Гібридний підхід до прогнозування перерозподілу транспортних потоків з використанням ST-GCN та евристичних алгоритмів
Вантажиться...
Файли
Дата
Автори
Назва журналу
Номер ISSN
Назва тому
DOI
Анотація
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.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Бібліографічний опис
Копиця В. О., Квєтний Р. Н. Гібридний підхід до прогнозування перерозподілу транспортних потоків з використанням ST-GCN та евристичних алгоритмів // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/27328.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (1)
- Копиця В. О., Квєтний Р. Н. Аналіз підходів до вдосконалення технології управління паркуванням. Оптико-електронні інформаційно-енергетичні технології. 2025. Т. 49, № 1. С. 157–167. 2. Yang S., Ma W., Pi X., Qian S. A deep learning approach to real-time parking occupancy prediction in transportation networks incorporating multiple spatio-temporal data sources. Transportation Research Part C: Emerging Technologies. 2019. Vol. 107. P. 248–265. 3. Yu B., Yin H., Zhu Z. Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting. Proceedings of the 27th International Joint Conference on Artificial Intelligence (IJCAI). 2018. P. 3634–3640. 4. Zhang J., Zheng Y., Qi D. Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction. AAAI Conference on Artificial Intelligence. 2017. P. 1655–1661. 5. Kipf T. N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks. International Conference on Learning Representations (ICLR). 2017. URL: https://arxiv.org/abs/1609.02907. 6. Li Y., Yu R., Shahabi C., Liu Y. Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting. International Conference on Learning Representations (ICLR). 2018. URL: https://arxiv.org/abs/1707.01926.