Прогнозирование пассажиропотока общественного транспорта: управление информационными системами с использованием архитектур CNN и LSTM

В данной работе предложена структура для эффективного представления и анализа пространственных и временных измерений панельных данных путем представления данных в виде пространственно-временной матрицы-изображения и продемонстрирована на кейсе прогнозирования пассажиропотока общественного транспорта. Оценено относительное качество ряда методов машинного обучения с акцентом на сверточные нейронные сети (CNN) и сети с длительной краткосрочной памятью (LSTM). Исследуются также архитектуры Sequential CNN-LSTM, Parallel CNN-LSTM и Augmented Sequential CNN-LSTM. Все модели сравниваются с регрессией методом наименьших квадратов с фиктивными переменными (fixed effects). Исторические данные по пассажиропотоку были предоставлены в рамках проекта, анализирующего влияние открытия новой линии метро на пассажиропоток. Результаты показывают, что прогнозы, полученные Sequential CNN-LSTM, оказались лучшими, и позволяют предположить, что предложенная структура может использоваться в приложениях, требующих точного моделирования спроса на общественный транспорт. Описанный процесс аугментации Sequential CNN-LSTM может быть использован для введения экзогенных переменных в модель, что потенциально делает модель более объяснимой и устойчивой в реальных условиях.