ИСПОЛЬЗОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОПТИМИЗАЦИИ ДВИЖЕНИЯ ТРАНСПОРТА В ГОРОДЕ БИШКЕК

Авторы

А.К. Кадыржанов Кыргызско-Германский университет прикладной информатики
Р.А. Косо-Оглы Кыргызско-Германский университет прикладной информатики

Ключевые слова:

машинное обучение, транспортные потоки, оптимизация движения, прогнозирование, Бишкек, OpenRouteService, адаптивные светофоры

Аннотация

В данной статье рассматривается применение алгоритмов машинного обучения для анализа и оптимизации транспортных потоков в городе Бишкек. Исследование направлено на выявление закономерностей движения транспорта и разработку модели прогнозирования времени поездки по данным сервиса OpenRouteService. Предложенный подход позволяет формировать рекомендации по адаптации работы светофорных циклов в зависимости от интенсивности трафика. Реализация предложенной модели может способствовать снижению транспортных заторов и повышению эффективности городской транспортной системы.

Библиографические ссылки

1. Казанцев М. Р., Верзунов С. Н. Методологические подходы к оценке влияния моторного транспорта на состояние атмосферного воздуха в городе Бишкек // Проблемы автоматики и управления. — 2025. — № 2. — С. 74–87.

2. Breiman L. Random Forests // Machine Learning. — 2001. — Vol. 45, No. 1. — P. 5–32. — DOI: 10.1023/A:1010933404324.

3. Nagy A. M., Simon G., Szabó R., Varga P. Survey on traffic prediction in smart cities // Transportation Research Procedia. — 2018. — Vol. 27. — P. 475–482.

4. Abduljabbar R., Dia H., Liyanage S., Bagloee S. A. Machine learning traffic flow prediction models for smart cities // Buildings. — 2020. — Vol. 10, No. 7. — Art. 155. — DOI: 10.3390/buildings10070155.

5. Liu Z., Li Z., Li M., Xing X., Lu Y. Urban traffic prediction from mobility data using deep learning // IEEE Transactions on Intelligent Transportation Systems. — 2018. — Vol. 19, No. 7. — P. 2140–2151.

6. Chen Y., Lv Y., Wang F.-Y., Li X., Wang S. When traffic flow prediction and wireless big data analytics meet // IEEE Network. — 2018. — Vol. 32, No. 4. — P. 58–64. — DOI: 10.1109/MNET.2018.1700209.

7. Zhao W., Zhang S., Zhou B., Wang B. STCGAT: A spatio-temporal causal graph attention network for traffic flow prediction // arXiv. — 2022. — arXiv:2203.10749.

8. Li F., Zhang Y., Zhang Y., Wang Y. Dynamic graph convolutional recurrent network for traffic prediction: Benchmark and solution // arXiv. — 2021. — arXiv:2104.14917.