Исследовательская работа «Прогнозирование трафика с использованием самонастраивающейся эволюционной нейронной сети»

Краткосрочный прогноз движения трафика является одним из наиболее важных элементов всех систем проактивного управления движением. Цель данной научной работы — предоставить модель на основе нейронных сетей (NN – Neural Networks) для многоэтапного прогнозирования трафика. С помощью данной разработчки возможно прогназироваровать загруженность транспортных магистралей. Полученную информацию можно использовать в самых разных целях. Для оптимизаций работы светофоров, регулирования потока путем платного въезда в пиковые часы, для оптимального планирования при строительстве дорог.

Ключевые слова: Нейронные сети, прогноз движения трафика, информационные технологий, искусственный интеллект, генетический алгоритм, транспортные системы, транспортный поток.

Способность прогнозировать будущие значения параметров трафика помогает повысить производительность систем управления трафиком. Как одно шаговые, так и многошаговые прогнозы играют значительную роль в этой области, но в случае сбоя системы, многошаговые прогнозируемые значения становятся выгодными. Чтобы избежать низкой точности долгосрочных прогнозов, вместо применения итерационного подхода к результатам одной выходной модели в данном исследовании используется многоотраслевая NN. В этой статье применяется NSGA-II для оптимизации параметров NN с различными правилами обучения и различными типами входных данных. Этот специфический генетический алгоритм является хорошо известным многокритериальным генетическим алгоритмом, который находит лучшее распространение решений в различных задачах.

Предлагаемая структура прогнозирует значения транспортных потоков на основе их недавних временных и пространственных профилей на данном участке шоссе в течение последних нескольких минут. Как временные, так и пространственные эффекты оказываются важными для более точного прогнозирования. Более того, было установлено, что более длительная степень прогнозирования не снижает точность результатов в этой модели. Эффективность модели была подтверждена с использованием реальных данных о движении транспорта, полученных с месторождения.

Данная научная работа демонстрирует способность этого класса генетических алгоритмов производить наилучшую комбинацию параметров сети. Результаты, полученные из данных испытаний, показывают, что обобщающая способность модели является удовлетворительной. Для случая 5-минутного и 10-минутного горизонта прогнозирования индексы R2 составляют не менее 0,98, что наглядно показывает способность модели обобщать.