Актуальные методы прогнозирования пассажиропотоков

от | Фев 16, 2022 | Публикации | Нет комментариев

Методы прогнозирования пассажиропотоков потоков в городах, пригородном и дальнем сообщении. 

Задача прогнозирования величины пассажиропотока традиционно актуальна для любого вида транспорта. Ее решению посвящено огромное количество исследований и научных работ. Важно отметить, что универсального метода прогнозирования не существует: на сегодняшний день популярностью пользуются как традиционные методы моделирования пассажиропотоков (включающие анализ временных рядов, регрессионные и гравитационные модели), так и новейшие подходы (например, продвинутые модели машинного обучения).

Рассматривая конвенциональные подходы, можно разделить их на несколько категорий. Первая – т. н. экстраполяционные модели, в основе которых лежит распространение тенденций, установленных в прошлом, на будущий период. 

Тарникова Евгения

специалист по анализу данных

В число разновидностей таких моделей входит метод скользящего среднего и экспоненциальное сглаживание. Также примечательна методика прогнозирования пассажиропотоков железнодорожного транспорта с применением модели Грея, предназначенной для прогнозирования временных рядов (Niu et al., 2016): несмотря на то, что такой подход учитывает только временную динамику, авторы методики отмечают его потенциал в контексте использования в комбинации с другими прогнозными моделями, учитывающими влияние других социально-экономических факторов. Следующая категория – регрессионные модели, основанные не на наличии зависимости прогнозируемого параметра от времени, а на выявлении зависимости прогнозируемого показателя от различных факторов. Такие модели наиболее широко применимы для долгосрочных прогнозов. Третья категория – гравитационные модели, основанная на балансе прибытия-отправления между двумя транспортными центрами (Butyrkin et al., 2020).

Правдиво, что не существует однозначно универсального подхода к прогнозированию пассажиропотоков: работы, связанные с прогнозированием, должны вестись постоянно и систематически, а используемые модели должны выбираться исходя из их принципов целесообразности и имеющихся ресурсов компании. Многократно увеличившиеся вычислительные мощности и растущие объемы доступных транспортных данных сделали возможным использование новых технологий, которые набирают популярность среди исследователей в сфере транспорта. Более того, в последние годы появилось множество гибридных методов прогнозирования, большинство из которых представляют собой комбинации новых методов интеллектуального анализа данных.

Бесспорно, информация о городских транспортных потоках приобретает исключительную важность в вопросах планирования маршрутов, навигации и организации движения.  Развитию различных методов прогнозирования пассажиропотока в контексте внутригородских перевозок уделено много внимания: наряду с традиционными подходами сейчас осуществляется разработка новейших технологий прогнозирования. Конвенциональные методы включают в себя статистические модели и модели машинного обучения (SVM, ANN), для построения которых используются данные о базовых характеристиках трафика наряду с измерениями. Критика подобных подходов заключается в том, что такие методы недостаточны для всестороннего описания факторов, влияющих на пассажиропотоки. Относительно новым способом прогнозирования городских пассажиропотоков являются многошаговые подходы с использованием моделей глубокого обучения (Deep Learning): преимущество глубокого обучения заключается в т. н. «многоуровневой архитектуре», которая позволяет автоматически извлекать признаки из больших необработанных массивов данных о мобильности (Liu et al., 2018), которые затем подаются на вход в классические модели прогнозирования:

Прогнозирование пассажиропотока с использованием технологий Deep Learning (Liu et al., 2018)
Развитие доступности данных позволяет использовать большие объемы информации, включая данные о транспортной инфраструктуре, количестве транспортных средств и их скорости, траектории движения автомобилей, а также о дорожных инцидентах на отдельных участках.

