Россия
В работе рассматривается методология интеграции ситуационного контекста в анализ данных о работе общественного транспорта. Анализ включает: онлайн-консолидацию и маркировку разнородных источников контекста; статистическое моделирование ожидаемых характеристик транспорта на основе факторов сезонной и суточной загруженности; и интегративное отображение дорожного движения и его ситуационного контекста, сопровождаемое пространственно-временной навигацией и возможностями масштабирования. Предварительные результаты, полученные на основе данных о сети, показывают актуальность этого направления исследования для поддержки принятия решений с учетом контекста
моделирование, общественный транспорт, ситуационный контекст, данные о пассажиропотоках
В последние годы актуальность приобретает сбор всех доступных данных о дорожном движении для решения задачи устойчивой мобильности. Данные включают общественные мероприятия (спортивные и культурные мероприятия, конгрессы), запреты (плановые строительные работы, аварии и уведомления от населения), карты городского планирования, а также другие виды деятельности, потенциально влияющие на мобильность [1]. Интегративный анализ контекстных данных предоставляет уникальные возможности для понимания динамики дорожного движения и, при наличии информации о предстоящих мероприятиях или запланированных событиях, для краткосрочного и долгосрочного планирования работы общественного транспорта [2]. Несмотря на актуальность контекстно-зависимого анализа данных о дорожном движении, в нем наблюдаются и недостатки. Во-первых, контекст отсутствует в анализе данных о дорожном движении. Во-вторых, источники данных либо являются частными, либо разрозненными, либо недоступны. В-третьих, данные о дорожном движении могут анализироваться с использованием нескольких временных, пространственных и модальных разрешений, что приводит к объемным и труднопригодным результатам. Наконец, моделирование транспортного потока для изучения значимых отклонений в движении транспорта не всегда адекватно [3]. Эти проблемы препятствуют всестороннему, действенному и оперативному пониманию динамики движения транспорта, что приводит к неэффективности системы мобильности. Для решения этих задач в исследовании разработана система поддержки принятия решений, основанная на пяти основных принципах:
1) консолидация данных о транспорте от перевозчиков с широким спектром источников о ситуационном контексте;
2) онлайн-аналитика, основана на обновляемом поиске и автоматической маркировке (в соответствии с пространственным, временным и модальным охватом) контекстных данных;
3) качественное моделирование транспортного поведения с использованием статистических моделей с календарным планированием для многомерных временных рядов данных;
4) интегративное отображение (как ожидаемого, так и наблюдаемого) транспортного потока и его ситуационного контекста, сопровождаемое временной навигацией и возможностями масштабирования;
5) иерархические представления данных о дорожном движении (агрегированные данные доступны на уровне остановочных пунктов, маршрутов) для поддержки оперативных решений.
Контекстно-зависимая аналитика имеет решающее значение для поддержки работы общественного транспорта, рекомендаций по времени ожидания, устойчивого планирования транспорта, оповещений в режиме реального времени.
Общедоступные данные о дорожном движении сложны, часто многомерны, пространственны, временны и разрежены. Данные о городском движении – будь то автомобильное, железнодорожное, речное или пешеходное – зависят от контекста ситуации, включая спортивные/культурные мероприятия, ограничения движения, городское планирование, погодные условия и другое. Для понимания моделей городской мобильности такие контекстуализирующие факторы должны быть интегрированы в анализ данных о дорожном движении. Прогресс достигается как за счет специализированного анализа данных о дорожном движении, так и за счет контекстно-обогащенных данных о дорожном движении. В обоих направлениях исследований вклад можно классифицировать в соответствии с целевой задачей: описательный, прогностический и/или предписывающий. Описательный анализ направлен на обобщение и извлечение нетривиальных, значимых и статистически важных связей из городских данных, включая отклоняющиеся, периодические и возникающие пространственно-временные закономерности; прогностический анализ направлен на прогнозирование динамики мобильности; а предписывающий анализ направлен на поддержку принятия решений с использованием оптимизационных и управляющих подходов.
В области описательной аналитики вклад в моделирование поведения транспортного потока делится на три основных направления: классическое статистическое моделирование, моделирование на основе машинного обучения и гибридное моделирование. В первом направлении популярны авторегрессионные модели, модели скользящего среднего и модели сглаживания, используемые с 1970-х годов, с разнообразными приложениями для моделирования (и прогнозирования) данных об объеме и скорости транспортного потока. Их главный недостаток – необходимость значительного объема исторических данных для построения качественной модели. Второе направление, моделирование на основе машинного обучения, включает в себя вклад в анализ временных закономерностей, многомерный анализ временных рядов и кластеризацию подпространств. Несмотря на свою актуальность, эти модели, как правило, дают локальное представление о поведении транспортного потока. Исследования третьего направления, гибридного моделирования, изучают синергию между подходами двух предыдущих направлений. В дополнение к этому, были предложены системы визуальной аналитики для решения различных проблем мобильности, таких как анализ закономерностей заторов на основе мобильных данных, динамика дорожного движения на основе данных счетчиков движения и социальной активности людей. Помимо описательной аналитики, в исследованиях в области прогнозирования наблюдается активность в области глубокого обучения (многоагентные системы, таких как обучение с подкреплением), при этом все больше попыток позволяют исследовать присущую данным о дорожном движении пространственную и временную природу.
