Транспортту пландаштырууда эң маанилүү суроолордун бири төмөнкүдөй: адамдар кайсы аймактан кайсы аймакка, кайсы сааттарда жана кандай тыгыздыкта кыймылдайт? Бул суроого берилген жооп коомдук транспорттун сыйымдуулугунан трафик башкарууга, жол тейлөөнү пландаштыруудан атайын иш-чара күндөрүндөгү операциялык чечимдерге чейин көп тармакка түз таасир берет.

Мындай мобилдүүлүк маалыматы көбүнчө келип чыгуу-баруу матрицалары менен көрсөтүлөт. Келип чыгуу-баруу матрицасы белгилүү убакыт аралыгында бир аймактан экинчи аймакка канча адам сапар кылганын көрсөткөн маалымат түзүмү. Мисалы, шаардын райондору саптарга жана мамычаларга жайгаштырылганда, сап башталган аймакты, мамыча баруучу аймакты билдирет. Матрицанын ар бир уячасы белгилүү келип чыгуу-баруу жубунун ортосундагы сапар санын көрсөтөт.

Изилдөөнүн негизги көйгөйү — ушул мобилдүүлүк суроо-талабын өткөн маалыматтардан үйрөнүп, келечекке болжолдоо жана күтүлгөн жүрүм-турумдан адаттан тыш четтөөлөрдү аныктоо. Транспорт системасындагы аномалия майрам, иш таштоо, спорттук иш-чара, аба ырайы, кырсык, инфраструктура үзгүлтүгү же күтүлбөгөн коомдук мобилдүүлүк себептүү кадимки үлгүдөн айырмаланган суроо-талапты билдириши мүмкүн. Мындай четтөөлөр эрте аныкталса, транспорт операторлору каттам жыштыгын көбөйтө алат, белгилүү аймактарда сыйымдуулукту тууралай алат, трафикти башкаруу борборлору чара көрө алат же өзгөчө кырдаал пландарын ишке киргизе алат.

Бул көйгөй эмне үчүн маанилүү?

Шаар мобилдүүлүгү туш келди эмес. Иш күндөрү эртең менен жумушка баруу, түшкү убакта кыймылдын азайышы, кечинде жумуштан чыгуу тыгыздыгы, дем алыштагы башка тенденциялар жана майрам күндөрүндө өзгөргөн сапар жүрүм-туруму сыяктуу кайталануучу үлгүлөр бар. Бирок бул үлгүлөр дайыма бирдей бойдон калбайт. Концерт, футбол матчы, жаман аба ырайы, иш таштоо же жол жабылышы айрым аймактарда суроо-талапты кадимкиден кыйла жогору же төмөн кылышы мүмкүн.

Транспорт башкаруу жагынан маселе “канча адам кыймылдайт?” деген суроо гана эмес. Андан да маанилүү суроо — “күтүлгөн суроо-талапка салыштырмалуу адаттан тыш абал барбы жана ал кайда пайда болууда?” Анткени система кадимки күнү жакшы иштеп турса да, адаттан тыш күнү ошол эле план жетишсиз болушу мүмкүн. Эгер аномалдуу суроо-талап алдын ала же эрте баскычта аныкталса, транспорт системасын кыйла проактивдүү башкарууга болот.

Бул изилдөө мобилдүүлүк болжолдоону жана аномалия аныктоону бир эле алкакта караганы үчүн маанилүү. Жакшы болжол берген модель гана чечим кабыл алуучуга аномалия кайда жана качан болуп жатканын көрсөтпөшү мүмкүн. Аномалияны гана аныктаган система болсо, күтүлгөн суроо-талап боюнча күчтүү болжолго ээ болбосо, кадимки термелүүлөрдү жаңылыш аномалия деп кабыл алышы мүмкүн. Изилдөө ушул эки муктаждыкты бириктирип, адегенде күтүлгөн суроо-талапты эсептеп, андан кийин ушул күтүүгө карата четтөөлөрдү баалоону көздөйт.

Мобилдик тармак маалыматтары эмне үчүн колдонулат?

Изилдөөдө колдонулган маалыматтар мобилдик тармак маалыматтарынан түзүлгөн келип чыгуу-баруу матрицалары. Мобилдик тармак маалыматтары адамдардын телефондору базалык станциялар менен түзгөн байланыштардан кыймыл үлгүлөрүн чыгарууга мүмкүндүк берет. Бул маалыматтар жеке көзөмөл үчүн эмес, мобилдүүлүк агымдарын жалпыланган жана анонимдештирилген түрдө түшүнүү үчүн колдонулганда, шаар масштабында өтө баалуу маалымат булагы боло алат.

Мобилдик тармак маалыматтары транспортту пландаштырууда маанилүү артыкчылыктарга ээ. Салттуу сурамжылоолор кымбат, чектелген тандоо менен жүргүзүлөт жана белгилүү мезгилдерди гана камтыйт. Сенсорлор, камералар же турникет маалыматтары болсо белгилүү чекиттердеги кыймылды гана көрө алат. Мобилдик тармак маалыматтары кеңири аймакты, узак убакыт аралыгын жана ар кайсы аймактардын ортосундагы кыймылды кыйла бүтүндөй көрсөтө алат.

