Russian Federation
This paper examines a methodology for integrating public transport data analysis. Key sources in-clude: online consolidation and labeling of heterogeneous context sources; statistical modeling of expected transport behavior based on forecasting over a given time period; integrated mapping of road traffic and its situational context, supported by spatiotemporal navigation and zooming tools; and outlier detection
contextual data discovery, multivariate time series, forecasting, passenger flow data
Мобильность в современных городах не является устойчивой. В этой связи актуальным становится сбор доступных данных о дорожном движении и их ситуативном контексте. Ситуативный контекст включает общественные события (спортивные и культурные мероприятия, крупные конгрессы), ограничения и запреты (плановые строительные работы, аварии и уведомления, поступающие от граждан), данные городского планирования (карты, схемы развития), а также другие виды деятельности, потенциально влияющие на мобильность. Интегративный анализ данных о дорожном движении с использованием этих источников ситуативного контекста предоставляет уникальные возможности для понимания динамики дорожного движения и, с учетом предстоящих событий или запланированных мероприятий, для краткосрочного и долгосрочного планирования общественного транспорта.
Несмотря на актуальность контекстно-зависимого анализа данных о дорожном движении в нем наблюдаются недостатки. Во-первых, ситуативный контекст отсутствует в анализе данных о дорожном движении. Во-вторых, источники данных о нем могут являться частными, разрозненными или недоступными. В-третьих, данные о дорожном движении могут анализироваться с использованием нескольких временных, пространственных и модальных разрешений, что приводит к объемным и трудно внедряемым результатам. Наконец, поведение дорожного движения – изучение значимых отклонений в движении не всегда адекватно моделируется. Эти проблемы препятствуют всестороннему, действенному и оперативному пониманию динамики дорожного движения, что приводит к неэффективности в системе мобильности.
Для решения этих задач предложена:
- консолидация информации о дорожном движении от перевозчиков с широким спектром источников контекстных данных, предоставленных на открытых порталах;
- онлайн-аналитика, основанная на обновляемом поиске и автоматической маркировке контекстных данных;
- качественное моделирование поведения дорожного движения с использованием статистических моделей, основанных на датированном прогнозировании, для многомерных временных рядов данных;
- разработка алгоритмов анализа данных общественного транспорта при наличии контекстной информации (с многомерным анализом временных рядов и обнаружением выбросов информации);
- интегративное отображение транспортного потока и его контекстной информации, сопровождаемое временной навигацией и средствами масштабирования;
- анализ данных о транспортном потоке с иерархическими средствами поддержки оперативных решений.
В результате, были рассмотрены методы прогнозирования временных рядов для анализа данных об общественном транспорте при наличии контекстных выбросов [1]. Контекстно-зависимая аналитика имеет решающее значение для поддержки эффективной работы общественного транспорта, рекомендаций по времени ожидания, устойчивого планирования транспорта, оповещений в режиме реального времени и координации между органами власти на основе данных.
1. Leite, I. Context-sensitive modeling of public transport data / I. Leite, A. Finamore, R. Henriques // URL: https://fenix.tecnico.ulisboa.pt/downloadFile/1689244997259528/81328-ines elaterium.pdf (data obrascheniya: 13.01.2026).
