EN
ДонНТУ   Портал магистров

Библиотека материалов по теме выпускной работы

    Собственные публикации и доклады

  1. Прогнозирование пассажиропотока общественного транспорта с помощью алгоритмов машинного обучения

    Авторы: В. О. Савенкова, Е. О. Савкова

    Описание: В данной статье исследуется проблема прогнозирования пассажиропотока общественного транспорта с использованием алгоритмов машинного обучения. Анализируются существующие методов прогнозирования. Рассматриваются этапы подготовки входной информации, а также алгоритмы для обучения модели и этапы ее разработки.

    Источник: Сборник трудов XV Международной научно-технической конференции «Информатика, управляющие системы, математическое и компьютерное моделирование - 2024» — Донецк, ДонНТУ — 2024, Том 2, с. 1156-1161

  2. Региональные особенности внедрения машинного обучения в проекты прогнозирования пассажиропотока общественного транспорта

    Авторы: В. О. Савенкова, Е. О. Савкова

    Описание: В статье исследуются региональные особенности внедрения машинного обучения (ML) для прогнозирования пассажиропотока в системах общественного транспорта.

    Источник: IX Международная научно-практическая конференция «Бизнес-инжиниринг сложных систем: модели, технологии, инновации – BECS-2024»

    3. Тематические статьи

  3. Обзор open-source библиотек для решения задач прогнозирования временных рядов

    Авторы: Е.А. Свекольникова, В.Н. Пановский

    Описание: Представлен обзор разнообразных open-source Python-библиотек, предназначенных для анализа и прогнозирования временных рядов. Охватываются такие инструменты, как Prophet, Kats, Merlion, а также алгоритмы ARIMA, LSTM, позволяющие исследовать сезонность, тренды и аномалии в данных временных рядов. Подробно рассмотрены возможности каждой библиотеки, их преимущества и области применения в анализе временных данных.

    Источник: Свекольникова Е.А., Пановский В.Н. Обзор open-source библиотек для решения задач прогнозирования временных рядов // Моделирование и анализ данных. 2024. Том 14. № 2. С. 45–61. DOI: 10.17759/mda.2024140203 URL: https://psyjournals.ru/journals/mda/archive/2024_n2/Svekolnikova_Panovskiy

  4. Исследование метода прогнозирования временных рядов на транспорте с помощью рекуррентных нейронных сетей

    Авторы: Г. М. Лысов, Ф. Н. Приходько, А. А. Коновалова, К. А. Тимошенко

    Описание: Для эффективного планирования ресурсов, необходимых для реализации проектов и решений в сфере транспорта, важно точно определять перспективные показатели деятельности транспортных объектов (пассажиропоток, грузопоток и т.д.). Составить точный прогноз позволяет прогнозирование временных рядов с помощью рекуррентных нейронных сетей. В статье рассмотрены три модели прогнозирования: ARIMA, LSTM, PROPHET. Определены преимущества и недостатки каждой модели.

    Источник: Исследование метода прогнозирования временных рядов на транспорте с помощью рекуррентных нейронных сетей / Г. М. Лысов, Ф. Н. Приходько, А. А. Коновалова, К. А. Тимошенко // Дневник науки. – 2023. – № 1(73). – DOI 10.51691/2541-8327_2023_1_6. – EDN OAYFDH. URL: https://www.elibrary.ru/download/elibrary_50437580_42693612.pdf

  5. Сравнительное тестирование моделей ARIMA и LTSM в задачах прогнозирования пассажиропотока

    Авторы: М. А. Якимов, К. В. Операйло, Е. Н. Новикова

    Описание: Чтобы удовлетворить потребность в общественном транспорте в реальном времени, автобусным операторам необходимо вовремя корректировать расписание. Следовательно, необходимо прогнозировать вариации краткосрочного пассажиропотока. В статье рассматривается реализация и сравнение двух возможных методов прогнозирования, ARIMA и LTSM.

    Источник: Якимов М. А., Операйло К. В., Новикова Е. Н. Сравнительное тестирование моделей ARIMA и LTSM в задачах прогнозирования пассажиропотока // Символ науки. 2022. №6-2. URL: https://cyberleninka.ru/article/n/sravnitelnoe-testirovanie-modeley-arima-i-ltsm-v-zadachah-prognozirovaniya-passazhiropotoka.