В контексте городского транспорта также осуществляется прогнозирование пассажиропотоков метрополитена: ярким примером является исследование пассажиропотоков системы метро города Нанкин с применением гибридной пространственно-временной нейронной сети глубокого обучения (HSTDL-net). Предложенная технология направлена на предсказание как входящих, так и исходящих пассажиропотоков на трех типах станций метрополитена (Terminal/Transfer/Regular) каждые 10 минут. Для обучения модели были использованы данные пассажиропотока линии метрополитена за 66 дней, а также информация о погодных условиях. Особенность такого подхода заключается в эффективном обнаружении как пространственных, так и временных корреляций между станциями метро (Zhang et al., 2020).

Исследования, направленные на моделирование пассажиропотока также достаточно распространены в контексте работы пригородного транспорта: в частности, исследование А. Кобылицкого и А. Чудаева (2020) демонстрирует методику прогнозирования пассажирооборота в пригороде в зависимости от величины тарифов и численности населения, которая была реализована на данных пассажирского железнодорожного комплекса Дальневосточного федерального округа. Применение эконометрической модели позволило выявить важность перечисленных факторов для предсказания величины пассажиропотока. В свою очередь, принятие их во внимание, по мнению авторов, позволит формировать условия оказания транспортных услуг, приемлемые как для пассажиров, так и для перевозчиков.

Методы машинного обучения применялись для предсказания пассажиропотоков в пригородных автобусных перевозках: так, возможно использование данных смарт-карт для моделирования динамики автобусных перевозок (Tan et al., 2019). Кроме того, методы машинного обучения использовались для анализа и прогнозирования пассажиропотоков региональных автобусных станций: одна из разработанных методик сочетает в себе использование линейной регрессии для отбора объясняющих факторов, и обучение модели на основе метода опорных векторов (SVM) для прогнозирования автобусных пассажиропотоков (Liu et al., 2020)

Достаточно распространенной является задача прогнозирования пассажиропотоков в контексте воздушного транспорта: такого рода задача может быть выполнена при помощи инструментов имитационного моделирования.  Примечательно исследование, посвященное моделированию пропускной способности региональных аэропортов: выдающуюся точность демонстрирует комбинация методов имитационного и регрессионного моделирования: интеграция результатов модели пассажиропотоков в среду Powersim Studio позволило достаточно точно спрогнозировать количество пассажиров в 2010–2017 годах (Letavkova et al., 2015)

Распределение потоков по сети является отдельным предметом моделирования в сфере транспорта. Динамическая имитационная модель распределения пассажиропотоков была разработана для прогнозирования потоков с учетом задержек поездов, которые вызывают изменения в выборе маршрутов пассажирами. Так, данная методика подразумевает использование данных о расписании прибытия и отправления поездов, а также ряда предварительно определенных допущений о поведении пассажиров, включающих в себя перечень альтернатив, касающихся выбора оптимального маршрута, и рассчитанных вероятностей их выбора отдельно взятым индивидом (Li et al., 2016):

Выбор маршрута пассажиром (Li et al., 2016)
В свою очередь, алгоритм моделирования выглядит следующим образом:
Блок-схема имитационной модели распределения пассажиропотоков (Li et al., 2016)
Другой способ оценки распределения пассажиропотока по сети был предложен в 2019 году: методика основывается на использовании данных о свойствах систем общественного транспорта (PTN) с использованием инструментов сетевого анализа. Согласно разработанному подходу, для прогноза потоков используется набор показателей центральности (centrality indicators), высокоскоррелированных с переменной пассажиропотока, которые по итогам разведывательного анализа данных включаются в регрессионную модель. Алгоритм оценивания выглядит следующим образом:
Алгоритм оценивания распределения пассажиропотоков на основе характеристик сети (Luo et al., 2019)
Разработанная методика была апробирована на примере трамвайных сетей Гааги и Амстердама: авторы пришли к выводу о том, что свойства сети действительно могут быть использованы для аппроксимации глобального распределения пассажиропотока по сети с достаточной степенью точности с использованием исключительно регрессионных моделей. Тем не менее, такой подход не подразумевает выявления причинно-следственной связи между характеристиками сети и распределением пассажиропотоков и не может быть использован для долгосрочного прогнозирования (Luo et al., 2019).

