SHORT-TERM BUS PASSENGER DEMAND FORECASTING USING MACHINE LEARNING: A CASE STUDY OF ROUTE №50 IN ASTANA

Аннотация

В настоящем исследовании предложен машинно-обучающий подход для краткосрочного прогнозирования пассажиропотока в автобусной системе города Астаны, в частности для маршрута № 50. Учитывая стремительное развитие городов и рост транспортных проблем, точное прогнозирование спроса на автобусные перевозки является важным шагом к оптимизации распределения ресурсов, повышению качества обслуживания и повышению удовлетворённости пассажиров. В работе объединены данные из нескольких источников: сведения о пассажиропотоке от транспортной компании, данные о дорожном движении с шагом 15 минут и метеоусловия, а также предложена прогностическая модель, разработанная с использованием CatBoostRegressor. Данные собирались в течение одной недели декабря 2024 года и включали 9 819 записей о пассажиропотоке с общим числом посадок 22 111. По результатам исследования модель показала высокую производительность с RMSE 2 920 и 2 516 для направлений «A→B» и «B→A» соответственно, точно отражая структуру спроса в разное время и в разных местах. Анализ важности признаков выявил, что такими наиболее значимыми факторами, влияющими на спрос на автобусные перевозки, являются местоположение остановки, время суток и уровень дорожного затора. Полученные результаты закладывают основу для динамического распределения автобусов и оптимизации расписания в сложных городских условиях, характеризующихся суровыми зимами и пробками. Это исследование закрывает ключевые пробелы в литературе, разработав ресурсоэффективное решение для прогнозирования, адаптируемое к изменяющимся городским условиям при ограниченных исторических данных.