Сравнительный анализ нейросетевой и машинной моделей для краткосрочного прогнозирования транспортного потока на скоростной автомагистрали Мэйгуан Шэньчжэня

Введение. При растущей загруженности автомагистралей эффективность интеллектуальных транспортных систем зависит от качественного краткосрочного прогнозирования потоков. Статистические методы недостаточно точно учитывают нелинейные и динамические изменения трафика. Более перспективны модель долгой краткосрочной памяти (LSTM) и метод опорных векторов (SVR). Однако они не ранжированы в плане корректности, так как нет работ по комплексному сопоставлению их адекватности для краткосрочного прогнозирования потоков. Представленное исследование восполняет этот пробел. Цель работы — сравнительный анализ точности LSTM и SVR и выбор оптимального подхода для прогнозирования транспортного потока на автомагистрали Мэйгуан Шэньчжэня.

Материалы и методы. Данные детекторов транспорта собраны в июне 2021 года на автомагистрали Мэйгуан. Использовались методы предварительной обработки данных, включая заполнение взвешенным средним и нормализацию. Для извлечения признаков применили автокорреляционный анализ, а также создание переменной взаимодействия скорости и занятости детектора. Модели обучались и тестировались на данных, полученных с детекторов с 5-минутными интервалами.

Результаты исследования. Показатели LSTM лучше на 17,86 % по среднеквадратической, на 19,82 % — по средней абсолютной и на 25,78 % — по средней абсолютной процентной ошибке. В периодах с наименьшей ошибкой прогнозирования интенсивности потока RMSE, MAE и MAPE для модели LSTM оказались меньше на 36,5 %, 34,3 % и 42,3 % соответственно. В периодах c наибольшей ошибкой RMSE, MAE и MAPE для LSTM оказались меньше на 73,2 %, 65,4 % и 64,4 % соответственно. Критерий Уилкоксона <0,05 подтвердил статистическую значимость различий.

Обсуждение. Лучшие прогнозные возможности LSTM обусловлены ее архитектурой, а именно комбинированием переменных взаимодействия и лаговых показателей. LSTM лучше учитывает временные зависимости потока, адаптируется к его сложным, долгосрочным динамическим изменениям и остается точной даже при значительных колебаниях. Меньшая прогнозная эффективность SVR обусловлена слабой, нелинейной аппроксимирующей способностью. При резких изменениях потока существенно увеличиваются показатели ошибок.

Заключение. При краткосрочном прогнозировании транспортного потока на скоростной автомагистрали, выбирая между нейросетевой и машинной моделью, следует предпочесть нейросетевую — например, LSTM. Результаты исследования целесообразно использовать в предиктивных стратегиях снижения заторов. Краткосрочное прогнозирование на основе LSTM может быть базой для оптимизации управления дорожным движением, снижения заторов и загрязняющих выбросов, а также для оптимизации интеллектуальных транспортных систем. Перспективное направление — разработка гибридных архитектур, интегрирующих контекстные данные (погода, инфраструктура, аварии) для улучшения прогнозов в режиме реального времени.

1. Garg T, Kaur G. A Systematic Review on Intelligent Transport Systems. Journal of Computational and Cognitive Engineering. 2022;2(3):175–188. https://doi.org/10.47852/bonviewJCCE2202245

2. Vlahogianni EI, Matthew GK, Golias JC. Short-Term Traffic Forecasting: Where We Are and Where We’re Going. Transportation Research. Part C: Emerging Technologies. 2014;43(1):3–19. https://doi.org/10.1016/j.trc.2014.01.005

3. Williams BM, Hoel LA. Modeling and Forecasting Vehicular Traffic Flow as a Seasonal ARIMA Process: Theoretical Basis and Empirical Results. Journal of Transportation Engineering. 2003;129(6):664–672. https://doi.org/10.1061/(ASCE)0733-947X(2003)129:6(664)

4. Lippi M, Bertini M, Frasconi P. Short-Term Traffic Flow Forecasting: An Experimental Comparison of Time-Series Analysis and Supervised Learning. IEEE Transactions on Intelligent Transportation Systems. 2013;14(2):871–882. https://doi.org/10.1109/TITS.2013.2247040

5. Zhenjin Huang, Hao Ouyang, Yiming Tian. Short-Term Traffic Flow Combined Forecasting Based on Nonparametric Regression. In: Proc. International Conference of Information Technology, Computer Engineering and Management Sciences. New York City: IEEE; 2011. P. 316–319. https://doi.org/10.1109/ICM.2011.89

6. Polson NG, Sokolov VO. Deep Learning for Short-Term Traffic Flow Prediction. Transportation Research. Part C: Emerging Technologies. 2017;79:1–17. https://doi.org/10.1016/j.trc.2017.02.024

