УДК 004.032.26:656.13
DOI: 10.36871/26189976.2026.04-3.013

Авторы

Татьяна Владимировна Лаптева,
Доктор технических наук, профессор кафедры «Информационные технологии и интеллектуальные системы», Казанский государственный энергетический университет
Владислава Юрьевна Рябухина,
Студент магистратуры кафедры «Информационные технологии и интеллектуальные системы», Казанский государственный энергетический университет

Аннотация

Проблемы дорожного движения современных городов имеют большое значение как для экономики страны, экологической обстановки, так и для комфорта ее граждан. Анализ существующих приложений по выдвинутым в работе критериям подтвердил актуальность разработки автоматизированной системы прогнозирования ситуаций на дорогах, свободной от недостатков существующих. Основу системы составляет графовая нейронная сеть внимания, архитектура, гиперпараметры и весовые коэффициенты которой обеспечили наилучшие значения метрик. Для взаимодействия с пользователем разработано веб-приложение, обеспечивающее коммуникацию с серверной частью через клиентское приложение с интерфейсом в виде интерактивной карты города. Система включает приложение преобразования наборов данных к графовому формату, требуемому графовой нейронной сетью. Предлагаемое приложение позволит быстро построить новый набор данных для обучения в случае уплывания данных периода эксплуатации от данных периода обучения. Дальнейшее развитие работы предполагается в дополнении обрабатываемой информацией сведениями о текущем состоянии дорог для улучшения прогноза на длительные периоды.

Ключевые слова

предсказание состояния
дорожного трафика
графовые нейронные сети
интерактивный интерфейс
графовые наборы данных

Список литературы

[1] Вялых К.М., Павлов Ю.Н., Степанова М.Б. Прогнозирование транспортной загруженности дорог // Наука и образование: науч. изд. МГТУ им. Н.Э. Баумана. – 2012. – № 7. – С. 20

[2] Клепцова Л.Н. Экономическая оценка потерь, связанных со временем передвижения пассажиров городским наземным транспортом // Россия молодая : Сборник материалов XIV Всероссийской научно-практической конференции. – Кемерово, 2022. – С. 52604.1–52604.5

[3] Рахманов А.Б. Четыре колеса апокалипсиса: причины автомобильных пробок в крупных городах мира // Вестник Томского государственного университета. Философия. Социология. Политология. – 2020. – № 58. – С. 170–188

[4] Хуссейн А.Х.С., Заргарян Е.В., Заргарян Ю.А. Модель прогнозирования транспортного потока на основе нейронных сетей для предсказания трафика на дорогах // Известия ЮФУ. Технические науки. – 2021. – № 6 (223). – С. 124–132

[5] Яндекс.Пробки [Электронный ресурс] // Яндекс. – URL: https://yandex.ru/company/ technologies/yaprobki/ (дата обращения: 01.04.2026)

[6] 2GIS Developer Portal [Электронный ресурс] // 2GIS. – URL: https://dev.2gis.com/ company (дата обращения: 01.04.2026)

[7] About Google Maps [Электронный ресурс] // Google. – URL: https://www.google.com/ maps/about/ (дата обращения: 01.04.2026)

[8] Anderson P., Lee D. Analyzing highway flow patterns using cluster analysis // Proceedings of IEEE Intelligent Transportation Systems Conference. – 2005. – P. 921–926

[9] Baidu Map [Электронный ресурс] // Baidu. – URL: https://map.baidu.com (дата обращения: 01.04.2026)

[10] Castro-Neto M., Jeong Y.-S., Jeong M.-K., Han L.D. Online-SVR for short-term traffic flow prediction under typical and atypical traffic conditions // Expert Systems with Applications. – 2009. – Vol. 36, Iss. 3. – P. 6164–6173

[11] Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9, Iss. 8. – P. 1735–1780

[12] Hou Z., Li X. Repeatability and Similarity of Freeway Traffic Flow and Long-Term Prediction Under Big Data // IEEE Transactions on Intelligent Transportation Systems. – 2016. – Vol. 17, Iss. 3. – P. 789–800

[13] Johnson M., Brown K. Traffic Flow Prediction Using MI Algorithm and Considering Noisy and Data Loss Conditions: An Application to Minnesota Traffic Flow Prediction // PrometTraffic & Transportation. – 2014. – Vol. 26, Iss. 5. – P. 423–432

[14] Li Y., Yu R., Shahabi C., Liu Y. Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting // ICLR 2018. – 2018. – URL: https://arxiv.org/abs/1707.01926 (дата обращения: 04.01.2026)

[15] Ma X., Tao Z., Wang Y., Yu H., Wang Y. Long Short-Term Memory Neural Network for Traffic Speed Prediction Using Remote Microwave Sensor Data // Transportation Research Part C: Emerging Technologies. – 2015. – Vol. 54. – P. 187–197

[16] Metro Interstate Traffic Volume Dataset [Электронный ресурс] // UCI Machine Learning Repository. – URL: https://archive.ics.uci.edu/dataset/492/metro+interstate+traffic+vol ume (дата обращения: 04.04.2026)

[17] Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. Attention Is All You Need // NeurIPS 2017. – 2017. – URL: https://arxiv.org/ abs/1706.03762 (дата обращения: 11.04.2025)

[18] Veličković P., Cucurull G., Casanova A., Romero A., Liò P., Bengio Y. Graph Attention Networks // ICLR 2018. – 2018. – URL: https://doi.org/10.48550/arXiv.1710.10903 (дата обращения: 04.01.2026)

[19] Vlahogianni E.I., Karlaftis M.G., Golias J.C. Short-term traffic forecasting: Where we are and where we’re going // Transportation Research Part C: Emerging Technologies. – 2014. – Vol. 43. – P. 3–19

[20] Snyder J.P. Map Projections: A Working Manual [Электронный ресурс]. – URL: https:// pubs.usgs.gov/pp/1395/report.pdf (дата обращения: 26.03.2026)

[21] Taylor M.A. An Approach to Dynamic Classification of Traffic Flow Patterns // ComputerAided Civil and Infrastructure Engineering. – 2013. – Vol. 28, Iss. 2. – P. 145–157

[22] Zheng H., Lin F., Feng X., Chen Y. A hybrid deep learning model with attention-based convLSTM networks for short-term traffic flow prediction // IEEE Transactions on Intelligent Transportation Systems. – 2020. – Vol. 22, Iss. 11. – P. 6910