РАЗРАБОТКА И СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ГОРОДСКОГО ТРАФИКА

Аннотация

Городская транспортная перегруженность является одной из основных проблем современных городов. Быстрая урбанизация и рост количества транспортных средств усугубляют данную ситуацию. Точное прогнозирование трафика необходимо для снижения заторов. Оно также способствует повышению безопасности дорожного движения и развитию интеллектуальных транспортных систем.

В данном исследовании разработаны и сравнены модели машинного обучения для классификации городского трафика. Набор данных включает показатели интенсивности движения и сопутствующие параметры. Предварительная обработка данных включала разведочный анализ, извлечение признаков и нормализацию. Были реализованы три алгоритма: логистическая регрессия, метод опорных векторов (SVC) и случайный лес.

Экспериментальные результаты показали, что логистическая регрессия достигла общей точности 0,87, при этом продемонстрировала более слабые результаты для класса «низкий» трафик. Модель SVC улучшила показатели, достигнув точности 0,88 и обеспечив более сбалансированную классификацию. Наилучшие результаты показала модель случайного леса с общей точностью 0,99 и средневзвешенной F1-мерой 0,99.

Полученные результаты свидетельствуют о том, что ансамблевые методы, в частности случайный лес, обеспечивают более высокую точность и надежность при прогнозировании городского трафика. Предложенная модель может быть интегрирована в системы управления движением в реальном времени.