Изилдөөдө колдонулган OD матрицалары Nommon тарабынан Испаниянын Транспорт жана Туруктуу Мобилдүүлүк министрлиги үчүн даярдалган. Мобилдик тармак маалыматтары Nommon Mobility Insights чечими менен иштетилип, тандалган уюлдук телефон колдонуучулары үчүн иш-аракет-сапар күндөлүктөрү түзүлгөн жана эл каттоо маалыматтары аркылуу жалпы калкка кеңейтилген. Матрицалар аймактык кыймылды гана эмес; күндүн сааты, сапардын максаты, аралык, жаш, жыныс, жашаган жер жана киреше сыяктуу өзгөчөлүктөр боюнча да бөлүүгө боло турган бай маалымат түзүмүн берет.

Адабияттагы боштук эмнеде?

Транспорт суроо-талабын болжолдоо жана аномалия аныктоо боюнча адабиятта ар кандай ыкмалар колдонулган. Айрым изилдөөлөр статистикалык ыкмаларга таянат. Kalman фильтрлери, Gaussian kernel негизиндеги ыкмалар, Z-score критерийлери жана ишеним интервалдары бул тармактагы классикалык куралдар. Бул ыкмалардын түшүндүрүлүшү жакшы; бирок чоң масштабдуу, көп өлчөмдүү OD матрицаларында масштабдуулук маселеси болушу мүмкүн.

Машиналык үйрөнүү ыкмалары бул чектөөлөрдү азайтуу үчүн колдонула баштаган. Колдоочу вектор машиналары, кокустук токойлор, k-эң жакын кошуна, сызыктуу моделдер жана өлчөмдү кыскартуу үчүн PCA сыяктуу ыкмалар ар кандай изилдөөлөрдө колдонулган. Бирок күчтүү аномалиялар жана стационардуу эмес мобилдүүлүк үлгүлөрү бул моделдердин туруктуулугуна таасир этиши мүмкүн.

Терең үйрөнүү, айрыкча LSTM тармактары убакыт катарларындагы узак мөөнөттүү көз карандылыктарды кармай алгандыктан, транспорт суроо-талабын болжолдоодо алдыга чыккан. Бирок адабиятта дагы деле маанилүү боштук бар: көп изилдөө же болжол тактыгына, же аномалия аныктоого көңүл бурат; ар кандай терең үйрөнүү архитектураларынын болжолго да, аномалия аныктоого да тийгизген таасирин чоң масштабдуу OD маалыматтары менен системалуу салыштырган иштер азыраак.

Бул изилдөө ушул боштукка көңүл бурат. Төрт башка терең үйрөнүү архитектурасын бир эле маалымат жана баалоо алкагында салыштырат. Ошентип LSTM, көңүл буруу механизми жана CNN компоненттери кайсы шартта жакшыраак иштээрин, төмөн суроо-талап менен тыгыз сааттарда кандай айырмаланарын жана аномалия аныктоодогу жалган белгилөө жүрүм-турумуна кандай таасир тийгизерин көрсөтөт.

Сунушталган эки баскычтуу ыкма кантип иштейт?

Изилдөөнүн ыкмасы эки баскычтан турат. Биринчи баскыч — суроо-талапты болжолдоо. Терең үйрөнүүгө негизделген убакыт катары модели өткөн көп өлчөмдүү OD суроо-талап маалыматтарын колдонуп, кийинки күндүн сааттык суроо-талабын чыгарат. Моделдин кириши мурдагы тогуз күндүн сааттык суроо-талабы; чыгышы болсо 185 район үчүн 24 сааттык суроо-талап болжолу. Башкача айтканда, ар бир болжол 185 × 24 өлчөмүндөгү суроо-талап матрицасын түзөт.

Экинчи баскыч — аномалияны аныктоо. Бул баскычта моделдин болжолу түз эле “туура эталон” катары кабыл алынбайт. Адегенде болжолдонгон суроо-талап тарыхый суроо-талап жүрүм-турумуна шайкешпи же жокпу текшерилет. Андан кийин реалдуу байкалган суроо-талап текшерилген болжол менен салыштырылат. Эгер реалдуу суроо-талап ишеним интервалынын сыртына чыкса, аномалия талапкери катары белгиленет.

Бул эки баскычтуу түзүм маанилүү. Анткени начар болжол жараткан айырма чыныгы аномалиядай көрүнүшү мүмкүн. Изилдөө бул тобокелдикти азайтуу үчүн биринчи кезекте болжолдун тарыхый үлгү менен шайкештигин текшерет. Ошентип система “реалдуу суроо-талап аномалдуубу?” деген суроону берерден мурда “модель күткөн суроо-талап негиздүүбү?” деген суроону текшерет.

Күтүлгөн суроо-талапты тарыхый жүрүм-турум менен текшерүү

Изилдөөдө биринчи ишеним интервалы болжолдонгон суроо-талап мурдагы ошол эле күндүн үлгүсүнө шайкешпи же жокпу текшерүү үчүн колдонулат. Мисалы, шейшемби күнү үчүн болжол жасалса, мурдагы шейшембилер каралат. Бул күндөр боюнча орточо суроо-талап жана стандарттык четтөө эсептелет.