Исследования потребительских предпочтений

Социологические исследования пассажиров являются неотъемлемой частью проведения мониторингов состояния конкурентной среды на рынке пассажирских перевозок: исследование наземного транспорта Краснодарского края, выполненное Поповым и др., включает в себя оценку удовлетворенности пассажиров различными видами транспорта, необходимую для осуществления мероприятий, направленных на обеспечение баланса интересов перевозчика и пассажиров. Схожие по содержанию исследования также проводились в Иркутской и Красноярской областях. В целом, при всем многообразии маркетиногового инструментария, наиболее часто используемым методом исследования является опрос пассажиров, подразумевающий сбор первичной информации об основных вопросах, волнующих граждан.

Оценивая удовлетворенность пассажиров качеством обслуживания в пригородном сообщении, С. Ширяев и др. (2011) выявили, что для большинства респондентов решающими факторами при выборе транспорта для поездки на дачный участок являются регулярность движения транспорта и близость остановки. Схожие результаты демонстрирует исследование О. Медведь: согласно авторскому «рейтингу важности характеристик системы организации пригородного движения», наиболее значимой характеристикой является стабильность расписания пригородного транспорта.

Схожие методы измерения удовлетворенности потребителей также являются частью стратегического управления услугами городского общественного транспорта. В ряде случаев эффективность демонстрирует привлечение продвинутых статистических методов: например, факторный анализ данных опросов жителей Новосибирска позволил выявить 6 факторов, обусловливающих удовлетворенность автобусными перевозками. Среди прочих, в топ-3 факторов попала удовлетворенность частотой движения, уровнем комфорта и безопасности, а также работой водителя. Достаточно примечательно исследование рельсового городского транспорта Москвы: помимо анализа отношения пассажиров к особенностям транспортной инфраструктуры и безопасности поездок, авторы исследовали причины предпочтения видов транспорта. Так, в качестве причин того, что предпочтение чаще отдается поездкам на метро, выделяются: близость станций метро, сложность пересадок, сложившиеся привычки, а также неготовность осваивать новый вид транспорта – МЦК.

Подобные методы исследования пассажиров также достаточно распространены за рубежом. При этом подходы варьируются от продвинутых количественных до качественных: наряду с такими методами, как факторный, регрессионный и конджоинт-анализ популярность имеет также анализ глубинных интервью с жителями города и пригорода.

Большая часть исследований затрагивает транспортные системы в отдельных странах и городах. Так, основываясь на качественных интервью с сельскими жителями в Швеции, авторы статьи «The Importance of Public Transport for Mobility and Everyday Activities among Rural Residents» исследуют, как доступ к транспорту может удовлетворить потребности в мобильности и участии в повседневной жизни и как используются различные виды транспорта. В свою очередь, для оценки преференций в отношении различных характеристик железнодорожного транспорта Великобритании при помощи конджоинт-анализа авторы статьи «What passengers really want: Assessing the value of rail innovation to improve experiences» используют шкалу предпочтений (best-worst scale of preference). В последние годы исследователи также демонстрируют интерес к влиянию ограничительных мер, связанных с пандемией COVID-19, на использование различных видов транспорта: в частности, выводы исследования предпочтений Индии свидетельствуют о том, что сегодня горожане предпочитают личный транспорт общественному. Кроме того, в контексте использования общественного транспорта на первый план выходит проблема соблюдения правил безопасности и гигиены, направленных на снижение риска распространения инфекции.

