Мaтематическое моделирование региональных грузо- и пассажиропотоков
DOI:
https://doi.org/10.17059/2019-4-19Ключевые слова:
пассажирские и грузовые потоки, пассажирооборот, грузооборот, социально-экономическое развитие, коэффициенты корреляции, многомерная регрессия, коэффициент детерминированности, интеллектуальный анализ данных, кластеризация, самоорганизующаяся карта Кохонена, метод k-средних, иерархическая структура кластеровАннотация
Разработка и реализация стратегий экономического и социального развития регионов России на период до 2035 года делает актуальным адекватное развитие транспортных услуг, затрагивающих все отрасли экономики и слои населения. В связи с этим в работе предложена модель, связывающая характеристики пассажирских и грузовых потоков с параметрами экономического и социального развития и демографической ситуацией в регионе. Такая модель позволяет конкретизировать нагрузку на транспортную систему, вытекающую из планов социально-экономического развития, а также планируемых решений в области хозяйственной деятельности. Для разработки модели были отобраны характеристики, описывающие экономическую ситуацию, рынок труда, демографические характеристики уровень жизни и социальную ситуацию в анализируемом субъекте, имеющие наибольшие коэффициенты корреляции с анализируемыми параметрами транспортной инфраструктуры. Затем пошагово проводился регрессионный анализ, при этом на каждом шаге к уже имеющимся переменным модели добавлялась новая, дающая наибольший прирост коэффициента детерминированности R2. Показано, что основным фактором, определяющим количество перевезенных автобусами общего пользования пассажиров, является среднегодовая численность занятых; на пассажирооборот наиболее сильно влияет численность населения. Количество перевезенных грузов определяется параметрами, характеризующими уровень развития производства (инвестициями в основной капитал и основными фондами в экономике, а также объемом отгруженных товаров собственного производства). Использование нелинейных моделей и сетей не привело к существенному уменьшению ошибок моделей. В работе также проведена кластеризация регионов РФ по показателям социально-экономического развития и характеристикам транспортной инфраструктуры, влияющим на транспортные потоки, оценена эффективность использования транспортной инфраструктуры в различных кластерах. Это позволит осуществлять целенаправленный бенчмаркинг - выбор субъектов для сравнения с анализируемым регионом.Библиографические ссылки
Leontief, W. W. (1986). Input-Output Economics. 2nd ed. New York: Oxford University Press, 448.
Gasnikova, A. V. (2013). Vvedenie v matematicheskoe modelirovanie transportnykh potokov [Introduction to mathematical modeling of traffic flows]. Moscow, 427. (In Russ.)
Sun, H., Liu, H., Xiao, H., He, R. & Ran, B. (2003). Use of Local Linear Regression Model for Short-Term Traffic Forecasting. Journal of the Transportation Research Board, 1836, 143–150. DOI: 10.3141/1836–18.
Oswald, R., Scherer, T. & Smith, B. L. (2001). Traffic flow forecasting using approximate nearest neighbor nonparametric regression. USA: Center for Transportation Studies, University of Virginia, F115.
Min, W. & Wynter, L. (2011). Real-time road traffic prediction with spatio-temporal correlations. Transportation Research Part C: Emerging Technologies, 19(4), 606–616. DOI: 10.1016/j.trc.2010.10.002
Box, G. E., Jenkins, G. M. & Reinsel, G. C. (2008). Time Series Analysis: Forecasting and Control. 4th edition. Wiley, 784.
Mai, T., Ghosh, B., & Wilson, S. (2014). Short-term traffic flow forecasting with auto-regressive moving average models. Proceedings of the Institution of Civil Engineers — Transport, 167(4), 232–239. DOI: 10.1680/tran.12.00012
Stathopoulos, A. & Karlaftis, M. G. (2003). A multivariate state space approach for urban traffic flow modeling and prediction. Transportation Research Part C: Emerging Technologies, 11(2), 121–135. DOI: 10.1016/S0968–090X(03)00004–4
Lin, S.-H., Huang, H.-Q., Zhu, D.-Q. & Wang, T.-Z. (2009). The application of space-time ARIMA model on traffic flow forecasting. 2009 International Conference on Machine Learning and Cybernetics, 6, 3408–3412. DOI: 10.1109/ ICMLC.2009.5212785
Jin, X., Zhang, Y. & Yao, D. (2007). Simultaneously Prediction of Network Traffic Flow Based on PCA-SVR. Lecture Notes in Computer Science, 1022–1031. DOI: 10.1007/978–3-540–72393–6_121
Vlahogianni, E. I., Karlaftis, M. G. & Golias, J. C. (2014). Short-term traffic forecasting: Where we are and where we’re going. Transportation Research Part C: Emerging Technologies, 43, 3–19. DOI: 10.1016/j.trc.2014.01.005.
