Застосування машинного навчання для прогнозування заторів на дорогах у місті

Abstract

Ця кваліфікаційна робота присвячена розробці системи прогнозування заторів на дорогах у міських умовах із використанням методів машинного навчання. У сучасному світі, де рівень урбанізації стрімко зростає, проблема перевантаженості дорожньої інфраструктури є надзвичайно актуальною. Забезпечення своєчасної та точної інформації про можливі затори сприяє підвищенню ефективності дорожнього руху та зменшенню негативного впливу на довкілля. У даній роботі проведено аналіз предметної області, зокрема досліджено природу та динаміку міських транспортних потоків. Визначено вимоги до програмної системи, описано джерела збору даних про дорожню ситуацію (GPSдані, сенсори, камери, API Google Maps), розглянуто методи попередньої обробки інформації та виділення ключових ознак. Особливу увагу приділено вибору та реалізації алгоритмів машинного навчання, таких як Random Forest, для класифікації стану дорожнього руху та прогнозування виникнення заторів Розроблено архітектуру системи прогнозування, здійснено моделювання структури даних, реалізовано програмну частину проєкту з використанням мов програмування Python та бібліотек машинного навчання. Описано процес навчання та тестування моделі, розроблено програмний інтерфейс для виведення результатів та інтеграції з реальними даними Результатом роботи є функціональна система, яка дозволяє прогнозувати затори на основі аналізу історичних та поточних даних про дорожній рух. Реалізований інтерфейс забезпечує зручний доступ до прогнозної інформації, що може бути використано для підвищення ефективності роботи транспортних служб або створення мобільних застосунків для водіїв. Ця робота демонструє актуальність впровадження інтелектуальних систем у сферу транспортної логістики, а також надає практичні рекомендації та приклади реалізації інноваційних підходів до аналізу трафіку з використанням сучасних технологій машинного навчання.

-

Work for obtaining a bachelor's degree in the specialty 122 ‘Computer Science’ – Mykolaiv National Agrarian University, Mykolaiv 2025. This bachelor thesis is devoted to the development of a system for predicting traffic congestion in urban areas using machine learning methods. In today's world, where the level of urbanisation is rapidly increasing, the problem of congestion on the road infrastructure is extremely relevant. Providing timely and accurate information about possible congestion helps to improve road traffic efficiency and reduce the negative impact on the environment. This paper analyses the subject area, in particular, the nature and dynamics of urban traffic flows. The requirements for the software system are defined, the sources of traffic data collection (GPS data, sensors, cameras, Google Maps API) are described, and methods of preliminary information processing and key features extraction are considered. Particular attention is paid to the selection and implementation of machine learning algorithms, such as Random Forest, for classifying traffic conditions and predicting congestion. The architecture of the forecasting system is developed, the data structure is modelled, and the software part of the project is implemented using Python programming languages and machine learning libraries. The process of training and testing the model was described, and a software interface for displaying results and integrating with real data was developed The result of the work is a functional system that allows predicting traffic jams based on the analysis of historical and current traffic data. The implemented interface provides convenient access to forecast information that can be used to improve the efficiency of transport services or create mobile applications for drivers. This work demonstrates the relevance of introducing intelligent systems in the field of transport logistics, and provides practical recommendations and examples of implementing innovative approaches to traffic analysis using modern machine learning technologies.