Глеб Владимирович Савин, кандидат экономических наук, доцент, доцент кафедры
кафедра логистики и коммерции
620144; ул. 8 Марта/Народной Воли, д. 62/45; Екатеринбург
Gleb V. Savin, Candidate of Sciences (Economics), Associate Professor, Associate Professor of the Department
Department of the Logistics and Commerce
620144; 62/45 March 8/Narodnaya Volya Str.; Yekaterinburg
Актуальность. Сегодня наметилась тенденция перехода многих предприятий промышленности от железнодорожного на использование автомобильного транспорта, что существенно повышает нагрузку на городскую транспортную сеть и влияет на её качество. Рост населения, обостряющиеся проблемы в области организации движения негативно влияют на время передвижения и затраты для бизнеса, населения и государства. В этой ситуации необходимы как модели, позволяющие прогнозировать потери для каждого участника потоковых процессов в городе, так и подбор признаков, на которые можно влиять муниципалитету, стейкхолдерам и населению. Развитие данных моделей открывает большие перспективы использования в области городского планирования, экономического обоснования предлагаемых мероприятий и инвестиционных проектов, а также в области обеспечения роста качества жизни человека.
Цель ‒ обучить модели и добиться наилучшего показателя качества прогнозирования потерь для участников транспортных процессов в городе.
Задачи: выбрать наиболее релевантные признаки оценки умных городов мира с позиции мобильности, устойчивого развития и внедрения информационно-коммуникационных технологий; выбрать наиболее качественные модели прогнозирования; произвести прогноз временных и денежных потерь для городов разной людности; предложить новое видение развития инфраструктуры и сформировать модели снижения пиковой перегруженности в городе.
Методология ‒ прогнозирование с использованием методов машинного обучения.
Результаты. Лучшей моделью для прогнозирования перегруженности является линейная регрессия. При прогнозировании потерь – модель LightGBM.
Выводы. Использование машинного обучения и предлагаемой умной дороги позволяет выделить модели развития, которые снижают пиковую перегруженность в транспортно-логистической системе умного города.
Relevance. Today there is a tendency for many industrial enterprises to switch from rail to the use of road transport, which significantly increases the load on the urban transport network and affects its quality. Population growth, exacerbating problems in the field of traffic organization negatively affect the time of movement and costs for business, population and the state. In this situation, both models are needed to predict losses for each participant in the city's streaming processes, as well as the selection of signs that can be influenced by the municipality, stakeholders and the population. The development of these models opens up great prospects for use in the field of urban planning, the economic justification of the proposed activities and investment projects, as well as in the field of ensuring the growth of the quality of human life.
The purpose is to train models and achieve the best indicator of the quality of loss forecasting for participants in transport processes in the city.
Objectives: to select the most relevant features of assessing smart cities in the world from the standpoint of mobility, sustainable development and the introduction of information and communication technologies; Select the best forecasting models make a forecast of temporary and monetary losses for cities of different populations; propose a new vision for infrastructure development and shape models for reducing peak congestion in the city.
The methodology is prediction using machine learning techniques.
Results. The best model to predict congestion is linear regression. When predicting losses ‒ LightGBM model.
Conclusions. The use of machine learning and the proposed "smart road" makes it possible to highlight development models that reduce peak congestion in the transport and logistics system of a smart city.
The authors declare that there are no conflicts of interest present.