КӨЛІК ҚҰРАЛДАРЫНЫҢ ҚОЗҒАЛЫС УАҚЫТЫН СЕГМЕНТТІК ДЕҢГЕЙДЕ МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНА ОТЫРЫП БОЛЖАУ
Article Sidebar
Main Article Content
Аңдатпа
Бұл мақалада машиналық оқыту әдістерін қолдану арқылы көлік құралдарының қозғалыс уақытын сегменттік деңгейде болжау мәселесі қарастырылады. Зерттеудің өзектілігі интеллектуалды көлік жүйелерінде қозғалыс уақытын дәл бағалау қажеттілігімен байланысты, себебі бұл көлік ағындарын тиімді басқару және қоғамдық көлік қызметінің сапасын арттыру үшін маңызды болып табылады. Зерттеу барысында Астана қаласындағы автобустар қозғалысының GPS деректері негізінде қалыптастырылған және GTFS форматына келтірілген ашық нақты деректер жиынтығы пайдаланылды.
Деректерді алдын ала өңдеу кезеңінде мақсатты айнымалы бойынша ақпараттың ағып кетуін болдырмау және уақыттық әрі маршруттық белгілерді қалыптастыру жүзеге асырылды. Регрессия есебін шешу үшін Random Forest, градиенттік бустинг XGBoost және LSTM рекурренттік нейрондық желілері, сондай-ақ категориялық маршруттық белгілерге арналған эмбеддингтері бар LSTM моделі қолданылып, салыстырмалы түрде бағаланды. Модельдердің сапасы уақытқа тәуелді деректерді бөлу тәсілі және стандартты регрессиялық метрикалар арқылы бағаланды.
Эксперименттік нәтижелер XGBoost моделінің ең жоғары түсіндіру қабілетін қамтамасыз ететінін және детерминация коэффициентінің 0,84-тен жоғары мәнге жеткенін көрсетті, ал эмбеддингтері бар LSTM моделі MAE және RMSE метрикалары бойынша ең төмен қателіктерді қамтамасыз етті. Алынған нәтижелер қозғалыс уақытын сегменттік деңгейде болжау үшін табличалық және тізбектік модельдерді қолданудың тиімділігін және интеллектуалды көлік жүйелерінде оларды біріктіріп пайдаланудың перспективалылығын дәлелдейді.
Article Details
##submission.citations##
Hassan, M., Al Nafees, A., Shraban, S. S., et al. (2025). Application of machine learning in intelligent transport systems: A comprehensive review and bibliometric analysis. Discover Civil Engineering, 2, Article 98. https://doi.org/10.1007/s44290-025-00256-2
Kandiri, A., Ghiasi, R., Nogal, M., & Teixeira, R. (2024). Travel time prediction for an intelligent transportation system based on a data-driven feature selection method considering temporal correlation. Transportation Engineering, 18, Article 100272. https://doi.org/10.1016/j.treng.2024.100272
Jang, J. (2024). Travel time prediction using machine learning algorithms: Focusing on k-NN, LSTM, and Transformer. The Open Transportation Journal, 18, Article e26671212356139. https://doi.org/10.2174/0126671212356139241101070347
Lei, J., Chen, Y., Han, Q., Zeng, L., & He, G. (2025). Effective bus travel time prediction system of multiple routes: Introducing PMLNet based on MDARNN. Applied Sciences, 15(14), Article 8104. https://doi.org/10.3390/app15148104
Shi, C., Zou, W., Wang, Y., Zhu, Z., Chen, T., Zhang, Y., & Wang, N. (2025). Enhancing travel time prediction for intelligent transportation systems: A high-resolution origin–destination-based approach with multi-dimensional features. Sustainability, 17(5), Article 2111. https://doi.org/10.3390/su17052111
Mansurova, A., Mussina, A., Aubakirov, S., Nugumanova, A., & Yedilkhan, D. (2025). From raw GPS to GTFS: A real-world open dataset for bus travel time prediction. Data, 10(8), Article 119. https://doi.org/10.3390/data10080119
Chen, M.-Y., Chiang, H.-S., & Yang, K.-J. (2022). Constructing cooperative intelligent transport systems for travel time prediction with deep learning approaches. IEEE Transactions on Intelligent Transportation Systems, 23(9), 16590–16599. https://doi.org/10.1109/TITS.2022.3148269
Abdollahi, M., Khaleghi, T., & Yang, K. (2020). An integrated feature learning approach using deep learning for travel time prediction. Expert Systems with Applications, 139, Article 112864. https://doi.org/10.1016/j.eswa.2019.112864
Chughtai, J.-U.-R., Haq, I. U., Shafiq, O., & Muneeb, M. (2022). Travel time prediction using hybridized deep feature space and machine learning based heterogeneous ensemble. IEEE Access, 10, 98127–98139. https://doi.org/10.1109/ACCESS.2022.3206384
Shanthappa, N. K., Mulangi, R. H., & Manjunath, H. M. (2024). Origin–destination demand prediction of public transit using graph convolutional neural network. Case Studies on Transport Policy, 17, Article 101230. https://doi.org/10.1016/j.cstp.2024.101230
Jiang, X., & Adeli, H. (2005). Dynamic wavelet neural network model for traffic flow forecasting. Journal of Transportation Engineering, 131(10), 771–782.
https://doi.org/10.1061/(ASCE)0733-947X(2005)131:10(771)
Gao, Y., Zhou, C., Rong, J., Wang, Y., & Liu, S. (2022). Short-term traffic speed forecasting using a deep learning method based on multitemporal traffic flow volume. IEEE Access, 10, 82384–82395. https://doi.org/10.1109/ACCESS.2022.3195353
Salman, H. A., Kalakech, A., & Steiti, A. (2024). Random forest algorithm overview. Babylonian Journal of Machine Learning, 2024, 69–79. https://doi.org/10.58496/BJML/2024/007
Szczepanek, R. (2022). Daily streamflow forecasting in mountainous catchment using XGBoost, LightGBM and CatBoost. Hydrology, 9(12), Article 226. https://doi.org/10.3390/hydrology9120226