Изилдөөдө берилген ишеним интервалы төмөнкүдөй:

\[ [(1-\alpha)avg_n-k\cdot std_n,\ (1+\alpha)avg_n+k\cdot std_n] \]

Бул жерде avg_n мурдагы n бирдей апта күнү үчүн эсептелген орточо суроо-талапты билдирет. std_n ошол тарыхый байкоолордун стандарттык четтөөсү. k ишеним интервалы стандарттык четтөө бирдиги менен канчалык кеңейтилерин аныктаган параметр. n канча мурдагы мезгил колдонуларын көрсөтөт. α болсо стандарттык четтөө толук кармай албаган майда суроо-талап термелүүлөрүнө ийкемдүүлүк кошуу үчүн колдонулат.

Бул формуланын күнүмдүк мааниси төмөнкүдөй: “Мурдагы окшош күндөрдө бул аймакта суроо-талап болжол менен кайсы аралыкта болгон? Моделдин бүгүнкү болжолу ушул күтүлгөн жүрүм-турум тилкесинин ичиндеби?” Эгер болжол ушул аралыктын ичинде болсо, моделдин болжолу тарыхый жүрүм-турумга шайкеш деп кабыл алынат. Эгер сыртында болсо, бул чындап өзгөрүп жаткан суроо-талап үлгүсүн же моделдин иштөөсүнүн начарлашын билдириши мүмкүн.

Реалдуу суроо-талап менен болжолдонгон суроо-талапты салыштыруу

Болжол тарыхый жүрүм-турум жагынан негиздүү деп табылгандан кийин, экинчи баскычта реалдуу байкоо менен салыштырылат. Бул жерде ишеним интервалы бул жолу болжол маанисинин айланасында түзүлөт:

\[ [(1-\alpha)prediction-\ell\cdot std_n,\ (1+\alpha)prediction+\ell\cdot std_n] \]

Бул жерде prediction моделдин болжолдонгон суроо-талап мааниси. std_n мурдагы n окшош күндүн стандарттык четтөөсү. ℓ аномалия аныктоодо колдонулуучу интервалдын кеңдигин аныктаган калибрлөө параметри. α мурдагы кадамга шайкеш түрдө ийкемдүүлүк берет.

Бул интервалдын ичинде калган реалдуу байкоолор нормалдуу деп кабыл алынат. Сыртында калган маанилер аномалия талапкери катары белгиленет. Бул жерде “аномалия талапкери” деген сөз өзгөчө маанилүү. Изилдөөдө белгиленген ар бир маани автоматтык түрдө чыныгы аномалия деп саналган эмес, эксперттик текшерүү талап кылынары баса белгиленген. Анткени статистикалык жактан интервалдын сыртына чыккан майда четтөөлөр чыныгы окуядан эмес, өтө тар ишеним интервалдарынан же табигый өзгөрмөлүүлүктөн келип чыгышы мүмкүн.

Мадрид Аймагындагы колдонмо

Ыкма Мадрид Аймагында сыналган. Аймак 185 районго бөлүнгөн. Изилдөөдө аймак картасында бул райондордун мейкиндик боюнча жайгашуусу көрсөтүлүп, көк аймактар менен анализдин камтуу зонасы берилет. Бул карта изилдөө кичинекей коридор же бир станция маалыматы менен эмес, кеңири аймактык мобилдүүлүк маалыматы менен иштегенин көрсөтүү үчүн маанилүү.

OD матрицалары ар бир район үчүн саат сайын башталган сапарларга айландырылган. Ошентип модель бир учурда 185 ар башка райондун сааттык суроо-талап убакыт катарын болжолдогон. Бул классикалык бир убакыт катарын болжолдоодон кыйла татаал; анткени ар бир райондун өз суроо-талап ритми бар жана райондор аралык байланыштар менен жалпы убакыт үлгүлөрү да болот.

Эксперименттик маалымат топтому 2024 жылындагы толук жана үзгүлтүксүз апталардан гана түзүлгөн. Майрамдар же чоң үзгүлтүктөр чыгарылып салынган. Анализ мезгили 16 Январь–31 Май 2024 жана 16 Сентябрь–30 Ноябрь 2024 аралыктарын камтыйт. Пасха жумасы жана Мадрид аймактык майрам жумасы чыгарылып салынган. Бул тандоо ыкма адегенде туруктуу суроо-талап шартында канчалык жакшы иштей турганын түшүнүүгө багытталган. Майрам жана чоң окуя мезгилдери татаалыраак болгондуктан, келечектеги иштерде өзүнчө бааланышы керек.

Салыштырылган терең үйрөнүү архитектуралары

Изилдөөдө төрт нейрондук тармак архитектурасы салыштырылган. Биринчи модель — негизги LSTM архитектурасы. LSTM тармактары узак мөөнөттүү убакыт көз карандылыктарын үйрөнүү үчүн түзүлгөн. Ошондуктан мурдагы күндөр жана сааттардагы мобилдүүлүк үлгүлөрүнөн келечектеги суроо-талапты болжолдоого ылайыктуу. Негизги архитектурада үч 128 бирдиктүү LSTM катмары, 0,3 dropout катышы, 1024 нейрондуу толук байланышкан катмар жана 24 × 185 өлчөмдүү чыгыш катмары колдонулган.

Экинчи модель — көп баштуу көңүл буруу механизми бар LSTM. Көңүл буруу механизми модель өткөн байкоолордун ичинен маанилүү убакыт кадамдарына көбүрөөк салмак берүүгө мүмкүндүк берет. Мисалы, аймактын суроо-талабы белгилүү сааттарда же белгилүү апта күндөрүндө маанилүү үлгү берсе, көңүл буруу механизми бул байланыштарды жакшыраак кармай алат. Бул изилдөөдө көңүл буруу модулу төрт баш, 32 ачкыч өлчөмү жана 0,1 dropout катышы менен LSTM катмарлары менен тыгыз катмарлардын ортосуна кошулган.

Үчүнчү модель — LSTM менен CNN айкалышы. CNN катмары кириш баскычында жергиликтүү убакыт жана мейкиндик үлгүлөрүн кармоо үчүн колдонулат. Мобилдүүлүк маалыматтарында кошуна же функционалдык байланышкан аймактардын ортосунда мамиле болушу мүмкүн. Бир аймакта пайда болгон тыгыздык башка аймактагы суроо-талапка таасир бере алат. CNN компоненти ушундай кыска мөөнөттүү жана жергиликтүү үлгүлөрдү чыгарууга жардам берет. Бул модельде негизги LSTM архитектурасына 64 фильтр жана kernel өлчөмү 5 болгон конволюциялык катмар кошулган.

Төртүнчү модель болсо LSTM, көп баштуу көңүл буруу жана CNN компоненттерин бирге колдонот. Бул эң татаал архитектура конволюциялык катмар, үч LSTM катмары, көп баштуу көңүл буруу модулу, global average pooling жана тыгыз чыгыш катмарларынан турат. Максат CNNдин жергиликтүү үлгүлөрдү кармоо күчүн, LSTMдин узак мөөнөттүү көз карандылыктарды үйрөнүү жөндөмүн жана көңүл буруу механизминин маанилүү убакыт кадамдарына басым жасоо мүмкүнчүлүгүн бириктирүү.

Окутуу жана тест түзүмү

Бардык моделдер MAE, башкача айтканда орточо абсолюттук ката жоготуу функциясы менен окутулуп, Adam оптималдаштыруу алгоритми менен оптималдаштырылган. Маалымат топтому окутуу жана тест топчолоруна бөлүнгөн. Окутуу топтому 14 Ноябрь 2024гө чейинки бардык байкоолорду камтыйт. Тест топтому болсо 15–30 Ноябрь 2024 аралыгындагы кийинки 16 күндү камтып, жалпы иштөө жөндөмүн баалоо үчүн гана колдонулган.

Кириш-чыгыш үлгүлөрү тогуз күндүк жылма терезе менен түзүлгөн. Модель мурдагы тогуз күндүн сааттык суроо-талабын карап, бир күндүн 24 сааттык суроо-талабын болжолдойт. Ар бир болжол 185 район жана 24 сааттан тургандыктан, чыгыш матрицасы 185 × 24 өлчөмүндө.

Модель натыйжалуулугу RMSE жана MAPE менен бааланган. RMSE чоң каталарды көбүрөөк жазалайт; ошондуктан жогорку суроо-талап мезгилдериндеги чоң четтөөлөрдү ачык көрсөтөт. MAPE болсо байкалган мааниге салыштырмалуу салыштырма катаны өлчөйт; төмөн суроо-талап мезгилдеринде майда абсолюттук айырмалар да чоң пайыздык катага айланышы мүмкүн. Ошондуктан эки метриканы бирге колдонуу маанилүү.

RMSE жана MAPE эмнени билдирет?

Изилдөөдө формулалары ачык берилбесе да, колдонулган метрикаларды түшүнүү үчүн негизги байланыштар төмөнкүдөй берилсе болот. Бул формулалар изилдөөнүн логикасын түшүндүрүү үчүн фондук формулалар катары берилген:

\[ RMSE=\sqrt{\frac{1}{N}\sum_{i=1}^{N}(y_i-\hat{y}_i)^2} \]

Бул жерде y_i реалдуу суроо-талапты, \hat{y}_i болжолдонгон суроо-талапты, N жалпы байкоо санын билдирет. RMSE каталарды квадраттагандыктан, чоң каталарга көбүрөөк сезгич. Тыгыз сааттарда болжол чоң четтесе RMSE аны күчтүү жазалайт.

\[ MAPE=\frac{100}{N}\sum_{i=1}^{N}\left|\frac{y_i-\hat{y}_i}{y_i}\right| \]

Бул жерде MAPE катаны реалдуу маанинин пайызы катары берет. Суроо-талап төмөн болгондо кичине абсолюттук четтөөлөр да чоң пайыздык ката болуп калышы мүмкүн. Ошондуктан изилдөө көңүл буруу механизми бар моделдер тыгыз сааттарда жакшы, төмөн суроо-талапта начарыраак көрүнүшүн RMSE жана MAPEнин ар башка сезгичтиги менен түшүндүрөт.

Болжол жыйынтыктары: Кайсы модель ийгиликтүүрөөк?

Тест топтомунда төрт моделдин ката маанилери төмөнкүдөй:

Бардык моделдер жогорку болжол тактыгын көрсөткөн. MAPE маанилеринин баары 0,07–0,08 аралыгында; башкача айтканда салыштырма ката жүздө 10дон төмөн. Бул туруктуу иштөө мезгилдеринде мобилдүүлүк суроо-талабын терең үйрөнүү моделдери менен ийгиликтүү болжолдоого болорун көрсөтөт.

Эң төмөн RMSE LSTM + көп баштуу көңүл буруу + CNN моделинде 3028,76 болуп алынган. Бул модель айрыкча жогорку суроо-талап мезгилдериндеги чоң четтөөлөрдү азайтууда күчтүү экенин көрсөтөт. Бирок ошол эле моделдин MAPE мааниси 0,08; демек төмөн суроо-талап сааттарында салыштырма ката боюнча начарыраак болушу мүмкүн. Негизги LSTM жана LSTM-CNN моделдери MAPE боюнча 0,07 менен жакшыраак көрүнөт.

Изилдөөнүн маанилүү түшүндүрмөсү мындай: көңүл буруу механизми бар моделдер суроо-талаптын чоку сааттарын жакшыраак кармайт, бирок төмөн суроо-талап мезгилдеринде начарыраак иштеши мүмкүн. Көңүл буруу жок жөнөкөй моделдер төмөн суроо-талап сааттарын жакшыраак көрсөтөт, бирок күнүмдүк суроо-талаптын үч чокусун кармоодо чектелүү болушу мүмкүн. Ошондуктан “эң жакшы модель” дегенге бир гана жооп жок. Эгер колдонмодо тыгыз сааттарды болжолдоо маанилүүрөөк болсо, көңүл буруу негизиндеги моделдер артыкчылыктуу. Эгер төмөн суроо-талап сааттарында салыштырма ката же жалган аномалия аз болушу маанилүү болсо, жөнөкөй LSTM же LSTM-CNN моделдери ылайыктуураак болушу мүмкүн.

Сүрөттөрдөгү болжол ийри сызыктары эмнени көрсөтөт?

Изилдөөдөгү болжол салыштыруу графиктери тандалган өкүлчүлүктүү район үчүн төрт моделдин реалдуу суроо-талап жана болжол ийри сызыгын көрсөтөт. Күнүмдүк мобилдүүлүктө ачык толкун түзүмү бар: түнкүсүн жана эртең менен эрте убакта төмөн суроо-талап, күн ичинде жогорулаган кыймыл жана айрым сааттарда чоку чекиттер көрүнөт.

Графиктер бардык моделдер жалпы күнүмдүк үлгүнү кармай турганын көрсөтөт. Бирок архитектуралардын ортосунда системалуу айырмачылыктар бар. Көңүл буруу механизми жок моделдер төмөн суроо-талап сааттарында реалдуу ийри сызыкка жакыныраак көрүнүп, чоку сааттарда чокуларды толук кармоодо кыйналат. Көңүл буруу механизми бар моделдер болсо чоку сааттарды такыраак берет, бирок төмөн суроо-талап мезгилдеринде салыштырма четтөө көбөйүшү мүмкүн.

Бул графиктердин мааниси ката таблицасын визуалдык ырастоо менен гана чектелбейт. Алар мобилдүүлүктү болжолдоодо ар башка сааттар ар башка кыйынчылык жаратканын да көрсөтөт. Модель жогорку суроо-талап сааттарында ийгиликтүү болуп, түнкү төмөн суроо-талапта ашыкча же кем болжол бериши мүмкүн. Бул айырма аномалия аныктоодо да маанилүү; анткени өзгөрмөлүүлүгү төмөн сааттарда ишеним интервалдары тарып, майда четтөөлөр жалган аномалия катары белгилениши мүмкүн.

Аномалия аныктоо жыйынтыктары

Изилдөөдө сааттык болжолдор 185 район үчүн жети күндүк анализде бааланган. Жалпы болжол саны 31.080. Ар бир модель үчүн аномалдуу болжолдордун саны жана тиешелүү райондордун саны төмөнкүдөй:

Бул таблица LSTM-CNN эң аз аномалдуу болжол чыгарган модель экенин көрсөтөт. Көп баштуу көңүл буруу камтылган моделдер көбүрөөк аномалдуу болжол чыгарган. Бул өзгөчө төмөн суроо-талап мезгилиндеги салыштырма болжол алсыздыгы жана тар ишеним интервалдары менен байланышкан.

Кийинки баскычта реалдуу байкалган суроо-талапка салыштырмалуу аномалия деп белгиленген маанилер бааланган:

Бул жерде да LSTM-CNN эң жакшы аномалия аныктоо жүрүм-турумун көрсөткөнү көрүнөт. Бул модель 344 аномалия белгилеп, башка моделдерге караганда кыйла аз жалган белгилөө чыгарган. Изилдөөнүн түшүндүрмөсү боюнча LSTM-CNN LSTMдин узак мөөнөттүү убакыт көз карандылыктарын үйрөнүү күчү менен CNNдин кыска мөөнөттүү жана мейкиндик үлгүлөрүн кармоо мүмкүнчүлүгүн бириктиргендиктен, туруктуураак болжолдорду жана ишенимдүү ишеним интервалдарын берет.

Аныкталган аномалиялар чыныгы аномалиябы?

Изилдөөдө өтө маанилүү жыйынтык бар: анализделген тест топтомунда белгиленген учурлардын эч бири чыныгы аномалдуу абал деп бааланган эмес. Белгиленген маанилер жарактуу суроо-талап байкоолору болгон. Аномалиядай көрүнүшүнүн себеби көп учурда ишеним интервалдарынын өтө тар болушу.

Ишеним интервалы тар болгондо реалдуу суроо-талап нормалдуу жүрүм-турумга өтө жакын болсо да интервалдын сыртына чыгып кетиши мүмкүн. Бул айрыкча мурдагы күндөрдө суроо-талаптын өзгөрмөлүүлүгү өтө төмөн болгондо болот. Стандарттык четтөө кичине болсо, формуладагы std_n мүчөсү ишеним тилкесин тарылтат. Ошентип өтө майда термелүүлөр да статистикалык жактан аномалия талапкери болуп белгилениши мүмкүн.

Изилдөөдөгү сүрөттөр аномалдуу болжолдор жана аныкталган аномалиялар ишеним интервалынын чектерине өтө жакын экенин көрсөтөт. Бул реалдуу транспорт бузулуусу же чоң суроо-талап өзгөрүүсү жок экенин; көбүнчө калибрлөө сезгичтиги менен байланыштуу экенин көрсөтөт.

Bollinger тилкесине окшош ишеним интервалдары эмне үчүн кылдат калибрлениши керек?

Изилдөөдө ишеним интервалдары Bollinger тилкеси ыкмасынын бир варианты катары түзүлгөн. Бул түзүм орточо мааниге жана стандарттык четтөөгө негизделгендиктен, түшүнүктүү жана колдонууга ыңгайлуу. Бирок стандарттык четтөө төмөн болсо интервал өтө тар болуп калышы мүмкүн; стандарттык четтөө жогору болсо интервал өтө кең болуп, чыныгы аномалиялар өтүп кетиши мүмкүн.

Ошондуктан изилдөөдө параметр калибрлөөсү эксперттик текшерүү менен колдоого алынган. Nommon мобилдүүлүк эксперттери белгиленген окуялардын убакыт катарларын карап, алар чыныгы аномалиябы же жокпу баалашкан. Акыркы тандалган түзүм; алты мезгилдик жылма орточо, k = ℓ = 2 стандарттык четтөө коэффициенти жана α = 1 ийкемдүүлүк параметри. Бул конфигурация сезгичтик менен туруктуулуктун ортосунда ылайыктуу тең салмак берген деп белгиленген.

Изилдөөдө ошондой эле жума күндөрү ишеним интервалдары кеңирээк болгону байкалган. Мунун себептеринин бири тарыхый үлгүдө 1 Ноябрь, башкача айтканда Испаниядагы расмий майрам күнүнүн болушу. Бул майрам тарыхый жума үлгүсүндөгү өзгөрмөлүүлүктү көбөйтүп, кийинки жума күндөрү үчүн ишеним тилкесин кеңейткен. Бул деталь календардык таасирлер аномалия аныктоодо канчалык маанилүү экенин көрсөтөт.

Күнүмдүк жашоого таасири кандай болушу мүмкүн?

Мындай система шаар башкаруусунда көп практикалык пайда бере алат. Мисалы, коомдук транспорт оператору белгилүү райондо белгилүү саатта күтүлгөндөн көп сапар башталып жатканын эрте байкаса, кошумча каттам же унаа багыттоону пландай алат. Трафикти башкаруу борбору күтүлгөндөн жогорку мобилдүүлүк белгилүү иш-чара, кырсык же аба ырайынан улам болгон-болбогонун текшере алат. Узак мөөнөттө пландоочулар шаардагы туруктуу жана туруксуз мобилдүүлүк үлгүлөрүн жакшыраак түшүнүп, инфраструктура жана кызмат чечимдерин күчөтө алат.

Бул ыкма кризистик күндөр үчүн гана эмес, кадимки күндөрдү жакшы түшүнүү үчүн да баалуу. Эгер модель туруктуу мезгилдерде ишенимдүү болжолдорду бере алса, адаттан тыш мезгилдерди аныктоо оңой болот. Башкача айтканда, “нормалдуу эмне экенин” жакшы аныктоо “аномалдуу нерсени” туура кармоонун шарты.

Изилдөөнүн күчтүү жактары

Изилдөөнүн күчтүү жактарынын бири — чоң масштабдуу жана жогорку өлчөмдүү мобилдүүлүк маалыматы менен иштегени. 185 район үчүн сааттык суроо-талап болжолу бир гана жол же кичинекей OD жупту болжолдоо эмес. Бул масштаб ыкма реалдуу аймактык транспорт пландаштырууга жакын көйгөйдө сыналганын көрсөтөт.

Экинчи күчтүү жагы — төрт башка терең үйрөнүү архитектурасын системалуу салыштырганы. Негизги LSTM моделинин эталон катары колдонулушу көңүл буруу механизми жана CNN компоненттеринин салымын ачык чечмелөөгө мүмкүндүк берет. Изилдөө “эң татаал модель эң жакшы” деп гана айтпастан, модель тандоо чоку суроо-талап, төмөн суроо-талап жана аномалия аныктоо максаттарына жараша өзгөрө аларын көрсөтөт.

Үчүнчү күчтүү жагы — адам экспертинин текшерүүсү процесске киргизилгени. Аномалия аныктоо толугу менен автоматтык калтырылбай, белгиленген маанилер чыныгы аномалиябы же жокпу мобилдүүлүк эксперттеринин баалоосу менен чечмеленген. Бул айрыкча транспортту пландаштыруу сыяктуу операциялык чечимдер менен байланышкан тармактарда маанилүү.

Изилдөөнүн чектөөлөрү

Изилдөөнүн эң маанилүү чектөөсү — эксперименттик маалымат топтому туруктуу апталардан тандалганы. Майрамдар, чоң үзгүлтүктөр жана олуттуу тартипсиздиктер атайын чыгарылып салынган. Бул тандоо модель нормалдуу шартта болжол жана жалган аномалия жүрүм-турумун түшүнүүгө ылайыктуу; бирок чыныгы аномалиялар көп болгон окуя мезгилдеринде ыкма кантип иштей турганын түз көрсөтпөйт.

Экинчи чектөө — анализделген тест жумасында аныкталган аномалиялар чыныгы аномалияга туура келбегени. Бул ыкманын жалган позитив чыгаруу жүрүм-турумун түшүнүү үчүн баалуу; бирок реалдуу окуяларды кармоо ийгилигин өлчөө үчүн тартипсиз жана окуя камтылган маалымат топтомдору керек.

Үчүнчү чектөө — аномалияны чечмелөө тышкы өзгөрмөлөр менен толук интеграцияланбаганы. Изилдөө келечекте аба ырайы, иш-чара маалыматтары, календардык таасирлер жана башка тышкы факторлорду интеграциялоону сунуш кылат. Мындай интеграциясыз система четтөөнү белгилей алат, бирок анын себебин автоматтык түшүндүрүүдө чектелүү болот.

Төртүнчүдөн, изилдөө preprint жана рецензиядан өтө элек. Ошондуктан жыйынтыктар баалуу техникалык салыштыруу катары каралышы керек, бирок акыркы тастыкталган илимий далил же колдонмо стандарты катары берилбеши керек.

Изилдөө эмнени айтат, эмнени айтпайт?

Изилдөө мобилдик тармак маалыматтарынан түзүлгөн OD матрицалары менен Мадрид Аймагындагы сааттык мобилдүүлүк суроо-талабын терең үйрөнүү моделдери жогорку тактыкта болжолдой аларын көрсөтөт. Туруктуу мезгилдерде бардык моделдердин MAPE мааниси жүздө 10дон төмөн болгон. Ошондой эле LSTM-CNN архитектурасы аномалия аныктоодо аз жалган белгилөө чыгарган, туруктуу вариант катары алдыга чыккан.

Изилдөө реалдуу тартипсиз окуяларда бардык аномалия сөзсүз кармалат деп айтпайт. Реалдуу убакыттагы операциялык системага түз даяр продукт сунуш кылбайт. Мобилдик тармак маалыматтары бардык шаарда бирдей сапатта жана камтууда болот деп кепилдик бербейт. Ошондой эле аномалия себептерин автоматтык классификациялоо бул изилдөөнүн негизги чөйрөсүнө кирбейт; бул келечекте аба ырайы жана иш-чара маалыматтары сыяктуу тышкы өзгөрмөлөрдү кошуу менен өнүктүрүлө турган багыт катары калтырылган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Ыкманын кадамдары

1. Маалымат булагы: Мобилдик тармак маалыматтарынан түзүлгөн келип чыгуу-баруу матрицалары колдонулган.
2. Изилдөө аймагы: Мадрид Аймагы 185 районго бөлүнгөн.
3. Суроо-талап катарлары: OD матрицалары саат сайын башталган сапар суроо-талабына айландырылып, 185 параллелдүү сааттык убакыт катары алынган.
4. Маалымат тандоо: 2024 жылындагы туруктуу жана толук апталар тандалып, майрам жана чоң үзгүлтүк мезгилдери чыгарылып салынган.
5. Кириш-чыгыш түзүмү: Мурдагы тогуз күндүн сааттык суроо-талабы колдонулуп, кийинки бир күндүн 24 сааттык суроо-талабы болжолдонгон.
6. Модель салыштыруу: LSTM, LSTM + көп баштуу көңүл буруу, LSTM + CNN жана LSTM + көп баштуу көңүл буруу + CNN архитектуралары текшерилген.
7. Натыйжалуулукту өлчөө: Болжол натыйжалуулугу RMSE жана MAPE менен бааланган.
8. Аномалия аныктоо: Болжол жана байкоо маанилери Bollinger тилкесине окшош ишеним интервалдары менен салыштырылган.
9. Эксперттик текшерүү: Аныкталган четтөөлөр мобилдүүлүк эксперттери менен каралып, калибрлөө ошого жараша бааланган.

Негизги формулалар

Болжол натыйжалуулугу

Аномалдуу болжол жана аномалия аныктоо

Сүрөттөр жана таблицалар көрсөткөн негизги жыйынтыктар

Мадрид Аймагы райондорго бөлүнгөнүн көрсөткөн карта изилдөө кеңири аймактык масштабда жүргүзүлгөнүн жана 185 мейкиндик бирдигин камтыганын көрсөтөт. Бул ыкма кичинекей лаборатория маалыматы менен эмес, реалдуу аймактык мобилдүүлүк түзүмүнө жакын жогорку өлчөмдүү маалымат менен сыналганын көрсөтөт.

Болжол салыштыруу графиктери бардык моделдер күнүмдүк суроо-талап толкунун кармай турганын; бирок көңүл буруу механизми бар моделдер чоку сааттарды, көңүл буруу жок моделдер төмөн суроо-талап сааттарды жакшыраак чагылдырарын көрсөтөт. Бул RMSE жана MAPE жыйынтыктары менен шайкеш.

Аномалдуу болжол жана аномалия графиктеринде белгиленген чекиттер ишеним интервалынын чектерине өтө жакын көрүнөт. Бул визуалдык жыйынтык изилдөөнүн тексттик түшүндүрмөсүн колдойт: тест жумасында белгиленген маанилер чыныгы аномалия эмес, тар ишеним интервалдарынан келип чыккан майда четтөөлөр.

Таблицалар LSTM-CNN модели аномалия аныктоо боюнча эң пайдалуу архитектура экенин ачык көрсөтөт. Бул модель болжол тактыгын сактап, жалган аномалия белгилөөлөрүн азайткан.

Жалпы техникалык жыйынтык

Изилдөөнүн негизги техникалык жыйынтыгы — чоң масштабдуу мобилдүүлүк суроо-талабын болжолдоодо терең үйрөнүү архитектуралары күчтүү иштейт, бирок модель тандоо колдонуу максатына жараша жүргүзүлүшү керек. Чоку суроо-талап сааттарын кармоо артыкчылыктуу болсо, көңүл буруу негизиндеги архитектуралар пайдалуу. Төмөн суроо-талап мезгилдеринде туруктуу салыштырма ката жана аз жалган аномалия талап кылынса, LSTM-CNN сыяктуу көңүл буруу жок гибрид архитектуралар тең салмактуу жыйынтык бере алат.

Аномалия аныктоо боюнча жыйынтыктар жакшы болжол берүү гана жетишсиз экенин көрсөтөт. Ишеним интервалдарынын кеңдиги, тарыхый өзгөрмөлүүлүк, календардык таасирлер жана эксперттик текшерүү аныктоо ийгилигине түз таасир берет. Ошондуктан изилдөө автоматтык аномалия аныктоону адам экспертинин текшерүүсү менен бирге караган коопсузураак операциялык ыкманы сунуш кылат.

Булак жана Ыкма Эскертмеси

Бул макала Raquel Sánchez-Cauce, Oliva G. Cantú Ros, Miguel Picornell, Pablo Ruiz жана Sergio Teso тарабынан даярдалган “Mobility Demand Forecasting and Anomaly Detection from Origin–Destination Matrices: A Benchmark of Deep Learning Architectures” аттуу изилдөөгө негизделип даярдалган. Авторлор Nommon Solutions and Technologies менен байланышкан. Изилдөө Европа Бирлигинин Horizon Europe программасы каржылаган CONDUCTOR долбоорунун бир бөлүгү.

Булак текст SSRNде жайгашкан preprint изилдөө макаласы. Текстте ачык түрдө “This preprint research paper has not been peer reviewed” деген сөз болгондуктан, изилдөө рецензиядан өтө элек. Ошондуктан жыйынтыктар рецензияланган журналда так тастыкталган табылгалар катары эмес, техникалык жактан деталдуу, бирок рецензия процесси аяктай элек preprint жыйынтыктары катары окулушу керек.

Бул мазмун PDFдеги изилдөөгө негизделип даярдалган. PDFде жок талаа колдонмосу кепилдиги, коммерциялык ийгилик, реалдуу убакыт системасындагы так натыйжалуулук, бардык шаарларга жалпылоо же бардык аномалияларды сөзсүз кармоо дооматы кошулган эмес. Изилдөөнүн ыкмасы мобилдик тармак маалыматтарынан түзүлгөн OD матрицаларына, терең үйрөнүүгө негизделген убакыт катары болжолуна жана ишеним интервалына негизделген аномалия аныктоого таянат.

Изилдөө туруктуу апталарда сыналган; майрам жана чоң үзгүлтүк мезгилдери атайын чыгарылган. Ошондуктан ыкма туруктуу суроо-талап шартында болжол тактыгы жана жалган аномалия жүрүм-туруму боюнча бааланган. Чыныгы аномалия окуялары бар тартипсиз мезгилдерде натыйжалуулукту өзүнчө текшерүү керек. Ошондой эле аба ырайы, иш-чара маалыматтары жана календардык таасирлер сыяктуу тышкы өзгөрмөлөрдү моделге күчтүүрөөк интеграциялоо келечектеги изилдөө темасы катары көрсөтүлгөн.