Abstract
<jats:p>Робота присвячена вирішенню задачі короткострокового прогнозування інтенсивності транспортних потоків з використанням сучасних архітектур штучних нейронних мереж, таких як SimpleRNN, LSTM, GRU та 1D-CNN. Вихідні дані для досліджень представлені у вигляді одновимірних часових рядів, що містять інформацію про кількість транспортних засобів на окремих перехрестях в різні моменти часу. Точність прогнозу таких рядів є важливою для задач адаптивного керування світлофорними об’єктами, планування режимів руху та оцінювання навантаження на дорожню інфраструктуру. Поширені методи прогнозування часових рядів зазвичай базуються на статистичних моделях, які можуть бути недостатньо точними для опису нелінійної динаміки трафіку та вираженої добової й тижневої сезонності. Окремою проблемою є коректне врахування циклічних часових ознак (година доби, день тижня), для яких при звичайному аналізі часових рядів виникає розрив на межі циклу. Запропонований підхід передбачає використання попередньої обробки даних, зокрема очищення від аномальних викидів та застосування тригонометричного кодування часових ознак (Cyclical Feature Encoding). Це дозволяє нейронним мережам коректно інтерпретувати добову та тижневу сезонність, зберігаючи безперервність часового циклу. В ході дослідження проведені обчислювальні експерименти при різних горизонтах прогнозування (1-12 годин) з використанням реальних вихідних даних, що дозволило оцінити ефективність запропонованого підходу при короткостроковому прогнозуванні. Результати проведеного порівняльного аналізу демонструють зменшення помилки прогнозування (MAPE) порівняно з традиційними методами. Встановлено, що запропонована модель на основі архітектури одновимірної згортки (1D-CNN) демонструє найменший час навчання, тоді як LSTM та GRU забезпечують найвищу точність прогнозування. Отримані результати можуть бути використані при розробці адаптивних систем керування світлофорними об’єктами в рамках концепції «розумного міста»</jats:p>