Сравнительный анализ нейросетевой и машинной моделей для краткосрочного прогнозирования транспортного потока на скоростной автомагистрали Мэйгуан Шэньчжэня

Введение. При растущей загруженности автомагистралей эффективность интеллектуальных транспортных систем зависит от качественного краткосрочного прогнозирования потоков. Статистические методы недостаточно точно учитывают нелинейные и динамические изменения трафика. Более перспективны модель долгой краткосрочной памяти (LSTM) и метод опорных векторов (SVR). Однако они не ранжированы в плане корректности, так как нет работ по комплексному сопоставлению их адекватности для краткосрочного прогнозирования потоков. Представленное исследование восполняет этот пробел. Цель работы — сравнительный анализ точности LSTM и SVR и выбор оптимального подхода для прогнозирования транспортного потока на автомагистрали Мэйгуан Шэньчжэня. Материалы и методы. Данные детекторов транспорта собраны в июне 2021 года на автомагистрали Мэйгуан. Использовались методы предварительной обработки данных, включая заполнение взвешенным средним и нормализацию. Для извлечения признаков применили автокорреляционный анализ, а также создание переменной взаимодействия скорости и занятости детектора. Модели обучались и тестировались на данных, полученных с детекторов с 5-минутными интервалами. Результаты исследования. Показатели LSTM лучше на 17,86 % по среднеквадратической, на 19,82 % — по средней абсолютной и на 25,78 % — по средней абсолютной процентной ошибке. В периодах с наименьшей ошибкой прогнозирования интенсивности потока RMSE, MAE и MAPE для модели LSTM оказались меньше на 36,5 %, 34,3 % и 42,3 % соответственно. В периодах c наибольшей ошибкой RMSE, MAE и MAPE для LSTM оказались меньше на 73,2 %, 65,4 % и 64,4 % соответственно. Критерий Уилкоксона <0,05 подтвердил статистическую значимость различий. Обсуждение. Лучшие прогнозные возможности LSTM обусловлены ее архитектурой, а именно комбинированием переменных взаимодействия и лаговых показателей. LSTM лучше учитывает временные зависимости потока, адаптируется к его сложным, долгосрочным динамическим изменениям и остается точной даже при значительных колебаниях. Меньшая прогнозная эффективность SVR обусловлена слабой, нелинейной аппроксимирующей способностью. При резких изменениях потока существенно увеличиваются показатели ошибок. Заключение. При краткосрочном прогнозировании транспортного потока на скоростной автомагистрали, выбирая между нейросетевой и машинной моделью, следует предпочесть нейросетевую — например, LSTM. Результаты исследования целесообразно использовать в предиктивных стратегиях снижения заторов. Краткосрочное прогнозирование на основе LSTM может быть базой для оптимизации управления дорожным движением, снижения заторов и загрязняющих выбросов, а также для оптимизации интеллектуальных транспортных систем. Перспективное направление — разработка гибридных архитектур, интегрирующих контекстные данные (погода, инфраструктура, аварии) для улучшения прогнозов в режиме реального времени.