Точне прогнозування пасажиропотоку міського транспорту має велике значення для планування транспортних ресурсів, громадської безпеки та оцінки ризиків. Традиційні статистичні підходи до прогнозування часових рядів не ефективні на практиці. Вони часто вимагають або суворої, або слабкої стаціонарності даних, яку майже неможливо одержати за реальними даними. Альтернативним методом є прогнозування часових рядів за допомогою нейронних мереж. За своєю природою нейронні мережі є нелінійними і навчаються на основі вхідних і вихідних даних. При такому підході підвищення ефективності мережі зводиться до збільшення обсягу даних вихідної вибірки. Сьогодні для прогнозування часових рядів в основному використовується клас рекурентних нейронних мереж. Ще одним важливим етапом є вибір архітектури нейронної мережі. У даній роботі розглянуто використання архітектури нейронних мереж LSTM і GRU, а також порівняно ефективність їх використання для прогнозування пасажиропотоку.

 Наукова періодика України 

---

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"