В статье рассматривается задача прогнозирования пассажирской загруженности трамваев с применением методов машинного обучения. Актуальность исследования обусловлена необходимостью повышения качества информирования пассажиров и оптимизации использования общественного транспорта. В работе предложен комплексный подход к сбору и подготовке данных: использованы треки транспортных средств, метеорологические данные, расписания пригородных поездов, информация о местах притяжения и результаты полевого подсчёта пассажиров табличным методом. Проведена обработка признаков, включающая декомпозицию временных меток, геокодирование остановок и расчёт производных параметров. На этапе исследовательского анализа выявлены ключевые закономерности пассажиропотока: суточная и недельная динамика, влияние прибытия электропоездов, корреляция загруженности с типом дня и расположением остановок. Для решения задачи прогнозирования обучены и сравнены три модели: линейная регрессия, случайный лес и градиентный бустинг. Наилучшие результаты продемонстрировала модель случайного леса, которая была выбрана для промышленного внедрения. Разработана программная реализация на Python с развёртыванием на Apache-сервере и использованием MySQL для хранения данных. Модель интегрирована в пользовательский веб-сервис: прогноз загруженности визуализируется в виде интуитивно понятной шкалы, что обеспечивает удобство восприятия информации пассажирами.

машинное обучение, прогнозирование пассажиропотока, общественный транспорт, трамвай, случайный лес, анализ данных, умный город

Искусственный интеллект и большие данные