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
Як цитувати
Номер
Розділ
Ліцензія
Науковий журнал дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі:
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