Guorong, G. & Yanping, L. (2010). Traffic Flow Forecasting based on PCA and Wavelet Neural Network. Information Science and Management Engineering (ISME), 1, 158–161. DOI: 10.1109/ISME.2010.10.
Zheng, W., Lee, D.-H. & Shi, Q. (2006). Short-Term Freeway Traffic Flow Prediction: Bayesian Combined Neural Network Approach. Journal of Transportation Engineering, 132(2), 114–121. DOI: 10.1061/(ASCE)0733– 947X(2006)132:2(114)
Zhang, X. & He, G. (2007). Forecasting Approach for Short-term Traffic Flow based on Principal Component Analysis and Combined Neural Network. Systems Engineering: Theory & Practice, 27(8), 167–171. DOI: 10.1016/S1874– 8651(08)60052–6
Sinitsyn, E., Vikharev, S. & Brusyanin, D. (2019). Economic and Mathematical Model for Forecasting Passenger Traffic on a Long Term Basis Case of Study Russia. Journal of Engineering and Applied Sciences, 14(3), 773–779. DOI: 10.3923/jeasci.2019.773.779.
Draper, N. & Smith, G. (1986). Prikladnoy regressionnyy analiz [Applied Regression Analysis]. Trans. from English. Moscow: Finance and statistics, 366. (In Russ.)
Dougherty, K. (1999). Vvedenie v ekonometriku [Introduction to Econometrics]. Trans. from English. Moscow: Infra-M, 402. (In Russ.)
Hanke, J. E., Reitsch, A. G. & Wichern, D. W. (2003). Biznes prognozirovanie [Business Forecasting]. Trans. from English. Moscow: Williams, 656. (In Russ.)
Barsegyan, A. A., Kupriyanov, M. S., Stepanenko, V. V. & Kholod, I. I. (2007). Tekhnologii analiza dannykh. Data Mining, Visual Mining, Text Mining, OLAP [Data Analysis Technologies. Data Mining, Visual Mining, Text Mining, OLAP]. St. Petersburg: BHV, 384. (In Russ.)
Osovskiy, S. (2002). Neyronnye seti dlya obrabotki informatsii [Neural networks for information processing]. Moscow, (In Russ.)
Nikolenko, S. I., Kadurin, A. A. & Arkhangelskaya, E. O. (2018). Glubokoe obuchenie. Pogruzhenie v mir neyronnykh setey [Deep learning. Immersion into the world of neural networks]. St. Petersburg: Piter, 480. (In Russ.)
Haykin, S. S. (2006). Neyronnye seti. Polnyy kurs [Neural Networks: A Comprehensive Foundation]. Trans. from English. Moscow: Williams, 1104. (In Russ.)
Leskovec, J., Rajaraman, A. & Ullman, J. D. (2014). Mining of massive datasets. Stanford University: Milliway Labs, 516.
Zamyatin, A. V. (2016). Intellektualnyy analiz dannykh [Intellectual data analysis]. Tomsk: Tomsk State University Publishing House, 120. (In Russ.)
Deboeck, G. & Kohonen, T. (2001). Analiz finansovykh dannykh s pomoshchyu samoorganizuyushchikhsya kart [Visual explorations in finance with self-organizing maps]. Trans. from English. Moscow: Alpina, 317. (In Russ.)
Mitropolskiy, A. K. (1971). Tekhnika statisticheskikh vychisleniy [Statistical Computation Technique]. Moscow: Science, 576. (In Russ.)
Kolmogorov, A. N. (1957). O predstavlenii nepreryvnykh funktsiy neskolkikh peremennykh superpozitsiyami nepreryvnykh funktsiy odnogo peremennogo i slozhenya [On the representation of continuous functions of several variables as a superposition of continuous functions of one variable and addition]. Doklady AN SSSR [Reports of the Academy of Sciences of the USSR], 114, 953–956. (In Russ.)
Arnold, V. I. (1957). O funktsii trekh peremennykh [About the function of three variables]. Doklady AN SSSR [Reports of the Academy of Sciences of the USSR], 114, 679–681. (In Russ.)
Faure, A. (1989). Vospriyatie i raspoznavanie obrazov [Perception et reconnaissance des formes]. Trans. From French. Moscow: Mashinostroenie, 272. (In Russ.)
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2019 Синицын Евгений Валентинович, Толмачев Александр Владимирович, Брусянин Дмитрий Алексеевич
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
