Рост уровня урбанизации и автомобилизации приводит к дефициту парковочных мест, что вызывает заторы, повышение выбросов и снижение качества жизни. Традиционные методы организации парковочного пространства не обеспечивают эффективного решения этой проблемы, что требует применения инструментов анализа данных и прогнозирования. В работе рассмотрено использование цифрового двойника парковочной системы города Казани. Проведены фильтрация и интеграция данных, выполнены кластеризация точек интереса и корреляционный анализ факторов, влияющих на заполняемость парковок. Для прогнозирования уровня загруженности обучены и сравнены модели линейной регрессии, дерева решений, случайного леса, XGBoost, MLP и LSTM. Наилучшие результаты продемонстрировала модель случайного леса. Разработанный прототип цифрового двойника обеспечивает мониторинг и сценарное моделирование, что делает его эффективным инструментом для оптимизации парковочного пространства и принятия управленческих решений.
Increasing urbanization and motorization lead to a shortage of parking spaces, resulting in congestion, increased emissions, and a declining quality of life. Traditional parking management methods are ineffective in addressing this issue, necessitating the use of data analysis and forecasting tools. This paper examines the use of a digital twin of the Kazan parking system. Data was filtered and integrated, points of interest were clustered, and a correlation analysis of factors influencing parking occupancy was performed. Linear regression, decision tree, random forest, XGBoost, MLP, and LSTM models were trained and compared to predict occupancy levels. The random forest model demonstrated the best results. The developed digital twin prototype enables monitoring and scenario modeling, making it an effective tool for parking space optimization and management decision-making.
The authors declare that there are no conflicts of interest present.