Details

Данная работа посвящена разработке и исследованию метода прогнозирования места прибытия арендованных транспортных средств по информации, доступной в момент начала поездки. Рассматриваемая задача связана с сервисами совместной мобильности, в которых место завершения поездки влияет на дальнейшее распределение доступных транспортных средств в городской среде. В работе используется вероятностная постановка задачи. В отличие от подходов, ориентированных на точечное предсказание координат, предложенный метод формирует распределение вероятностей по ячейкам регулярной пространственной сетки. Для учета различной степени пространственной детализации используются сетки с размером ячейки 1000, 500 и 250 м, объединенные в иерархическую схему. Входное описание поездки включает пространственные, временные и контекстные признаки, доступные в момент ее начала. Для извлечения скрытого представления из входных признаков применяется кодировщик на основе архитектуры FT-Transformer. Выходные вероятностные карты формируются с использованием иерархической схемы пространственных декодеров. Экспериментальная проверка проводилась на двух открытых наборах данных: сервисов индивидуальных пассажирских перевозок города Нью-Йорк и сервисов совместной мобильности города Мюнхен. Эти наборы различаются способом задания места прибытия, где в данных Нью-Йорка оно представлено зоной, а в данных Мюнхена – координатой. Качество прогнозирования оценивалось с использованием относительной ошибки по сравнению со средним распределением и Top-K метрик. Полученные результаты показали, что предложенная модель превосходит базовое среднее распределение на всех рассматриваемых уровнях пространственного разрешения для обоих наборов данных. Дополнительно были исследованы влияние объема обучающей выборки, групп входных признаков, исторических признаков и раздельного обучения по интервалам длительности поездок.

This thesis is devoted to the development and experimental evaluation of a method for predicting the arrival location of rented vehicles based on information available at the start of a trip. The considered problem is related to shared mobility services, where the trip completion location affects the subsequent distribution of available vehicles in the urban environment. The work uses a probabilistic formulation of the prediction problem. Unlike approaches focused on point prediction of arrival coordinates, the proposed method forms a probability distribution over the cells of a regular spatial grid. To account for different levels of spatial detail, grids with cell sizes of 1000, 500, and 250 m are used and combined into a hierarchical scheme. The trip input description includes spatial, temporal, and contextual features available at the beginning of the trip. An encoder based on the FT-Transformer architecture is used to extract a latent representation from the input features. The output probability maps are formed using a hierarchical scheme of spatial decoders. The experimental evaluation was conducted on two open datasets: a dataset of individual passenger transportation services in New York City and a dataset of shared mobility services in Munich. These datasets differ in the way the arrival location is specified: in the New York City data, it is represented by a zone, while in the Munich data, it is represented by coordinates. Prediction quality was evaluated using relative error compared with the average distribution and Top-K metrics. The results showed that the proposed model outperforms the baseline average distribution at all considered spatial resolution levels for both datasets. Additional experiments were conducted to evaluate the influence of the training sample size, input feature groups, historical features, and separate training by trip duration intervals.