ПРОГНОЗИРОВАНИЕ ДВИЖЕНИЯ АВТОТРАНСПОРТА С ПОМОЩЬЮ ДЕРЕВА РЕШЕНИЙ УДК 656.078, 656.001
Аннотация
В данной работе исследован транспортный поток на пересечении кольцевой дороги города Ташкента с улицей Богишамол. В качестве объекта исследования было изучено движение транспорта и его динамические показатели, такие как интенсивность, плотность и скорость, которые были изучены и переработаны. Основная проблема, поставленная в исследовании, заключалась в прогнозировании движения транспорта с помощью дерева решений, и на основе этого решения были рассмотрены вопросы управления транспортным движением. Вместе с этим был проведен анализ факторов, влияющих на дорожное движение, и высказаны предложения по их снижению. В результате анализа было выявлено, что в настоящее время особое внимание уделяется развитию таких направлений, как машинное обучение, нейронные сети и интеллектуальные транспортные системы, которые активно внедряются в транспортную сферу. В рамках этих направлений был проведен анализ алгоритмов, методов и моделей машинного обучения. Проведенный анализ показал, что такие модели, как дерево решений, случайный лес и градиентный бустинг, широко используются для прогнозирования движения транспорта. В данной работе также с помощью дерева решений была разработана модель прогнозирования движения транспорта на улице Богишамол в городе Ташкенте, которая показала хорошие результаты. Для оценки данного показателя был использован коэффициент детерминации, который показал 92% точности. Это свидетельствует о хорошем прогностическом значении данной модели.
Об авторах
Список литературы
Alajali, W., Zhou, W., & Wen, S. (2018). Traffic flow prediction for road intersection safety. In 2018 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI), (pp. 812-820).
Alajali, W., Zhou, W., Wen, S., & Wang, Y. (2018). Intersection traffic prediction using decision tree models. Symmetry, 386.
Babaei, M., & Behzadi, S. (2023). Spatial Data-Driven Traffic Flow Prediction Using Geographical Information System. Journal of Soft Computing in Civil Engineering.
Crosby, H., Davis, P., & Jarvis, S. A. . (2016). Spatially-intensive decision tree prediction of traffic flow across the entire UK road network. In 2016 IEEE/ACM 20th International Symposium on Distributed Simulation and Real Time Applications (DS-RT), (pp. 116-119).
Hou, Y., Edara, P., & Sun, C. (2014). Traffic flow forecasting for urban work zones. IEEE transactions on intelligent transportation systems, 1761-1770.
Irawan, K., Yusuf, R., & Prihatmanto, A. S. (2020). A survey on traffic flow prediction methods. In 2020 6th International Conference on Interactive Digital Media (ICIDM), (pp. 1-4).
Leshem, G., & Ritov, Y. A. (2017). Traffic flow prediction using adaboost algorithm with random forests as a weak learner. International Journal of Mathematical and Computational Sciences, 1-6.
Liu, Y. &. (2017). Prediction of road traffic congestion based on random forest. In 2017 10th International Symposium on Computational Intelligence and Design (ISCID), 361-364.
M. Rasulmukhamedov, K. Tashmetov, T. Tashmoetov. (2023). Method of dertermining traffic flow. Scientific and Technical Journal of NamIET, 208-216.
Meena, G., Sharma, D., & Mahrishi, M. (2020). Traffic prediction for intelligent transportation system using machine learning. In 2020 3rd International Conference on Emerging Technologies in Computer Engineering: Machine Learning and Internet of Things (ICETCE), pp. 145-148.
Prasad, K. S. N., & Ramakrishna, S. (2014). An efficient traffic forecasting system based on spatial data and decision trees. Int. Arab J. Inf. Technol., 186-194.
Rasulmuhamedov M. M., Tashmetov K. Sh., Tashmetov T. Sh. (2023). Models used in the analysis of transport flows. Transportda resurs tejamkor texnologiyalar, (pp. 111-121). Toshkent, Uzbekiston.
Rasulmuhamedov M.M., Tashmetov K.Sh., Tashmetov T.Sh. (2024). Zamonaviy transport tizimlarida transport oqimlarini. Fan va texnologiyalar taraqqiyoti jurnali, 4-9.
Rasulmuxamedov Maxamadaziz Maxamadaminovich va boshqalar. (2024). Oʻzbekiston Dasturiy mahsulotga guvohnoma №. DGU 35986.
Rasulmuxamedov Maxamadaziz Maxamadaminovich va boshqalar. (2023). Oʻzbekiston Dasturiy mahsulotga guvohnoma No. DGU 32609.
Tamir, T. S., Xiong, G., Li, Z., Tao, H., Shen, Z., Hu, B., & Menkir, H. M. (2020). Traffic congestion prediction using decision tree, logistic regression and neural networks. Ifac-PapersOnline, 512-517.
Wang, Y. Z. (2020). Short term traffic flow prediction of urban road using time varying filtering based empirical mode decomposition. Applied Sciences, , 20-38.
Xia, Y., & Chen, J. (2017). Traffic flow forecasting method based on gradient boosting decision tree. In 2017 5th International Conference on Frontiers of Manufacturing Science and Measuring Technology (FMSMT 2017), pp. 413-416.
Расулмухамедов М.М., Ташметов К.Ш. (2024). Модель машинного обучения для прогнозирования транспортных потоков: дерево решений. Вычислительные модели и технологии, (pp. 188-191). Ташкент.
Расулмухамедов, М. М., & Ташметов, К. Ш. (2023). Оптимизация управления транспортным потоком на перекрестках с помощью нейронной сети. Интеллектуальные технологии на транспорте, (S1 (35-1)), 92-96.
Как цитировать
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.