Применение моделей машинного обучения на основе Big Data для прогнозирования заторов

Abstract

В статье рассматривается проблема прогнозирования дорожного движения в городских агломерациях с использованием Больших Данных (Big Data) и моделей машинного обучения (ML). Формулируется постановка задачи как пространственно-временного прогнозирования. Проводится сравнительный анализ моделей, включая традиционные методы и архитектуры глубокого обучения (LSTM, GNN), на реальных данных. Результаты демонстрируют значительное превосходство ML-моделей в точности краткосрочного прогнозирования скорости и плотности потока, что является ключом к проактивному управлению трафиком.