр, Копылова Олеся
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.