ПРОГНОЗИРОВАНИЕ ПОТОКА ТРАНСПОРТНЫХ СРЕДСТВ НА ОСНОВЕ ОФФЛАЙН ОБУЧЕННОЙ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ

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.

1. Du 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.pdf

2. Bernico M., Deep Learning Quick Reference. Packt Publishing, 2018.

3. SUMO - Simulation of Urban Mobility. Institute of Transportation Systems. Available at: http://sumo.dlr.de/wiki/SUMO

4. Kurmankhojayev D., Tolebi G., Analysis of the traffic flow modeling systems. Herald of the Kazakh-British technical university, № 4 (47), 2018. pp. 31-36.

5. 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. 109-112