7. Ceperic E, Ceperic V, Baric A. A Strategy for Short-Term Load Forecasting by Support Vector Regression Machines. IEEE Transactions on Power Systems. 2013;28(4):4356–4364. https://doi.org/10.1109/TPWRS.2013.2269803

8. Weiwei Zhu, Jinglin Wu, Ting Fu, Junhua Wang, Jie Zhang, Qiangqiang Shangguan. Dynamic Prediction of Traffic Incident Duration on Urban Expressways: A Deep Learning Approach Based on LSTM and MLP. Journal of Intelligent and Connected Vehicles. 2021;4(2):80–91. https://doi.org/10.1108/JICV-03-2021-0004

9. Peng Chen, Yong-zai Lu. Extremal Optimization for Optimizing Kernel Function and Its Parameters in Support Vector Regression. Journal of Zhejiang University Science C. 2011;12:297–306. https://doi.org/10.1631/jzus.C1000110

10. Feihu Ma, Shiqi Deng, Sang Mei. A Short-Term Highway Traffic Flow Forecasting Model Based on CNN-LSTM with an Attention Mechanism. Journal of Physics: Conference Series. 2023;2491:012008. https://doi.org/10.1088/1742-6596/2491/1/012008

11. Liu Mingyu, Wu Jianping, Wang Yubo, He Lei. Traffic Flow Prediction Based on Deep Learning. Journal of System Simulation. 2018;30(11):4100–4106. URL: https://dc-china-simulation.researchcommons.org/journal/vol30/iss11/7 (accessed 09.09.2025).

12. García S, Ramírez-Gallego S, Luengo J, Benítez JM, Herrera F. Big Data Preprocessing: Methods and Prospects. Big Data Analytics. 2016;1:9. https://doi.org/10.1186/s41044-016-0014-0

13. Robin Kuok Cheong Chan, Joanne Mun-Yee Lim, Rajendran Parthiban. A Neural Network Approach for Traffic Prediction and Routing with Missing Data Imputation for Intelligent Transportation System. Expert Systems with Applications. 2021;171:114573. https://doi.org/10.1016/j.eswa.2021.114573

14. Chahinez Ounoughi, Sadok Ben Yahia. Sequence to Sequence Hybrid Bi-LSTM Model for Traffic Speed Prediction. Expert Systems with Applications. 2024;236:121325. https://doi.org/10.1016/j.eswa.2023.121325

15. Rong Chen, Lijian Yang, Christian Hafner. Nonparametric Multistep-Ahead Prediction in Time Series Analysis. Journal of the Royal Statistical Society. Series B: Statistical Methodology. 2004;66(3):669–686. https://doi.org/10.1111/j.1467-9868.2004.04664.x

16. Aqib M, Mehmood R, Alzahrani A, Katib I, Albeshri A, Altowaijri SM. Smarter Traffic Prediction Using Big Data, In-Memory Computing, Deep Learning and GPUs. Sensors. 2019;19(9):2206. https://doi.org/10.3390/s19092206

17. Xianyao Ling, Xinxin Feng, Zhonghui Chen, Yiwen Xu, Haifeng Zheng. Short-Term Traffic Flow Prediction with Optimized Multi-kernel Support Vector Machine. In: Proc. IEEE Congress on Evolutionary Computation (CEC). New York City: IEEE; 2017. P. 294–300. https://doi.org/10.1109/CEC.2017.7969326

18. Zhou Zhao, Ashok Srivastava, Lu Peng, Qing Chen. Long Short-Term Memory Network Design for Analog Computing. ACM Journal on Emerging Technologies in Computing Systems (JETC). 2019;15(1):1–27. https://doi.org/10.1145/3289393

19. Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research. 2014;15:1929–1958. URL: https://www.jmlr.org/papers/volume15/srivastava14a/srivastava14a.pdf?utm_content=buffer79b4 (accessed: 21.10.2025).

20. Yang Zhu, Yijun Gao, Zhenhao Wang, Guansen Cao, Renjie Wang, Song Lu, et al. A Tailings Dam Long-Term Deformation Prediction Method Based on Empirical Mode Decomposition and LSTM Model Combined with Attention Mechanism. Water. 2022;14(8):1229. https://doi.org/10.3390/w14081229

21. Pan B, Demiryurek U, Shahabi C. Utilizing Real-World Transportation Data for Accurate Traffic Prediction. In: Proc. IEEE 12th International Conference on Data Mining. New York City: IEEE; 2012. P. 595–604. https://doi.org/10.1109/ICDM.2012.52

22. Moors G, Vriens I, Gelissen JP, Vermunt JK. Two of a Kind. Similarities Between Ranking and Rating Data in Measuring Values. Survey Research Methods. 2016;10(1):15–33. https://doi.org/10.18148/srm/2016.v10i1.6209.