kaz29Вестник Казахстанско-Британского технического университетаHerald of the Kazakh-British Technical University1998-66882959-8109Казахстанско-Британский Технический Университетkaz29-140Research ArticleФИЗИКО-МАТЕМАТИЧЕСКИЕ И ТЕХНИЧЕСКИЕ НАУКИPHYSICAL, MATHEMATICAL AND TECHNICAL SCIENCESПРОГНОЗИРОВАНИЕ ПОТОКА ТРАНСПОРТНЫХ СРЕДСТВ НА ОСНОВЕ ОФФЛАЙН ОБУЧЕННОЙ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИTRAFFIC DEMAND ESTIMATION BASED ON OFFLINE TRAINED ARTIFICIAL NEURAL NETWORKТөлебиГ.TolebiG.

докторант

КурманходжаевД.KurmankhojayevD.

докторант

АО «КБТУ»КазахстанKazakh-British technical universityKazakhstan201907112021162170174Copyright © Төлеби Г., Курманходжаев Д., 20212021Төлеби Г., Курманходжаев Д.Tolebi G., Kurmankhojayev D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.kbtu.edu.kz/jour/article/view/140

Данная статья посвящена проблеме определения трафика. Искусственная нейронная сеть (ANN) предложена в качестве модели прогнозирования. Данная задача сформулирована как задача классификации, обучения с учителем. Набор данных для обучения и проверки модели состоит из синтетических данных, которые были сгенерированы с использованием симулятора. Результаты экспериментов показывают точность тренировки = 82,2%. Оценка тестового набора дает 80,03 %. В результате, была получена обученная модель для оценки транспортного потока.

The current paper focuses on traffic demand estimation problem. Artificial Neural Network (ANN) proposed as a prediction model. The given problem formulated as a supervised learning classification task. The dataset for model training and validation consists of synthetic data that was generated by using simulator. The results of experiments show training accuracy = 82.2 %. The evaluation of the test set gives 80.03 % accuracy. Finally, well-trained estimator of traffic flow is obtained.

системы управления дорожным движениеминтеллектуальные транспортные системыSUMOмоделирование транспортных потоковTraffic Control Systemstraffic demandANNIntelligent Transportation SystemsSUMOReferencesDu S., Li R., Gong X., Hong S., A Hybrid Method for Traffic Flow Forecasting Using Multimodal Deep learning. Machine Learning. Cornelle University, 2019. https://arxiv.org/pdf/1803.02099.pdfDu S., Li R., Gong X., Hong S., A Hybrid Method for Traffic Flow Forecasting Using Multimodal Deep learning. Machine Learning. Cornelle University, 2019. https://arxiv.org/pdf/1803.02099.pdfBernico M., Deep Learning Quick Reference. Packt Publishing, 2018.Bernico M., Deep Learning Quick Reference. Packt Publishing, 2018.SUMO - Simulation of Urban Mobility. Institute of Transportation Systems. Available at: http://sumo.dlr.de/wiki/SUMOSUMO - Simulation of Urban Mobility. Institute of Transportation Systems. Available at: http://sumo.dlr.de/wiki/SUMOKurmankhojayev D., Tolebi G., Analysis of the traffic flow modeling systems. Herald of the Kazakh-British technical university, № 4 (47), 2018. pp. 31-36.Kurmankhojayev D., Tolebi G., Analysis of the traffic flow modeling systems. Herald of the Kazakh-British technical university, № 4 (47), 2018. pp. 31-36.Kurmankhojayev D., Suleymenov N., Tolebi G., Online model-free adaptive traffic signal controller for an isolated intersection. 2017 International M ulti-Conference on Engineering, Computer and Information Sciences (SIBIRCON), 2017. pp. 109-112Kurmankhojayev D., Suleymenov N., Tolebi G., Online model-free adaptive traffic signal controller for an isolated intersection. 2017 International M ulti-Conference on Engineering, Computer and Information Sciences (SIBIRCON), 2017. pp. 109-112

The authors declare that there are no conflicts of interest present.