Method for agent-oriented traffic prediction under data and resource constraints

Abstract

EN: Context. Problem of traffic prediction in a city is closely connected to the tasks of transportations in a city as well as air pollution detection in a city. Modern prediction models have redundant complexity when used for separate stations, require large number of measuring stations, long measurement period when predictions are made hourly. Therefore, there is a lack of method to overcome these constraints. The object of the study is a city traffic. Objective. The objective of the study is to develop a method for traffic prediction, providing models for traffic quantification at measuring stations in the future under data and resource constraints. Method. The method for agent-oriented traffic prediction under data and resource constraints was proposed in the paper. This method uses biLSTM models with input features, including traffic data obtained from agent, representing target station, and other agents, representing informative city stations. These agents are selected by ensembles of decision trees using Random Forest method. Input time period length is proposed to set using autocorrelation data. Results. Experimental investigation was conducted on traffic data taken in Madrid from 59 measuring stations. Models created by the proposed method had higher prediction accuracy with lower values of MSE, MAE, RMSE and higher informativeness compared to base LSTM models. Conclusions. Obtained models as study results have optimal number of input features compared to the known models, do not require complete system of city stations for all roads. It enables to apply these models under city traffic data and resource constraints. The proposed solutions provide high informativeness of obtained models with practically applicable accuracy level. UK: Актуальність. Проблема прогнозування автомобільного трафіку в місті пов’язана з розв’язанням одночасно і завдань переміщення в місті, і визначення забрудненості повітря в місті. Сучасні моделі прогнозування мають надмірну складність при використанні для окремих станцій, потребують великої кількості станцій спостереження, тривалого періоду спостереження зокрема у випадку погодинного прогнозування. Тому існує потреба в створенні відповідного метода, який дозволить подолати ці обмеження. Об’єктом роботи є автомобільний трафік у місті. Мета роботи – розробити метод прогнозування автомобільного трафіку, який дозволить створити моделі для визначення трафіку за станціями у майбутньому в умовах обмеженості даних та ресурсів. Метод. У статті запропоновано метод агентно-орієнтованого прогнозування автомобільного трафіку в умовах обмеженості наявних даних і обчислювальних ресурсів. Даний метод ґрунтується на використанні двонаправлених LSTM моделей з вхідними ознаками, якими є дані, отримані від агента, що відповідає станції прогнозування, та від агентів, що представляють інші інформативні станції у місті, які обираються на основі використання ансамблів дерев рішень за допомогою методу Random Forest. Довжина вхідного часового інтервалу в методі обирається на основі даних автокореляції. Результати. Експериментальне дослідження проводилося на основі даних про трафік у місті Мадрид, використовуючи дані, зібрані за 59 станціями спостереження. У результаті застосування створених на основі запропонованого методу моделей було отримано підвищену точність прогнозування, яку було підтверджено зменшенням значень MSE, MAE, RMSE, та підвищену інформативність порівняно з базовими LSTM-моделями. Висновки. Отримані в результаті проведеного дослідження моделі відрізняються оптимальною кількістю вхідних ознак порівняно з відомими, не потребують використання цілісної системи станцій у місті на всіх автомобільних дорогах. Це дозволяє використовувати дані моделі в умовах обмеження ресурсів та обмеженої доступності даних про трафік у місті. При цьому забезпечується достатньо висока інформативність створених моделей з придатним для застосування на практиці рівнем точності прогнозування.