Следует отметить, что в некоторых исследованиях анализировались различные типы ситуационного контекста, такие как погодные данные, сведения об авариях, полученные из социальных сетей с помощью методов обработки, а также запланированные мероприятия, например, фестивали и спортивные соревнования. В рамках этих работ подчеркивается важность интеграции разнородных источников информации, включая сочетания запланированных событий и метеоданных, а также указывается, что разнообразие таких данных является ключевым фактором в развитии «умных городов». Область контекстно-зависимой аналитики дорожного движения менее изучена из-за связанных с ней проблем (идентификация и поиск релевантного контекста, обучение на основе разнородных данных). Включение этой информации имеет первостепенное значение для объяснения поведения мобильности и даже для создания более совершенных описательно-прогностических моделей и процедур оптимизации. В отличие от представленного подхода, ни одна из этих работ не поддерживает анализ отклоняющегося поведения на основе исторических данных и не представляет контекстно-обогащенное отображение поведения дорожного движения с использованием средств временной и пространственной навигации.
Для автоматического и комплексного отображения данных о дорожном движении и их контекста должна быть реализована периодическая процедура считывания новой информации из разнообразных и разнородных источников данных о ситуационном контексте. Кроме того, полученные события необходимо автоматически аннотировать в соответствии с их категорией, а продолжительность события указывается в соответствии с доступной информацией или дополняется при наличии правил пользователя.
Наблюдаемое и смоделированное поведение транспортного потока может быть оценено с использованием:
1) различных методов: Холт-Винтерс, SARIMAX и рекуррентные нейронные сети (проведем сравнительный анализ методов в сводной таблице 1);
Таблица 1 – Ключевые характеристики методов [4]
|
Характеристика |
Холт-Винтерс (Holt-Winters) |
SARIMAX |
Рекуррентные нейронные сети (RNN) |
|
тип подхода |
классический статистический |
классический статистический |
машинное обучение / глубокое обучение |
|
интерпретируемость |
высокая (компоненты тренда и сезонности наглядны) |
высокая (интерпретация коэффициентов AR, MA, I) |
низкая (сложно понять, как именно модель делает прогноз) |
|
учет сезонности |
поддерживается |
поддерживается (встроенная сезонная компонента) |
сеть извлекает закономерности, если имеются данные |
|
экзогенные переменные |
не поддерживаются |
поддерживается (возможность включать внешние факторы) |
поддерживается (сеть может обучаться на многомерных данных) |
|
сложность и скорость |
низкая, обучается быстро |
средняя, требует тщательной настройки параметров |
высокая, требует больших данных и мощных вычислений |
|
объем данных |
эффективна на малых и средних данных |
качественно работает на малых и средних данных |
требует больших объемов исторических данных для обучения |
2) календарно-независимых и специфичных (рабочий/ выходной, день недели, недифференцированные даты);
3) небольших и длинных разбиений (от количества точек),
4) различной временной детализации (окна от минут до нескольких часов) и пространственной детализации (специфичные для остановочного пункта, региона, маршрута и всей сети).
Метод моделирования/прогнозирования Холт-Винтерса оказался наиболее конкурентоспособным, поскольку способен использовать тройное экспоненциальное сглаживание для учета ключевых компонентов временного ряда: уровня, тренда и сезонности (аддитивной или мультипликативной).
Для всестороннего анализа и выявления лучших статистических моделей на основе многомерных данных временных рядов необходимо учитывать данные о средней абсолютной ошибке (MAE), среднеквадратичной ошибке (RMSE) и средней абсолютной процентной ошибке (MAPE).
Рассмотренная методология онлайн-анализа данных о дорожном движении в контексте конкретной ситуации предоставляет уникальные возможности, по сбору исторических и перспективных данных. С этой целью рассматривается инструмент, способный собирать и маркировать эти события в режиме реального времени и интегрировать их отображение с анализом данных о дорожном движении.
Критическая важность контекстно-чувствительного анализа и его дополнение надежно смоделированным эталонным поведением транспорта, а также географическими и временными средствами навигации для поддержки как краткосрочных, так и долгосрочных решений в области планирования доказана посредством анализа литературы, и определены основные направления дальнейших исследований: 1) расширение предложенной методологии для многомодального анализа данных о дорожном движении; 2) контекстно-чувствительное моделирование ожидаемого поведения на основе выборочного воспроизведения исторических данных с аналогичным контекстом; 3) автоматическое обнаружение аномального поведения; и 4) контекстно-зависимое прогнозирование данных о дорожном движении при наличии запланированных событий.
1. Транспортное планирование в развитии Иркутской агломерации / А. Левашев, М. Шаров, О. Лебедева [и др.] // Проект Байкал. – 2021. – Т. 18, № 70. – С. 94-98. – DOIhttps://doi.org/10.51461/projectbaikal.70.1896.
2. Полтавская, Ю. О. Методы сбора данных о продолжительности движения на маршруте и требования к объему выборки / Ю. О. Полтавская // Вестник Ангарского государственного технического университета. – 2018. – № 12. – С. 192-195. – DOIhttps://doi.org/10.36629/2686-777X-2018-1-12-192-195.
3. Лебедева, О. А. Поиск оптимального проложения автобусного марш-рута в транспортной сети города / О. А. Лебедева // Информационные технологии в науке, управлении, социальной сфере и медицине : Сборник научных трудов V Международной научной конференции. В 2-х частях, Томск, 17–21 декабря 2018 года / Под редакцией О.Г. Берестневой, А.А. Мицеля, В.В. Спицына, Т.А. Гладковой. Том 1. – Томск: Национальный исследовательский Томский политехнический университет, 2018. – С. 92-94.
4. 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 (дата обращения: 13.01.2026).
