Аналіз ефективності моделей прогнозування зайнятості паркомісць в інтелектуальній системі IoT
DOI:
https://doi.org/10.18372/2073-4751.81.20126Ключові слова:
інтелектуальна система паркування, хмарні обчислення, прогнозування зайнятості, Інтернет речей, LSTM, Prophet, SARIMA, аналіз часових рядів, машинне навчанняАнотація
У статті досліджено ефективність моделей прогнозування зайнятості паркомісць в інтелектуальній системі Інтернету речей (IoT), що функціонує на основі хмарних обчислень. Розглянуто актуальність проблеми управління паркувальними просторами в умовах сучасної урбанізації. Представлено архітектуру аналітичної системи, що включає IoT-сенсори для збору даних, хмарну платформу для їх обробки та зберігання, а також модуль прогнозування. Детально описано три моделі прогнозування часових рядів: LSTM (Long Short-Term Memory), Prophet та SARIMA (Seasonal Autoregressive Integrated Moving Average). Проведено експериментальне дослідження цих моделей на наборі даних про зайнятість паркомісць, що включало їх навчання, тестування та оцінку за допомогою метрик MAE, RMSE та MAPE. Здійснено порівняльний аналіз точності моделей, виявлено переваги та недоліки кожної з них у контексті прогнозування завантаженості паркувальних зон. Результати дослідження демонструють потенціал використання моделей машинного навчання для оптимізації управління міською паркувальною інфраструктурою та можуть бути використані для подальшого вдосконалення інтелектуальних транспортних систем.
Посилання
Channamal S. et al. A review of smart parking systems. Transportation Research Procedia. 2023. Vol. 73. P. 289–296. DOI: 10.1016/j.trpro.2023.11.925.
Fahim A., Hasan M., Chowdhury M. A. Smart parking systems: comprehensive review based on various aspects. Heliyon. 2021. Vol. 7(5). e07050. DOI: 10.1016/j.heliyon.2021.e07050.
Biyik C. et al. Smart Parking Systems: Reviewing the Literature, Architecture and Ways Forward. Smart Cities. 2021. Vol. 4(2). P. 623–642. DOI: 10.3390/smartcities4020032.
Chaturvedi S. et al. A comparative assessment of SARIMA, LSTM RNN and Fb Prophet models to forecast total and peak monthly energy demand for India. Energy Policy. 2022. Vol. 168. 113097. DOI: 10.1016/j.enpol.2022.113097.
Katambire V. N. et al. Forecasting the Traffic Flow by Using ARIMA and LSTM Models: Case of Muhima Junction. Forecasting. 2023. Vol. 5(4). P. 616–628. DOI: 10.3390/forecast5040034.
Goodfellow I., Bengio Y., Courville A. Deep Learning. London : MIT Press, 2016. 800 p.
Taylor S. J., Letham B. Forecasting at scale. The American Statistician. 2018. Vol. 72(1). P. 37–45. DOI: 10.1080/00031305.2017.1380080.
Hyndman R. J., Athanasopoulos G. Forecasting: principles and practice. 2nd ed. OTexts, 2018. 382 p.
Hochreiter S., Schmidhuber J. Long short-term memory. Neural computation. 1997. Vol. 9(8). P. 1735–1780.
Box G. E. P. et al. Time series analysis: forecasting and control. 5th ed. Hoboken : John Wiley & Sons, 2015. 720 p.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
