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 SARIMAX model is based on classical time series analysis with seasonal components and external regressors, while LSTM belongs to deep learning architectures capable of capturing complex dependencies in sequential data. The effectiveness of both models is evaluated using real-world data from parking facilities in Amsterdam. Results show that SARIMAX performs well for long-term forecasting, whereas LSTM is more suitable for short-term, real-time prediction tasks. These findings can be applied to optimize parking infrastructure and implement decision support systems in smart cities.