Гібридний підхід до прогнозування перерозподілу транспортних потоків з використанням ST-GCN та евристичних алгоритмів

Abstract

У роботі запропоновано гібридний метод прогнозування перерозподілу транспортного попиту в умовах динамічної зміни міської інфраструктури. Підхід поєднує використання динамічних просторово-часових графових нейронних мереж (Dynamic ST-GCN) для високоточного прогнозування базового попиту на паркування та евристичних алгоритмів для моделювання перерозподілу потоків при структурних змінах мережі. Таке поєднання дозволяє нівелювати проблему «холодного старту» нейромереж при зміні топології графа та забезпечити детерміновану оцінку навантаження на суміжні зони при моделюванні сценаріїв «що-якщо».

The paper proposes a hybrid method for predicting traffic demand redistribution under urban infrastructure changes. The approach combines dynamic Spatio-Temporal Graph Convolutional Networks (Dynamic ST-GCN) for high-precision forecasting of baseline parking demand and heuristic algorithms (modified A* or Dijkstra) for modeling flow redistribution during structural network changes. This combination mitigates the "cold start" problem of neural networks when graph topology changes and provides a deterministic assessment of load on adjacent zones during "What-If" scenario modeling.