Abstract
истемы общественного транспорта имеют важнейшее зна-чение для устойчивого развития городов, позволяя решать такие актуальные про-блемы, как транспортные заторы, воздействие на окружающую среду и городская мобильность. Однако динамичный и непредсказуемый характер пассажирского спроса усложняет распределение ресурсов и обеспечение эффективности транс-портных операций. Традиционные методы прогнозирования, включая ARIMA, не учитывают нелинейные и пространственно-временные особенности, характерные для современных транспортных систем, что обусловливает необходимость приме-нения более совершенных методологий. В настоящем исследовании представлена инновационная система прогнозирования пассажиропотока в реальном времени, адаптированная к сети общественного транспорта Астаны. Предлагаемая система использует современные модели машинного обучения, включая LightGBM, Random Forest, а также концептуальную пространственно-временную графовую нейронную сеть (ST-GNN), предложенную для последующей реализации. Поскольку компонент ST-GNN представлен на концептуальном уровне, экспериментальная оценка в дан-ном исследовании сосредоточена на ансамблевых моделях и моделях бустинга, та-ких как LightGBM и Gradient Boosting Regressor. Для устранения распространенных проблем, включая пропущенные значения, выбросы и временные несоответствия, был разработан комплексный конвейер предварительной обработки данных, обе-спечивающий высокое качество входных данных для построения прогнозных мо-делей. Предложенная система продемонстрировала следующие показатели: средняя абсолютная ошибка (MAE) — 1,06, среднеквадратичная ошибка (RMSE) — 1,70 и средняя абсолютная процентная ошибка (MAPE) — 34,8 %, что свидетельствует о более высокой эффективности прогнозирования по сравнению с традиционны-ми методами. Полученная точность обеспечивает возможность более точного про-гнозирования спроса, оптимизации распределения ресурсов и повышения качества