Abstract
Развитие интеллектуальных транспортных систем невозможно без использования методов прогнозирования, которые способны учитывать пространственно-временную структуру городской транспортной сети и эффективно работать с неполными и неточными данными. Эта задача особенно актуальна для городов Казахстана, где уровень цифровизации общественного транспорта значительно различается. Существующие системы мониторинга, как правило, предназначены только для сбора и визуализации данных, без возможности их интеллектуального анализа. В данной статье представлен глубокий обзор и методологический анализ современных подходов к прогнозированию времени в пути общественного транспорта. Особое внимание уделяется статистическим методам, алгоритмам машинного обучения, рекуррентным нейронным сетям и пространственно-временным графовым нейронным моделям. ыло выявлено, что классические регрессионные и временные модели не всегда обеспечивают достаточную точность прогнозирования, особенно в условиях нелинейной динамики транспортных процессов и высокой изменчивости дорожной обстановки. Однако методы глубокого обучения могут значительно повысить точность прогнозирования, особенно при наличии большого объема исторических данных. Однако их эффективность значительно снижается в условиях редких наблюдений и изменений в маршрутной структуре. Анализ современных исследований показал, что применение пространственно-временных графовых нейронных сетей является эффективным инструментом для прогнозирования времени в пути общественного транспорта. Эти сети способны учитывать топологию транспортной сети и взаимодействие между различными сегментами маршрутов, что позволяет более точно предсказывать время прибытия. В ходе исследования был разработан комплексный подход к прогнозированию времени в пути общественного транспорта, включающий в себя графовое представление транспортной сети, использование механизмов внимания и гибридное временное моделирование. Этот подход учитывает ключевые требования, необходимые для практического применения интеллектуальных моделей в условиях ограниченной цифровизации: устойчивость к пропускам данных, возможность переноса на новые маршруты и вычислительная эффективность. Полученные результаты открывают путь к экспериментальной апробации и внедрению интеллектуальных методов прогнозирования в системы диспетчеризации общественного транспорта, что значительно повысит эффективность и комфорт для пассажиров.