Региональные особенности внедрения машинного обучения в проекты прогнозирования пассажиропотока общественного транспорта

Введение

В условиях современных городов с их динамично развивающимися транспортными сетями прогнозирование пассажиропотока является важной задачей для поддержания устойчивой работы общественного транспорта. Прогнозы помогают улучшить маршруты, повысить удовлетворенность пассажиров, рационализировать затраты и повысить общее качество транспортного обслуживания. Несмотря на успехи машинного обучения, его внедрение в проекты общественного транспорта сталкивается с рядом трудностей, связанных с региональной спецификой. В России, где города различаются по климату, плотности населения, уровню автомобилизации и структуре транспортной сети, стандартные алгоритмы часто оказываются менее эффективными, поскольку не учитывают этих специфических характеристик. В результате возникает необходимость разработки более гибких ML-моделей, способных адаптироваться к особенностям каждого региона.

Внедрение машинного обучения в прогнозирование пассажиропотока позволяет лучше управлять общественным транспортом, однако стандартные ML-модели, разработанные для крупных мегаполисов с устойчивыми транспортными потоками, редко учитывают разнообразие условий, присущих разным городам и поселениям России. В северных городах, например, сезонные колебания могут приводить к значительным изменениям в пассажиропотоке в зависимости от температуры и состояния дорог, в то время как южные регионы, где теплый климат сохраняется на протяжении года, не сталкиваются с такими проблемами. Данные различия существенно влияют на точность ML-прогнозов и требуют разработки подходов, учитывающих климатические, демографические, культурные и другие локальные особенности для достижения большей точности и применимости.

Анализ последних исследований

В последние годы значительно увеличилось количество исследований, посвященных прогнозированию пассажиропотока. Исследования Вакуленко и Еврееновой, посвященные закономерностям перемещения пассажиров через транспортные узлы, акцентируют внимание на важности учета плотности пассажиропотоков и особенностей транспортной инфраструктуры для повышения точности прогнозов [1]. Однако данное исследование сосредоточено в основном на крупных городах и транспортно-пересадочных узлах, таких как вокзалы и станции метро, и не охватывает особенности менее населенных и отдаленных регионов, где транспортные условия и пассажиропоток сильно зависят от сезонных и культурных факторов.

Работа Шипилова и Раюшкиной на тему предпочтений пассажиров к различным видам транспорта выявляет значимость учета пассажирских предпочтений и удовлетворенности транспортным обслуживанием при построении прогнозных моделей. В статье можно увидеть это распределение на диаграмме зависимости привлекательности некоторых видов транспорта от стоимости проезда на них и времени ожидания подвижного состава. Однако авторы сосредотачиваются на крупных городах с развитой транспортной сетью и регулярными интервалами движения, что мало применимо в малых городах и поселениях, где транспортные потребности часто зависят от демографической структуры и уровня автомобилизации [2]. В малых городах Пензенской области, например, по данным исследования Пильгейкиной, наблюдается высокий уровень автомобилизации и постоянное сокращение населения, что существенно снижает пассажиропоток в общественном транспорте и требует специфического подхода к его прогнозированию [3].

Таким образом, остается нерешенной проблема разработки универсальных, но адаптивных к локальным условиям моделей прогнозирования, которые учитывали бы различные климатические, демографические и культурные факторы, влияющие на транспортные потоки.

Цель данной статьи — исследовать особенности региональных факторов, влияющих на пассажиропоток, и предложить подходы для адаптации алгоритмов машинного обучения, которые могут учитывать локальные условия различных регионов России. В рамках исследования ставятся следующие задачи:

1. Изучение климатических, демографических и инфраструктурных факторов, влияющих на пассажиропоток в различных регионах России;
2. Определение специфики культурных предпочтений и поведенческих моделей пассажиров;
3. Разработка рекомендаций по адаптации ML-моделей под конкретные региональные условия для повышения точности прогнозирования пассажиропотока

Климатические особенности

Климат является ключевым фактором, влияющим на интенсивность пассажиропотока в различных регионах России. В северных городах, таких как Архангельск и Мурманск, наблюдается значительное сезонное колебание пассажиропотока. Зимой суровые погодные условия и пониженная температура приводят к увеличению спроса на общественный транспорт, так как пешеходные и велосипедные перемещения становятся менее удобными и безопасными. Однако из-за сложных погодных условий, таких как снегопады и гололед, транспортная сеть часто работает с перебоями, что также нужно учитывать в прогнозах.

В противоположность этому, в южных регионах России, например, Краснодарском крае или Астраханской области, теплый климат сохраняется на протяжении большей части года, что поддерживает более равномерное распределение пассажиропотока. Здесь основной фактор — высокая плотность пассажиров в летний сезон, что связано с туристическими потоками. Также в регионах с засушливым климатом, как в Волгоградской области, пассажиропоток может зависеть от погодных условий, так как летом при высоких температурах многие жители предпочитают использовать кондиционированные транспортные средства.