Автор: Тарникова Евгения (специалист по анализу данных)

Источники: 

  1. Berg J., Ihlström J. The importance of public transport for mobility and everyday activities among rural residents //Social Sciences. – 2019. – Т. 8. – №. 2. – С. 58. URL: https://www.mdpi.com/2076-0760/8/2/58
  2. Butyrkin A. Y. et al. Models for predicting passenger traffic in rail and air transport //IOP Conference Series: Materials Science and Engineering. – IOP Publishing, 2020. – Т. 918. – №. 1. – С. 012057. URL: https://iopscience.iop.org/article/10.1088/1757-899X/918/1/012057/pdf
  3. Kobylitsky A. N., Chudaev A. V. The prediction of suburban passenger traffic with econometric models //IOP Conference Series: Materials Science and Engineering. – IOP Publishing, 2020. – Т. 753. – №. 5. – С. 052073. URL: https://iopscience.iop.org/article/10.1088/1757-899X/753/5/052073/pdf
  4.  Letávková D., Matušková S., Kebo V. Simulation model for regional airport passenger throughputs //Proceedings of the 2015 16th International Carpathian Control Conference (ICCC). – IEEE, 2015. – С. 295-299. URL: https://ieeexplore.ieee.org/document/7145092
  5. Liu Z. et al. Urban traffic prediction from mobility data using deep learning //Ieee network. – 2018. – Т. 32. – №. 4. – С. 40-46. URL: https://ieeexplore.ieee.org/document/8425299
  6. Liu W., Tan Q., Wu W. Forecast and early warning of regional bus passenger flow based on machine learning //Mathematical Problems in Engineering. – 2020. – Т. 2020. URL: https://www.hindawi.com/journals/mpe/2020/6625435/
  7.  Li W., Zhu W. A dynamic simulation model of passenger flow distribution on schedule-based rail transit networks with train delays //Journal of Traffic and Transportation Engineering (English Edition). – 2016. – Т. 3. – №. 4. – С. 364-373. URL: https://www.sciencedirect.com/science/article/pii/S2095756415305833
  8. Luo D., Cats O., van Lint H. Can passenger flow distribution be estimated solely based on network properties in public transport systems? //Transportation. – 2020. – Т. 47. – №. 6. – С. 2757-2776. URL: https://link.springer.com/content/pdf/10.1007/s11116-019-09990-w.pdf
  9.  Niu Z., Sun Q. Study of railway passenger volume forecast based on grey forecasting model //2016 International Conference on Logistics, Informatics and Service Sciences (LISS). – IEEE, 2016. – С. 1-4. URL: https://ieeexplore.ieee.org/document/7854390
  10. Tan Q. et al. Statistical analysis and prediction of regional bus passenger flows //International Journal of Modern Physics B. – 2019. – Т. 33. – №. 11. – С. 1950094. URL: https://www.worldscientific.com/doi/abs/10.1142/S0217979219501017
  11.  Zhang H. et al. A hybrid spatiotemporal deep learning model for short-term metro passenger flow prediction //Journal of Advanced Transportation. – 2020. – Т. 2020. URL: https://www.hindawi.com/journals/jat/2020/4656435/
  12.  Медведь О. А. Анализ структуры пригородных пассажиропотоков в Санкт-Петербургском железнодорожном узле // Известия Петербургского университета путей сообщения. 2011. №1. URL: https://cyberleninka.ru/article/n/analiz-struktury-prigorodnyh-passazhiropotokov-v-sankt-peterburgskom-zheleznodorozhnom-uzle
  13.  Отчет по результатам мониторинга рынка перевозок пассажиров наземным транспортом Хабаровского края. URL: https://minec.khabkrai.ru/?menu=getfile&id=553
  14.  Цой М. Е., Щеколдин В. Ю., Долгих И. В. Исследование факторов, влияющих на удовлетворенность потребителей качеством услуг городского общественного транспорта // Российское предпринимательство. 2017. №21. URL: https://cyberleninka.ru/article/n/issledovanie-faktorov-vliyayuschih-na-udovletvorennost-potrebiteley-kachestvom-uslug-gorodskogo-obschestvennogo-transporta
  15.  Проведены маркетинговые исследования пассажиров пригородного железнодорожного транспорта // Иркутск.Ру. URL: http://irkutsk.ru/2012/07/16/4635.html

 

Оставить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *