Transport rejalashtirishidagi eng muhim savollardan biri shunday: odamlar qaysi hududdan qaysi hududga, qaysi soatlarda va qanday zichlikda harakatlanadi? Bu savolga berilgan javob jamoat transporti sig‘imidan tortib trafik boshqaruvigacha, yo‘l ta’mirlash rejalashtirishidan maxsus tadbir kunlaridagi operatsion qarorlargacha bo‘lgan ko‘plab sohalarga bevosita ta’sir qiladi.

Bunday harakatchanlik ma’lumoti odatda kelib chiqish-qatig‘nalish matritsalari orqali ifodalanadi. Kelib chiqish-qatig‘nalish matritsasi ma’lum vaqt oralig‘ida bir hududdan boshqasiga nechta odam safar qilganini ko‘rsatadigan ma’lumot tuzilmasidir. Masalan, shahar tumanlari satr va ustunlarga joylashtirilganda, satr boshlang‘ich hududni, ustun esa manzil hududni ifodalaydi. Matritsaning har bir katagi ma’lum boshlang‘ich-manzil jufti orasidagi safar sonini ko‘rsatadi.

Tadqiqotning asosiy muammosi bu harakatchanlik talabini o‘tmish ma’lumotlaridan o‘rganib, kelajakka bashorat qilish va kutilgan xulqdan noodatiy og‘ishlarni aniqlashdir. Transport tizimidagi anomaliya — bayram, ish tashlash, sport tadbiri, ob-havo, avariya, infratuzilma uzilishi yoki kutilmagan ijtimoiy harakatchanlik sabab normal naqshdan farqlanib qolgan talabni anglatishi mumkin. Bunday og‘ishlar erta aniqlansa, transport operatorlari qatnov chastotasini oshirishi, ayrim hududlarda sig‘imni moslashtirishi, trafik boshqaruv markazlari choralar ko‘rishi yoki maxsus holatlar rejasini ishga tushirishi mumkin.

Bu muammo nega muhim?

Shahar harakatchanligi tasodifiy emas. Ish kunlari ertalab ishga borish, peshin paytida pastroq harakatchanlik, kechqurun ish chiqishidagi zichlik, dam olish kunlaridagi farqli tendensiyalar va bayram kunlaridagi o‘zgaruvchan safar xulqi kabi takrorlanuvchi naqshlar mavjud. Biroq bu naqshlar har doim bir xil qolmaydi. Konsert, futbol o‘yini, yomon ob-havo, ish tashlash yoki yo‘l yopilishi ayrim hududlarda talabni odatdagidan ancha yuqori yoki past qilib yuborishi mumkin.

Transport boshqaruvi nuqtayi nazaridan muammo faqat “nechta odam harakatlanadi?” degan savol emas. Muhimroq savol — “kutilayotgan talabga nisbatan noodatiy holat bormi va bu holat qayerda yuz berayapti?” degan savoldir. Chunki tizim oddiy kunda yaxshi ishlasa ham, noodatiy kunda ayni reja yetarli bo‘lmasligi mumkin. Agar anormal talab oldindan yoki erta bosqichda aniqlansa, transport tizimini ancha proaktiv boshqarish mumkin.

Ushbu ish harakatchanlik bashorati va anomaliya aniqlashni bitta doirada ko‘rib chiqqani uchun muhimdir. Faqat yaxshi bashorat qiladigan model qaror qabul qiluvchiga anomaliya qayerda va qachon paydo bo‘lishini aytmasligi mumkin. Faqat anomaliya aniqlaydigan tizim esa kuchli kutilayotgan talab bashoratiga ega bo‘lmasa, normal tebranishlarni ham noto‘g‘ri ravishda anomaliya deb belgilashi mumkin. Tadqiqot bu ikki ehtiyojni birlashtirib, avval kutilayotgan talabni hisoblashni, so‘ng shu kutilishga nisbatan og‘ishlarni baholashni maqsad qiladi.

Nega mobil tarmoq ma’lumotlari ishlatiladi?

Tadqiqotda ishlatilgan ma’lumotlar mobil tarmoq ma’lumotlaridan yaratilgan kelib chiqish-manzil matritsalaridir. Mobil tarmoq ma’lumotlari odamlarning telefonlari bazaviy stansiyalar bilan o‘rnatgan aloqalaridan harakat naqshlarini ajratib olish imkonini beradi. Bu ma’lumotlar individual kuzatuv uchun emas, balki harakatchanlik oqimlarini umumiy va anonimlashtirilgan tarzda tushunish uchun ishlatilsa, shahar miqyosida juda qimmatli manbaga aylanadi.

Mobil tarmoq ma’lumotlarining transport rejalashtirishidagi afzalliklari katta. An’anaviy so‘rovlar qimmat, kichik namunali va cheklangan davrni qamrab oladi. Sensorlar, kameralar yoki turniket ma’lumotlari esa faqat ayrim nuqtalardagi harakatni ko‘radi. Mobil tarmoq ma’lumotlari esa keng hududni, uzoq vaqt oralig‘ini va turli hududlar o‘rtasidagi harakatni yanada yaxlit shaklda ifodalay oladi.

Tadqiqotda ishlatilgan OD matritsalari Nommon tomonidan Ispaniya Transport va Barqaror Harakatchanlik Vazirligi uchun ishlab chiqarilgan. Mobil tarmoq ma’lumotlari Nommon Mobility Insights yechimi bilan qayta ishlangan, namunaviy telefon foydalanuvchilari uchun faoliyat-safar kundaliklari yaratilgan va aholi ro‘yxati ma’lumotlari bilan umumiy aholiga kengaytirilgan. Matritsalar nafaqat hududiy harakatni, balki kunning vaqti, safar maqsadi, masofa, yosh, jins, yashash joyi va daromad kabi xususiyatlarga ko‘ra ham bo‘linishi mumkin bo‘lgan boy ma’lumot tuzilmasini beradi.

Adabiyotdagi bo‘shliq nima?

Transport talabini bashorat qilish va anomaliya aniqlash adabiyotida turli usullar qo‘llangan. Ayrim ishlar statistik usullarga tayanadi. Kalman filtrlari, Gaussian kernel asosidagi usullar, Z-score mezonlari va ishonch oralig‘lari bu sohada ishlatiladigan klassik vositalardir. Bu usullarning talqin qilinishi oson; ammo yirik miqyosli, ko‘p o‘lchamli OD matritsalarida masshtablash muammosi bo‘lishi mumkin.

Machine learning usullari bu cheklovlarni kamaytirish uchun qo‘llana boshladi. Support vector machine, random forest, k-nearest neighbor, chiziqli modellar va o‘lchamni qisqartirish uchun PCA kabi metodlar turli ishlarda ishlatilgan. Biroq kuchli anomalilar va barqaror bo‘lmagan harakatchanlik naqshlari bu modellarning barqarorligiga ta’sir qilishi mumkin.

Deep learning, ayniqsa LSTM tarmoqlari, vaqt qatorlaridagi uzoq muddatli bog‘liqliklarni ushlay olgani uchun transport talabi bashoratida oldinga chiqdi. Ammo adabiyotda hanuz muhim bo‘shliq bor: ko‘pchilik ishlar yoki bashorat aniqligiga, yoki anomaliya aniqlashga e’tibor beradi; turli deep learning arxitekturalarining ham bashorat, ham anomaliya aniqlashga ta’sirini katta miqyosli OD ma’lumotlari bilan tizimli taqqoslaydigan ishlar kamroq.

Ushbu ish aynan shu bo‘shliqqa e’tibor qaratadi. To‘rtta turli deep learning arxitekturasini bir xil ma’lumot va baholash doirasida taqqoslaydi. Shu tariqa LSTM, e’tibor mexanizmi va CNN komponentlarining qaysi sharoitda yaxshiroq ishlashini, past talab va tig‘iz soatlarda qanday farqlanishini hamda anomaliya aniqlashdagi noto‘g‘ri belgilash xulqiga qanday ta’sir qilishini ko‘rsatadi.

Taklif etilgan ikki bosqichli usul qanday ishlaydi?

Tadqiqot usuli ikki bosqichli. Birinchi bosqich — talab bashorati. Deep learning asosidagi vaqt qatori modeli o‘tmishdagi ko‘p o‘lchamli OD talab ma’lumotlaridan foydalanib keyingi kunning soatlik talabini ishlab chiqaradi. Modelning kirishi oldingi to‘qqiz kunning soatlik talabi, chiqishi esa 185 tuman uchun 24 soatlik talab bashoratidir. Ya’ni har bir bashorat 185 × 24 o‘lchamli talab matritsasini ishlab chiqaradi.

Ikkinchi bosqich — anomaliya aniqlash. Bu bosqichda model bashorati bevosita “to‘g‘ri referens” deb qabul qilinmaydi. Avval bashorat qilingan talab tarixiy talab xulqi bilan mos keladimi-yo‘qmi tekshiriladi. So‘ng haqiqiy kuzatilgan talab tasdiqlangan bashorat bilan solishtiriladi. Agar haqiqiy talab ishonch oralig‘idan tashqariga chiqsa, anomaliya nomzodi sifatida belgilanadi.

Bu ikki bosqichli tuzilma muhim. Chunki yomon bashorat hosil qilgan farq haqiqiy anomaliya kabi ko‘rinishi mumkin. Ish bu xavfni kamaytirish uchun avval bashoratning tarixiy naqsh bilan mosligini tekshiradi. Shunday qilib tizim “haqiqiy talab anormalmi?” degan savolni berishdan oldin “model kutgan talab mantiqiymi?” degan savolni tekshiradi.

Kutilayotgan talabning tarixiy xulq bilan tasdiqlanishi

Tadqiqotda birinchi ishonch oralig‘i bashorat qilingan talabning o‘tmishdagi xuddi shu hafta kuni naqshi bilan mos kelishini tekshirish uchun ishlatiladi. Masalan, agar seshanba kuni bashorat qilinayotgan bo‘lsa, oldingi seshanbalar hisobga olinadi. Shu kunlar bo‘yicha o‘rtacha talab va standart og‘ish hisoblanadi.

Tadqiqotda berilgan ishonch oralig‘i quyidagicha:

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

Bu yerda avg_n oldingi n ta xuddi shu hafta kuniga oid o‘rtacha talabni bildiradi. std_n shu tarixiy kuzatuvlarning standart og‘ishidir. k ishonch oralig‘ini standart og‘ish hisobida qanchalik kengaytirishni belgilaydi. n nechta tarixiy davr ishlatilishini ko‘rsatadi. α esa talabdagi standart og‘ish bilan to‘liq ushlanmaydigan kichik tebranishlarga moslashuvchanlik qo‘shish uchun ishlatiladi.

Bu formulalarning kundalik ma’nosi shuki: “O‘tmishdagi o‘xshash kunlarda bu hududda talab taxminan qaysi oraliqda bo‘lgan? Bugungi bashorat shu kutilgan xulq chegarasi ichidami?” Agar bashorat shu oralig‘ida bo‘lsa, model bashorati tarixiy xulq bilan mos deb qabul qilinadi. Agar tashqarida bo‘lsa, bu haqiqatan o‘zgarib ketgan talab naqshiga yoki model samaradorligidagi buzilishga ishora qilishi mumkin.

Haqiqiy talab bilan bashorat qilingan talabni solishtirish

Bashorat tarixiy xulq nuqtayi nazaridan mantiqli deb topilgach, ikkinchi bosqichda u haqiqiy kuzatuv bilan solishtiriladi. Bu yerda ishonch oralig‘i endi bashorat qiymati atrofida quriladi:

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

Bu yerda prediction model bashorat qilgan talab qiymatini bildiradi. std_n oldingi n ta o‘xshash kunning standart og‘ishidir. ℓ anomaliya aniqlashda ishlatiladigan oraliq kengligini belgilovchi kalibrlash parametri. α esa oldingi bosqich bilan uyg‘un bo‘lishi uchun moslashuvchanlik beradi.

Ushbu oralig‘ga tushgan haqiqiy kuzatuvlar normal deb qabul qilinadi. Tashqariga chiqqan qiymatlar esa anomaliya nomzodi sifatida belgilanadi. Bu yerda “anomaliya nomzodi” iborasi ayniqsa muhim. Ishda belgilangan har bir qiymat avtomatik ravishda haqiqiy anomaliya deb hisoblanmagan, ekspert tasdig‘i zarurligi ta’kidlangan. Chunki statistik jihatdan oralig‘dan tashqariga chiqqan kichik og‘ishlar haqiqiy hodisadan emas, juda tor ishonch oralig‘idan yoki tabiiy o‘zgaruvchanlikdan kelib chiqishi mumkin.

Madrid hududidagi qo‘llanilishi

Usul Madrid hududida sinovdan o‘tkazilgan. Hudud 185 tumanga bo‘lingan. Tadqiqotda hudud xaritasi ustida bu tumanlarning fazoviy taqsimoti ko‘rsatilgan va ko‘k rangli maydonlar bilan tahlil hududi qamrovi ifodalangan. Bu xarita ishning kichik koridor yoki bitta bekat ma’lumoti bilan emas, balki keng hududiy harakatchanlik ma’lumoti bilan ishlashini ko‘rsatadi.

OD matritsalari har bir tuman uchun soatlik boshlanadigan safarlarga aylantirilgan. Shu tariqa model bir vaqtning o‘zida 185 ta turli tumanning soatlik talab vaqt qatorini bashorat qilgan. Bu klassik bitta vaqt qatori bashoratidan ancha qiyin masala; chunki har bir tumanning o‘z talabi ritmi bor, shu bilan birga hududlararo munosabatlar va umumiy vaqt naqshlari ham mavjud.

Tajriba ma’lumotlar to‘plami faqat 2024 yildagi to‘liq va muntazam haftalardan tuzilgan. Bayramlar yoki katta buzilishlar chiqarib tashlangan. Tahlil davri 2024 yil 16 yanvar – 31 may hamda 16 sentabr – 30 noyabr oralig‘ini qamrab oladi. Pasxa haftasi va Madrid mintaqaviy bayram haftasi istisno qilingan. Bu tanlov usul oddiy talab sharoitlarida qanchalik yaxshi ishlashini tushunishga qaratilgan. Bayram va katta hodisalar davrlari ancha murakkab bo‘lgani uchun kelajak ishlarida alohida ko‘rib chiqilishi kerak bo‘lgan sohadir.

Taqqoslangan deep learning arxitekturalari

Tadqiqotda to‘rtta neyron tarmoq arxitekturasi taqqoslangan. Birinchi model asosiy LSTM arxitekturasi. LSTM tarmoqlari uzoq muddatli vaqt bog‘liqliklarini o‘rganish uchun ishlab chiqilgan. Shu sababli ular o‘tmishdagi kun va soatlardagi harakatchanlik naqshlaridan kelajak talabini bashorat qilish uchun mos. Asosiy arxitekturadagi model uchta 128 birlikli LSTM qatlami, 0,3 dropout nisbati, 1024 neyronli to‘liq bog‘langan qatlam va 24 × 185 o‘lchamli chiqish qatlamidan iborat.

Ikkinchi model — ko‘p boshli e’tibor mexanizmiga ega LSTM. E’tibor mexanizmi modelga o‘tmish kuzatuvlari orasida muhimroq vaqt bosqichlariga ko‘proq og‘irlik berish imkonini beradi. Masalan, bir hudud talabi ma’lum soatlarda yoki ma’lum hafta kunlarida muhimroq naqshlar ko‘rsatsa, e’tibor mexanizmi shu munosabatlarni yaxshiroq ushlashi mumkin. Ushbu ishda e’tibor moduli to‘rtta bosh, 32 ta kalit o‘lchami va 0,1 dropout bilan LSTM to‘plami va zich qatlamlar orasiga qo‘shilgan.

Uchinchi model — LSTM va CNN birikmasi. CNN qatlami kirish bosqichida mahalliy vaqtli va fazoviy naqshlarni ushlash uchun ishlatiladi. Harakatchanlik ma’lumotlarida qo‘shni yoki funksional jihatdan bog‘langan hududlar o‘rtasida aloqalar bo‘lishi mumkin. Bir hududdagi zichlik boshqa hudud talabiga ta’sir qilishi mumkin. CNN komponenti bunday qisqa muddatli va mahalliy naqshlarni ajratib olishga yordam beradi. Bu modelda asosiy LSTM arxitekturasiga 64 filtrli va kernel o‘lchami 5 bo‘lgan konvolyutsion qatlam qo‘shilgan.

To‘rtinchi model esa LSTM, ko‘p boshli e’tibor va CNN komponentlarini birgalikda ishlatadi. Bu eng murakkab arxitektura konvolyutsion qatlam, uchta LSTM qatlam, ko‘p boshli e’tibor moduli, global average pooling va zich chiqish qatlamlaridan tashkil topgan. Maqsad — CNNning mahalliy naqshlarni ushlash kuchi, LSTMning uzoq bog‘liqliklarni o‘rganish qobiliyati va e’tibor mexanizmining muhim vaqt bosqichlariga e’tibor qaratish imkoniyatini birlashtirishdir.

O‘qitish va test tartibi

Barcha modellar MAE, ya’ni o‘rtacha mutlaq xato yo‘qotish funksiyasi bilan o‘qitilgan va Adam optimallashtirish algoritmi bilan sozlangan. Ma’lumotlar to‘plami o‘quv va test kichik to‘plamlariga ajratilgan. O‘quv to‘plami 2024 yil 14 noyabrgacha bo‘lgan barcha kuzatuvlarni o‘z ichiga oladi. Test to‘plami esa 15–30 noyabr oralig‘idagi keyingi 16 kunni qamrab oladi va faqat umumlashtirish samaradorligini baholash uchun ishlatilgan.

Kirish-chiqish namunaları to‘qqiz kunlik sirpanma oynasi bilan yaratilgan. Model avvalgi to‘qqiz kunning soatlik talabiga qarab bitta kunning 24 soatlik talabini bashorat qiladi. Har bir bashorat 185 tuman va 24 soatdan iborat bo‘lgani uchun chiqish matritsasi 185 × 24 o‘lchamda bo‘ladi.

Model samaradorligi RMSE va MAPE bilan baholangan. RMSE katta xatolarni ko‘proq jazolaydi; shu sababli tig‘iz soatlardagi katta og‘ishlarni aniqroq ko‘rsatadi. MAPE esa kuzatilgan qiymatga nisbatan nisbiy xatoni o‘lchaydi; past talab davrlarida kichik mutlaq farqlar ham katta foiz xatoga aylanishi mumkin. Shu sababli ikkala metrikani birga ishlatish muhim.

RMSE va MAPE nimani anglatadi?

Tadqiqotda formulalar ochiq berilmagan bo‘lsa-da, ishlatilgan metrikalarni tushunish uchun asosiy bog‘lanishlar quyidagicha ifodalanishi mumkin. Bu formulalar ish mantiqini tushuntirish uchun berilgan fon formulalardir:

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

Bu yerda y_i haqiqiy talabni, \hat{y}_i bashorat qilingan talabni, N esa umumiy kuzatuvlar sonini bildiradi. RMSE xatolarning kvadratini olgani uchun katta xatolarga sezgirroq. Tig‘iz soatlarda bashorat juda og‘ib ketsa, RMSE buni kuchli jazolaydi.

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

Bu yerda MAPE xatoni kuzatilgan qiymatning foizi sifatida beradi. Talab past bo‘lganda kichik mutlaq og‘ishlar ham katta foiz xatoga aylanishi mumkin. Shu sababli ish e’tibor mexanizmli modellarning tig‘iz soatlarda yaxshi, past talabda esa nisbatan zaif ko‘rinishini RMSE va MAPE ning turli sezgirliklari orqali izohlaydi.

Bashorat natijalari: qaysi model yaxshiroq?

Test to‘plamida to‘rtta modelning xato qiymatlari quyidagicha:

Barcha modellar yuqori bashorat samaradorligini ko‘rsatgan. MAPE qiymatlarining barchasi 0,07–0,08 oralig‘ida; ya’ni nisbiy xato 10 foizdan past. Bu muntazam ish davrlarida harakatchanlik talabini deep learning modellari bilan muvaffaqiyatli bashorat qilish mumkinligini ko‘rsatadi.

Eng past RMSE LSTM + ko‘p boshli e’tibor + CNN modelida 3028,76 bo‘lgan. Bu model ayniqsa yuqori talab davrlaridagi katta og‘ishlarni kamaytirishda kuchli ekanini ko‘rsatadi. Ammo shu modelning MAPE qiymati 0,08 bo‘lib, bu past talab soatlarida nisbiy xato bo‘yicha biroz zaifroq bo‘lishi mumkinligini anglatadi. Asosiy LSTM va LSTM-CNN modellarining MAPE bo‘yicha 0,07 bilan yaxshiroq ko‘rinishi ham shundan.

Ishning muhim sharhi shuki: e’tibor mexanizmli modellar pik talab soatlarini yaxshiroq ushlaydi; biroq past talab davrlarida nisbatan zaifroq natija berishi mumkin. E’tiborsiz, soddaroq modellar past talab soatlarini yaxshiroq ifodalaydi; ammo kunlik talabning uchta cho‘qqisini ushlashda cheklangan bo‘lishi mumkin. Shu sababli “eng yaxshi model” degan savolga bitta javob yo‘q. Agar qo‘llanishda tig‘iz soat bashoratiga ko‘proq ahamiyat berilsa, e’tiborli modellar foydaliroq bo‘lishi mumkin. Agar past talab soatlarida nisbiy xato yoki noto‘g‘ri anomaliya chiqarmaslik muhim bo‘lsa, sodda LSTM yoki LSTM-CNN modellari ma’qulroq bo‘lishi mumkin.

Rasmlardagi bashorat egri chiziqlari nimani ko‘rsatadi?

Ishdagi bashorat solishtirish grafiklari tanlangan namunaviy tuman uchun to‘rt modelning haqiqiy talab va bashorat egri chizig‘ini ko‘rsatadi. Kundalik harakatchanlikda aniq to‘lqin shakli bor: tun va ertalabning ilk soatlarida past talab, kun davomida o‘suvchi harakat va ayrim soatlarda cho‘qqi nuqtalar ko‘rinadi.

Grafiklar barcha modellar umumiy kunlik naqshni ushlaganini ko‘rsatadi. Ammo arxitekturalar o‘rtasida tizimli farqlar mavjud. E’tibor mexanizmi bo‘lmagan modellar past talab soatlarida haqiqiy egri chiziqqa yaqin ko‘rinsa-da, pik soatlarda cho‘qqilarni to‘liq ushlashda qiynaladi. E’tiborli modellar esa cho‘qqi soatlarni aniqroq ifodalaydi; biroq past talab davrlarida nisbiy og‘ishlar ortishi mumkin.

Bu grafiklarning muhim jihati faqat xato jadvalini vizual tasdiqlash emas. Ular harakatchanlik bashoratida turli soatlar turli qiyinchilik darajasiga ega ekanini ham ko‘rsatadi. Bir model tig‘iz soatlarda muvaffaqiyatli bo‘lsa, tunda past talab davrida ortiqcha yoki kam bashorat qilishi mumkin. Bu farq anomaliya aniqlashda ham muhim bo‘ladi; chunki o‘zgaruvchanligi past soatlarda ishonch oralig‘i torayadi va kichik og‘ishlar noto‘g‘ri anomaliya sifatida belgilanib ketishi mumkin.

Anomaliya aniqlash natijalari

Tadqiqotda soatlik bashoratlar 185 tuman uchun yetti kunlik tahlilda baholangan. Umumiy bashoratlar soni 31.080 ta. Har bir model uchun anormal bashoratlar soni va ta’sirlangan tumanlar soni quyidagicha:

Bu jadval LSTM-CNN modelining eng kam anormal bashorat ishlab chiqaruvchi model ekanini ko‘rsatadi. Ko‘p boshli e’tiborli modellar ko‘proq anormal bashorat bergan. Bu holat ayniqsa past talab davrlaridagi nisbiy bashorat zaifligi va tor ishonch oralig‘i bilan bog‘langan.

Keyingi bosqichda haqiqiy kuzatilgan talabga nisbatan anomaliya sifatida belgilangan qiymatlar baholangan:

Bu yerda ham LSTM-CNN modeli anomaliya aniqlash bo‘yicha eng yaxshi xatti-harakatni ko‘rsatgan. Bu model 344 ta anomaliya belgilagan bo‘lib, boshqa modellarga qaraganda ancha kam noto‘g‘ri belgilash hosil qilgan. Ishning sharhi shuki, LSTM-CNN LSTMning uzoq muddatli vaqt bog‘liqliklarini o‘rganish kuchini CNNning qisqa muddatli va fazoviy naqshlarni ushlash qobiliyati bilan birlashtirgani uchun yanada barqaror bashorat va ishonchliroq ishonch oralig‘i hosil qiladi.

Aniqlangan anomaliyalar haqiqiy anomaliyami?

Tadqiqotda juda muhim natija bor: tahlil qilingan test to‘plamidagi aniqlanishlarning hech biri haqiqiy anormal holat sifatida baholanmagan. Belgilangan qiymatlar haqiqiy talab kuzatuvlaridir. Ularning anomaliya bo‘lib ko‘rinishining sababi, ko‘p hollarda ishonch oralig‘ining haddan tashqari tor bo‘lishidir.

Ishonch oralig‘i tor bo‘lsa, haqiqiy talab normal xulqqa juda yaqin bo‘lsa ham, oraliqdan tashqariga chiqib ketishi mumkin. Bu ayniqsa oldingi kunlarda talab o‘zgaruvchanligi juda past bo‘lsa sodir bo‘ladi. Standart og‘ish kichik bo‘lganda formuladagi std_n hadi ishonch bandini toraytiradi. Natijada juda kichik tebranishlar ham statistik jihatdan anomaliya nomzodi sifatida belgilanib qolishi mumkin.

Ishdagi grafiklar anormal bashoratlar va aniqlangan anomaliyalar ishonch oralig‘i chegaralariga juda yaqin joylashganini ko‘rsatadi. Bu haqiqiy transport buzilishi yoki katta talab o‘zgarishi yo‘qligini, ko‘proq kalibrlash sezgirligi bilan bog‘liqligini anglatadi.

Bollinger bandiga o‘xshash ishonch oralig‘lari nega ehtiyotkorlik bilan kalibrlanishi kerak?

Tadqiqotda ishonch oralig‘lari Bollinger bandi yondashuvining bir varianti sifatida qurilgan. Bu tuzilma o‘rtacha va standart og‘ishga asoslangani uchun tushunarli va qo‘llash mumkin bo‘lgan usuldir. Biroq standart og‘ish past bo‘lsa oralig‘ juda torayib ketishi; standart og‘ish yuqori bo‘lsa oralig‘ haddan tashqari kengayib, haqiqiy anomaliyalar yashirin qolishi mumkin.

Shu sababli tadqiqotda parametrlar kalibrlashi ekspert tasdig‘i bilan qo‘llab-quvvatlangan. Nommon harakatchanlik bo‘yicha mutaxassislari aniqlangan hodisalar vaqt qatorini ko‘rib chiqib, ularning haqiqiy anomaliyami yoki yo‘qligini baholashgan. Yakuniy tanlangan tuzilma — olti davrlik harakatlanuvchi o‘rtacha, k = ℓ = 2 standart og‘ish koeffitsienti va α = 1 moslashuvchanlik parametri. Bu konfiguratsiya sezgirlik bilan mustahkamlik o‘rtasida mos muvozanat bergani qayd etilgan.

Tadqiqotda juma kunlari uchun ishonch oralig‘i kengroq bo‘lgani ham kuzatilgan. Buning sabablaridan biri tarixiy namunada 1 noyabr, ya’ni Ispaniyada rasmiy bayram bo‘lgan kunning mavjudligidir. Bu bayram tarixiy juma naqshidagi o‘zgaruvchanlikni oshirgan va keyingi juma kunlari uchun ishonch bandini kengaytirgan. Bu tafsilot taqvim ta’sirlari anomaliya aniqlashda qanchalik muhimligini ko‘rsatadi.

Oddiy hayotga ta’siri qanday bo‘lishi mumkin?

Bunday tizim shahar boshqaruvida ko‘plab amaliy foydalar berishi mumkin. Masalan, jamoat transporti operatori ma’lum tumanda ma’lum soatlarda kutilganidan yuqori boshlanayotgan safarlarni erta ko‘rsa, qo‘shimcha qatnov yoki avtobus yo‘naltirishni rejalashtirishi mumkin. Trafik boshqaruv markazi kutilganidan yuqori harakatchanlik ma’lum bir tadbir, avariya yoki ob-havo sabab yuz berayotganini tekshirishi mumkin. Uzoq muddatda esa rejalashtiruvchilar shahardagi muntazam va noaniq harakatchanlik naqshlarini yaxshiroq tushunib, infratuzilma va xizmat qarorlarini mustahkamlashi mumkin.

Bu yondashuv faqat inqiroz kunlari uchun emas, oddiy kunlarni yaxshiroq tushunish uchun ham foydali. Agar model muntazam davrlarda ishonchli bashorat bera olsa, noodatiy davrlar aniqroq ajralib chiqadi. Boshqacha aytganda, “normal nima?” ni yaxshi belgilash “anomaliya”ni to‘g‘ri ushlashning shartidir.

Ishning kuchli tomonlari

Ushbu ishning kuchli jihatlaridan biri — katta miqyosli va yuqori o‘lchamli harakatchanlik ma’lumoti bilan ishlashidir. 185 tuman uchun soatlik talab bashorati faqat bitta yo‘l yoki kichik OD jufti bashorati emas. Bu masshtab usulning haqiqiy hududiy transport rejalashtirishiga yaqinroq masalada sinovdan o‘tganini ko‘rsatadi.

Ikkinchi kuchli jihat — to‘rtta turli deep learning arxitekturasining tizimli taqqoslanishidir. Asosiy LSTM modelining referens sifatida ishlatilishi e’tibor mexanizmi va CNN komponentlarining hissasini ancha aniq talqin qilish imkonini beradi. Ish faqat “eng murakkab model eng yaxshisi” demaydi; u model tanlovi pik talab, past talab va anomaliya aniqlash maqsadlariga qarab o‘zgarishini ko‘rsatadi.

Uchinchi kuchli jihat — inson ekspert tasdig‘ining jarayonga kiritilganidir. Anomaliya aniqlash butunlay avtomatik qoldirilmagan, belgilangan qiymatlarning haqiqiy anomaliyami-yo‘qligi harakatchanlik mutaxassislari tomonidan baholangan. Bu ayniqsa transport rejalashtirish kabi operatsion qarorlar bilan bog‘liq sohalarda muhim.

Ishning cheklovlari

Ishning eng muhim cheklovlaridan biri tajriba ma’lumotlar to‘plami muntazam haftalardan tanlanganidir. Bayramlar, katta buzilishlar va muhim notekisliklar ataylab chiqarib tashlangan. Bu tanlov modelning oddiy sharoitlarda bashorat va noto‘g‘ri anomaliya xulqini tushunish uchun mos; ammo haqiqiy anomaliyalar ko‘p bo‘lgan hodisa davrlarida usul qanday ishlashini bevosita ko‘rsatmaydi.

Ikkinchi cheklov, aniqlangan anomaliyalarning tahlil qilingan test haftasida haqiqiy anomaliyaga mos kelmasligidir. Bu holat usulning noto‘g‘ri musbatlar ishlab chiqarishini tushunish uchun foydali; ammo haqiqiy hodisalarni ushlash samaradorligini o‘lchash uchun yanada notekis va hodisali ma’lumotlar to‘plami kerak bo‘ladi.

Uchinchi cheklov — anomaliya talqini tashqi o‘zgaruvchilar bilan to‘liq birlashtirilmaganidir. Ish kelajakda ob-havo, tadbir ma’lumotlari, taqvim ta’sirlari va boshqa tashqi omillarni integratsiya qilishni taklif qiladi. Bunday integratsiyasiz tizim og‘ishni belgilashi mumkin; ammo uning sababini avtomatik tushuntirishda cheklangan bo‘ladi.

To‘rtinchidan, ish preprint bo‘lib, peer reviewdan o‘tmagan. Shu sababli natijalar qimmatli texnik taqqoslash sifatida ko‘rilishi kerak, ammo yakuniy tasdiqlangan ilmiy dalil yoki amaliyot standarti sifatida emas.

Ish nima deydi, nima demaydi?

Ish mobil tarmoq ma’lumotlaridan yaratilgan OD matritsalari orqali Madrid hududida soatlik harakatchanlik talabi deep learning modellari bilan yuqori aniqlikda bashorat qilinishi mumkinligini ko‘rsatadi. Muntazam davrlarda barcha modellar MAPE bo‘yicha 10 foizdan past bo‘lgan. Shuningdek, LSTM-CNN arxitekturasi anomaliya aniqlashda kamroq noto‘g‘ri belgilash beradigan, barqaror variant sifatida ajralib chiqqan.

Ish haqiqiy notekis hodisalarda barcha anomaliyalar albatta ushlanadi demaydi. Real vaqtli operatsion tizimga bevosita tayyor mahsulot taklif qilmaydi. Mobil tarmoq ma’lumotlari har bir shaharda bir xil sifat va qamrovga ega bo‘ladi deb kafolat bermaydi. Shuningdek, anomaliya sabablarini avtomatik tasniflash bu ishning asosiy qamrovi emas; bu kelajakda ob-havo va tadbir ma’lumotlari kabi tashqi o‘zgaruvchilar qo‘shilishi bilan rivojlantiriladigan yo‘nalish sifatida qoldirilgan.

Tadqiqotning metod va natijalari

Metod bosqichlari

1. Ma’lumot manbai: mobil tarmoq ma’lumotlaridan hosil qilingan kelib chiqish-manzil matritsalari ishlatilgan.
2. Ish maydoni: Madrid hududi 185 tumanga bo‘lingan.
3. Talab qatorlari: OD matritsalari soatlik boshlanuvchi safar talabiga aylantirilgan va 185 ta parallel soatlik vaqt qatori olingan.
4. Ma’lumot tanlovi: 2024 yildagi muntazam va to‘liq haftalar tanlangan; bayram va katta buzilish davrlari chiqarib tashlangan.
5. Kirish-chiqish tuzilmasi: oldingi to‘qqiz kunning soatlik talabi asosida keyingi bir kunning 24 soatlik talabi bashorat qilingan.
6. Model taqqoslanishi: LSTM, LSTM + ko‘p boshli e’tibor, LSTM + CNN va LSTM + ko‘p boshli e’tibor + CNN arxitekturalari sinovdan o‘tkazilgan.
7. Samaradorlik o‘lchovi: bashorat samaradorligi RMSE va MAPE bilan baholangan.
8. Anomaliya aniqlash: bashorat va kuzatuv qiymatlari Bollinger bandiga o‘xshash ishonch oralig‘lari bilan taqqoslangan.
9. Ekspert tasdig‘i: aniqlangan og‘ishlar harakatchanlik mutaxassislari bilan ko‘rib chiqilgan va kalibrlash shunga qarab baholangan.

Asosiy formulalar

Bashorat samaradorligi

Anormal bashorat va anomaliya aniqlash

Shakl va jadvallarning asosiy xulosalari

Madrid hududining tumanlarga bo‘linganini ko‘rsatuvchi xarita ishning keng hududiy miqyosda olib borilganini va 185 ta fazoviy birlikni qamrab olganini ko‘rsatadi. Bu usul kichik laboratoriya ma’lumoti bilan emas, balki haqiqiy hududiy harakatchanlik tuzilmasiga yaqin yuqori o‘lchamli ma’lumot bilan sinovdan o‘tganini bildiradi.

Bashorat solishtirish grafiklari barcha modellar kunlik talab to‘lqinini ushlaganini; ammo e’tibor mexanizmli modellar pik soatlarni, e’tiborsiz modellar esa past talab soatlarini yaxshiroq ifodalashini ko‘rsatadi. Bu topilma RMSE va MAPE natijalari bilan uyg‘un.

Anormal bashorat va anomaliya grafiklarida belgilangan nuqtalar ishonch oralig‘i chegaralariga juda yaqin ko‘rinadi. Bu vizual natija ishning matnli sharhini qo‘llab-quvvatlaydi: test haftasida aniqlangan qiymatlar haqiqiy anomaliya emas, balki tor ishonch oralig‘idan kelib chiqqan kichik og‘ishlar.

Jadvallar LSTM-CNN modelining anomaliya aniqlash nuqtayi nazaridan eng ustun arxitektura ekanini aniq ko‘rsatadi. Bu model ham bashorat aniqligini saqlagan, ham noto‘g‘ri anomaliya belgilashlarni kamaytirgan.

Umumiy texnik xulosa

Tadqiqotning asosiy texnik xulosasi shuki, katta miqyosli harakatchanlik talabini bashorat qilish uchun deep learning arxitekturalari kuchli samaradorlik ko‘rsatadi; biroq model tanlovi foydalanish maqsadiga qarab qilinishi kerak. Pik talab soatlarini ushlash ustuvor bo‘lsa, e’tiborli arxitekturalar afzaldir. Past talab davrlarida barqaror nisbiy xato va kamroq noto‘g‘ri anomaliya kerak bo‘lsa, LSTM-CNN kabi e’tiborsiz gibrid modellar muvozanatliroq natija beradi.

Anomaliya aniqlash nuqtayi nazaridan natijalar faqat yaxshi bashorat qilish yetarli emasligini ko‘rsatadi. Ishonch oralig‘i kengligi, tarixiy o‘zgaruvchanlik, taqvim ta’sirlari va ekspert tasdig‘i aniqlash muvaffaqiyatiga bevosita ta’sir qiladi. Shu sababli ish avtomatik anomaliya aniqlashni inson ekspert tasdig‘i bilan birga ko‘rib chiqadigan yanada xavfsiz operatsion yondashuvni taklif qiladi.

Manba va metod izohi

Ushbu maqola Raquel Sánchez-Cauce, Oliva G. Cantú Ros, Miguel Picornell, Pablo Ruiz va Sergio Teso tomonidan tayyorlangan “Mobility Demand Forecasting and Anomaly Detection from Origin–Destination Matrices: A Benchmark of Deep Learning Architectures” nomli ishga asoslanib yozildi. Mualliflar Nommon Solutions and Technologies bilan bog‘liq. Ish Yevropa Ittifoqining Horizon Europe dasturi doirasida moliyalashtirilgan CONDUCTOR loyihasining bir qismidir.

Manba matni SSRNdagi preprint tadqiqot maqolasidir. Matnda ochiq ravishda “This preprint research paper has not been peer reviewed” jumlasi borligi uchun ish peer reviewdan o‘tmagan. Shu sababli natijalar hakamlikdan o‘tgan jurnal maqolasida aniq tasdiqlangan topilmalar kabi emas, balki texnik jihatdan batafsil, ammo hakamlik jarayoni yakunlanmagan preprint natijalari sifatida o‘qilishi kerak.

Ushbu mazmun PDFdagi ish asosida tayyorlandi. PDFda bo‘lmagan dala qo‘llanilishi kafolati, tijoriy muvaffaqiyat, real vaqtli tizimda aniq samaradorlik, barcha shaharlarda umumlashtirilish yoki barcha anomaliyalarni albatta ushlash da’vosi kiritilmagan. Ish metodikasi mobil tarmoq ma’lumotlaridan yaratilgan OD matritsalariga, deep learning asosidagi vaqt qatori bashoratiga va ishonch oralig‘i asosidagi anomaliya aniqlashga tayanadi.

Ish muntazam haftalar ustida sinovdan o‘tkazilgan; bayram va katta buzilish davrlari ataylab chiqarib tashlangan. Shu sababli usul muntazam talab sharoitlarida bashorat aniqligi va noto‘g‘ri anomaliya xulqi nuqtayi nazaridan baholangan. Haqiqiy anomaliya hodisalari mavjud bo‘lgan yanada notekis davrlarda samaradorlik alohida sinovdan o‘tkazilishi kerak. Bundan tashqari, ob-havo, tadbir ma’lumotlari va taqvim ta’sirlari kabi tashqi o‘zgaruvchilarni modelga kuchliroq integratsiya qilish kelajak ish mavzusi sifatida ko‘rsatilgan.