Застосування моделей sarimax та lstm для прогнозування заповненості паркомісць

Abstract

У статті розглянуто підходи до прогнозування заповненості паркомісць у міських умовах із використанням моделей SARIMAX та LSTM. Модель SARIMAX базується на класичному аналізі часових рядів із врахуванням сезонності та зовнішніх регресорів, тоді як LSTM належить до архітектур глибинного навчання, здатних моделювати складні залежності у послідовних даних. Показано, що SARIMAX є ефективним для довгострокового прогнозування, тоді як LSTM краще справляється з короткостроковими завданнями в реальному часі. Отримані результати можуть бути використані для оптимізації паркувальної інфраструктури та впровадження систем підтримки прийняття рішень у міському середовищі.

This paper explores approaches to forecasting parking occupancy in urban areas using SARIMAX and LSTM models. The