Демографические и инфраструктурные особенности

Плотность населения и уровень урбанизации также оказывают значительное влияние на пассажиропоток. В мегаполисах, таких как Москва и Санкт-Петербург, наблюдается высокая плотность населения и большая нагрузка на транспортную инфраструктуру, особенно в часы пик. В таких городах требуются модели, учитывающие плотные транспортные узлы и возможность многократных пересадок. Например, регулярные и высокочастотные рейсы востребованы вблизи крупных деловых и жилых районов, тогда как в удаленных районах — меньшая плотность рейсов и иной график обслуживания.

В малых городах, таких как Каменка и Спасск, плотность населения гораздо ниже, а общественный транспорт менее развит. Здесь часто наблюдается высокая зависимость от личных автомобилей, что снижает пассажиропоток в общественном транспорте. Это накладывает определенные ограничения на прогнозы ML-моделей, поскольку в таких регионах необходимо учитывать переменную интенсивность использования общественного транспорта в зависимости от наличия альтернатив, таких как автомобили.

Культурные и поведенческие особенности

Культурные предпочтения и поведенческие модели жителей различных регионов также оказывают влияние на пассажиропоток. Например, в центральной части России наблюдается тенденция к широкому использованию частного транспорта, особенно в пригородных зонах, где жители предпочитают личные автомобили. В то же время в городах с ограниченной дорожной инфраструктурой или высокой стоимостью парковки, таких как Санкт-Петербург, более популярным является общественный транспорт.

В северных регионах, как показывают исследования, пассажиры склонны к использованию общественного транспорта зимой и предпочитают пешие передвижения в летние месяцы. В курортных зонах, например, в Краснодарском крае, пассажиропоток также зависит от сезона и туристических потоков, что требует учета временных колебаний, связанных с пиковым сезоном.

Проблемы транспортной инфраструктуры

Немаловажным фактором является состояние и пропускная способность транспортной инфраструктуры в разных регионах. В крупных городах имеется разветвленная сеть метро, трамваев, автобусов и маршрутных такси, что позволяет более гибко регулировать пассажиропоток. В малых городах и сельской местности транспортная инфраструктура развита слабее, и общественный транспорт представлен чаще всего автобусами с ограниченными маршрутами. Например, в малых городах Пензенской области, как показано в исследовании Пильгейкиной, низкая пропускная способность дорог и малое количество общественного транспорта усложняют задачу прогнозирования пассажиропотока, так как пассажиры вынуждены подстраиваться под фиксированные графики движения [3].

Отдельные регионы могут сталкиваться с трудностями в организации регулярного общественного транспорта также из-за нехватки транспортных средств. Например, как сообщается в статье за 31 января 2024 года, в Донецке городской транспорт был значительно сокращен, что оставило город практически без регулярного транспортного сообщения [4]. В таких случаях для прогнозирования пассажиропотока важно учитывать не только уровень автомобилизации и плотность населения, но и текущее состояние транспортной инфраструктуры, чтобы точнее определять фактический спрос на оставшиеся маршруты.

Рекомендации по использованию региональных особенностей для улучшения работы модели

Чтобы единая модель (рис. 1) могла учитывать различия в пассажиропотоке по регионам, необходимо расширить набор данных, включив в него поля, отражающие специфические факторы каждого региона. Базовая структура модели учитывает лишь общие параметры, такие как расписание, частота движения и местоположение остановок.

Ниже представлен перечень полей, которые могут быть добавлены к данным для улучшения точности прогнозов и адаптации модели к различным климатическим, демографическим и инфраструктурным условиям.

Климатические условия

1. Season – сезон (зима, лето, осень или весна); это текстовое или числовое поле указывает сезон, влияющий на поведение пассажиров, особенно в регионах с суровым климатом;
2. Temperature – температура воздуха, измеренная в градусах Цельсия; числовое поле, позволяющее моделям учитывать влияние холода или жары на спрос. Например, значения ниже -15°C или выше +30°C могут резко повышать или понижать пассажиропоток;
3. Precipitation – тип осадков (дождь, снег, отсутствие осадков); текстовое или числовое поле. Высокий уровень осадков (дождь или снег) обычно снижает количество пеших передвижений и повышает спрос на общественный транспорт;
4. WindSpeed – скорость ветра, м/с; числовое поле. Высокий уровень ветра также может влиять на пассажиропоток, особенно зимой в регионах с суровым климатом

