Сравнительный анализ моделей машинного обучения в задаче прогнозирование загруженности парковок

В статье рассматривается прикладной подход к прогнозированию краткосрочной загруженности городских парковочных зон на примере Москвы. Для анализа временных рядов процентной заполняемости парковок сравниваются статическая модель и две рекуррентные нейронные сети. Данные о загрузке парковок проходят этапы ресемплирования, интерполяции пропусков и инженерии признаков. Модели обучаются на исторических данных с разделением на тренировочную, валидационную и тестовую выборки по времени; валидация проводится с использованием ранней остановки. Эксперименты показали, что рекуррентные модели превосходят статическую по качеству прогноза. Практическая значимость работы заключается в возможности интеграции предложенных моделей в систему интеллектуального управления парковками, что позволит снижать время поиска машиномест и оптимизировать нагрузку на городские дороги в реальном времени.

1. Shoup D.C. Cruising for Parking / D.C. Shoup // Transport Policy. – 2006. – Vol. 13, Iss. 6. – P. 479–486.

2. TomTom Traffic Index 2016 – The Results Are In! Mexico City Takes Crown of 'Most Traffic Congested City' in World from Istanbul // TomTom [Электронный ресурс]. – URL: https://corporate.tomtom.com/static-files/5289c5aa-310c-4965-a4c0-516760a8a6fd (дата обращения: 04.03.2025).

3. TomTom Traffic Index 2017: Mexico City Retains Crown of 'Most Traffic Congested City' in World // TomTom [Электронный ресурс]. – URL: https://corporate.tomtom.com/static-files/7b98ada1-ec2c-4da0-8579-f83ac0f31d88 (дата обращения: 04.03.2025).

4. TomTom Traffic Index 2018 [Электронный ресурс]. – URL: https://traffic-index-docs.s3-eu-west-1.amazonaws.com/TomTomTrafficIndex-Ranking-2018-full.pdf (дата обращения: 04.03.2025).

5. TomTom Traffic Index 2019 [Электронный ресурс]. – URL: https://nonews.co/wp-content/uploads/2020/02/TomTom2019.pdf (дата обращения: 04.03.2025).

6. TomTom Traffic Index 2020 [Электронный ресурс]. – URL: https://traffic-index-docs.s3-eu-west-1.amazonaws.com/TomTomTrafficIndex-Ranking-2020-full.pdf (дата обращения: 04.03.2025).

7. TomTom Traffic Index 2021 [Электронный ресурс]. – URL: https://nonews.co/wp-content/uploads/2022/02/TomTom2021.pdf (дата обращения: 04.03.2025). 

8. United States Patent Application Publication No. US 2004/0032342 A1. Method and System for Projecting Dynamic Parking Availability Based on an Ongoing Survey for Remote Lots With High Demand: Pub. Date: 19.02.2004 / Dunning A.E.

9. Parking Spaces Demand Forecasting Based on ARIMA Model / H. Chen, M. Yang, Yu. Zhang, H. Wen // ICCMS '23: Proceedings of the 2023 15th International Conference on Computer Modeling and Simulation. – New York: Association for Computing Machinery, 2023. – P. 133–137. 

10. Truck Parking Occupancy Prediction: XGBoost-LSTM Model Fusion / S. Gutmann, Ch. Maget, M. Spangler, K. Bogenberger // Frontiers in Future Transportation. – 2021. – Vol. 2. – URL: https://doi.org/10.3389/ffutr.2021.693708 (дата обращения: 27.03.2025).

11. Short-Term Prediction of On-Street Parking Occupancy Using Multivariate Variable Based on Deep Learning / M. Lyu, Ya. Ji, Ch. Kuai, Sh. Zhang // Journal of Traffic and Transportation Engineering. – 2024. – Vol. 11, Iss. 1. – P. 28–40.

12. Multi-Horizon Air Pollution Forecasting with Deep Neural Networks / M. Arsov, E. Zdravevski, P. Lameski // Sensors. – 2021. – Vol. 21, No. 4. – URL: https://doi.org/10.3390/s21041235 (дата обращения: 27.03.2025).

13. Zhao X. Enhancing Predictive Models for On-Street Parking Occupancy: Integrating Adaptive GCN and GRU with Household Categories and POI Factors / X. Zhao, M. Zhang // Mathematics. – 2024. – Vol. 12, No. 18. – URL: https://doi.org/10.3390/math12182823 (дата обращения: 27.03.2025).

14. Wang Zh. Research on Parking Space Prediction Based on Long Short-Term Memory / Zh. Wang, W. Xue, X. Hei // 2019 International Conference on Intelligent Computing, Automation and Systems (ICICAS). – IEEE, 2019. – P. 392–396.

15. Zaremba W., Sutskever I., Vinyals O. Recurrent Neural Network Regularization // arXiv [Электронный ресурс]. – URL: https://arxiv.org/abs/1409.2329 (дата обращения: 27.03.2025).