Демографические и урбанистические особенности

1. PopulationDensity – плотность населения в районе или городе; числовое поле. Высокая плотность может указывать на повышенный спрос на общественный транспорт, особенно в часы пик;
2. UrbanizationLevel – уровень урбанизации района (в процентах, например, доля городского населения в регионе); числовое поле. В районах с высокой степенью урбанизации модели могут учитывать более плотный график движения и частые пересадки;
3. CarOwnershipRate – уровень автомобилизации (количество автомобилей на 1000 жителей); числовое поле. В регионах с высоким уровнем автомобилизации модели могут предполагать пониженный пассажиропоток в нерабочее время и повышенный — в часы пик;
4. AgeGroupDistribution – распределение возрастных групп в процентах по категориям (например, дети, молодежь, взрослые, пожилые); текстовое или числовое поле. В регионах с высокой долей молодежи и студентов модели могут учитывать больший спрос на общественный транспорт по маршрутам в учебные заведения

Инфраструктура и транспортные маршруты

1. PublicTransportAccess – доступность общественного транспорта в районе (например, высокий, средний, низкий). Это поле помогает учесть, насколько удобен доступ к общественному транспорту для местных жителей;
2. NumberOfRoutes – количество транспортных маршрутов в районе; числовое поле. Большее количество маршрутов может указывать на более частый пассажиропоток и высокую потребность в общественном транспорте;
3. TransferPoints – количество пересадочных пунктов (станции метро, автовокзалы и крупные остановки); числовое поле. Высокий показатель пересадок означает увеличенный пассажиропоток на данных участках транспортной сети

Социальные и культурные предпочтения

1. TransportPreference – предпочтения жителей по видам транспорта (например, высокий спрос на автобусы, низкий спрос на маршрутные такси). Поле помогает модели учитывать, какие типы общественного транспорта наиболее популярны в конкретных районах;
2. TouristSeasonality – сезонность туристического спроса (например, высокий сезон, низкий сезон). Это поле позволяет учитывать временные колебания в туристических зонах и на курортах, где высокий сезон может существенно увеличить пассажиропоток;
3. EventImpact – влияние событий (например, низкое, среднее, высокое). Например, при проведении крупных мероприятий поле может указать на высокий уровень нагрузки на транспорт в определенные дни

Состояние и доступность транспортной инфраструктуры

1. InfrastructureCondition – состояние транспортной инфраструктуры (например, хорошее, удовлетворительное, неудовлетворительное). Это поле позволяет учитывать возможность задержек и простоя транспорта в районах с изношенной инфраструктурой;
2. RoadClosures – количество временных закрытий дорог (например, из-за ремонта, погодных условий); числовое поле. Позволяет модели учитывать возможные изменения в пассажиропотоке из-за временных изменений в дорожной сети;
3. ParkingAvailability – наличие парковочных мест рядом с остановками (в процентах или по категориям, например, низкое, среднее, высокое); категориальное поле. Доступность парковки может влиять на выбор между общественным и личным транспортом

Временные и сезонные данные

1. HolidayIndicator – индикатор праздников и выходных (например, праздничный, рабочий, выходной); категориальное поле. В праздничные дни и выходные пассажиропоток может резко снижаться, особенно в деловых районах;
2. SeasonalTouristFlow – сезонный поток туристов (например, высокий, низкий); категориальное поле, указывающее на возможные изменения в пассажиропотоке, связанные с сезонностью туризма;

Каждое из этих полей добавляет важный аспект для учета региональных различий, что позволяет единой модели более точно учитывать уникальные особенности каждого региона. С добавлением таких данных модель может динамично подстраиваться под локальные условия, улучшая точность прогнозов пассажиропотока (рис. 2).

Заключение

Включение в модель машинного обучения дополнительных полей, описывающих климатические, демографические, инфраструктурные и социальные факторы, позволяет значительно улучшить точность прогнозов и сделать их более адаптированными к условиям конкретных регионов.

Практическая реализация данных рекомендаций позволит: повысить точность прогнозов за счет детализированного учета факторов, специфичных для каждого региона; оперативно адаптироваться к изменениям, связанным с сезонными и социальными факторами, а также изменениями в транспортной инфраструктуре; поддерживать более высокую устойчивость транспортной системы за счет своевременной корректировки расписаний, маршрутов и числа транспортных единиц.

Список использованной литературы

1. Вакуленко С.П., Евреенова Н.Ю. Закономерности передвижений пассажиропотоков в транспортно-пересадочных узлах // eLibrary URL: https://elibrary.ru/item.asp?id=46552807.
2. Шипилов Е.С., Раюшкина А.А., Ширяев С.А., Гудков В.А., Дмитриев А.В. Прогнозирование распределения пассажиропотоков по различным видам городского общественного транспорта с учетом требований, предъявляемых пассажирами к перевозкам // eLibrary URL: https://elibrary.ru/item.asp?id=16221484.
3. Пильгейкина И.А., Власов А.А., Семушкина М.И. Особенности прогнозирования транспортных потоков в малых городах // eLibrary URL: https://elibrary.ru/item.asp?id=46367339.
4. Донецк остаётся практически без городского транспорта // Донецк Медиа URL: https://donetskmedia.ru/20240131-doneck-ostajotsja-prakticheski-bez-gorodskogo-transporta.media.