Цифровой двойник парковочного пространства

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.

цифровой двойник, парковки, заполняемость парковочных мест, машинное обучение, точки интереса, оптимизация

1. Amusan A.A., Ogunleye G.A. A Digital Twin-Enabled Smart Car Park Management System: Architecture and Impact on Emission Reduction // FUOYE Journal of Engineering and Technology. 2024. Vol. 9. No. 4. P. 629–635.

2. Coching J.K. et al. Digital Twinning Mechanism and Building Information Modeling for a Smart Parking Management System // Smart Cities. 2025. Vol. 8. No. 5. P. 146.

3. Zou Y. et al. A Digital Twin prototype for smart parking management // ECPPM 2022-eWork and eBusiness in Architecture, Engineering and Construction 2022. CRC Press, 2023. P. 250–257.

4. Chen W., Wang X., Wu M. Intelligent Parking Service System Design Based on Digital Twin for Old Residential Areas // Electronics. 2024. Vol. 13. No. 23. P. 4597.

5. Open Street Map. URL: https://www.openstreetmap.org/ (last access: 25.08.2025).

6. Gorparkovki Kazan'. Oficial'nyj sajt servisa parkovok . URL: https://parkingkzn.ru/ru/ (last access: 25.08.2025).

7. Aliguliyev R., Tahirzada S.F. Performance comparison of k-means, parallel k-means and k-means++ // Reliability: Theory & Applications. 2025. Vol. 20. No. S7 (83). P. 169–176.

8. Bazilevsky M.P. Reshenie optimizacionnoj zadachi ocenivaniya modelej polnosvyaznoj linejnoj regressii // Modeling and data analysis. 2024. Vol. 14. No. 1. P. 121–134.

9. Pyrnova O.A., Katasev A.S. Postroenie i ocenka effektivnosti modeli dereva reshenij dlya prognozirovaniya uspevaemosti obuchayushchihsya // Engineering Bulletin of the Don. 2024. No. 4 (112). P. 578–584.

10. Utkin L., Konstantinov A. Random survival forests incorporated by the Nadaraya-Watson regression // Informatics and Automation. 2022. Vol. 21. No. 5. P. 851–880.

11. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016. P. 785–794.

12. Matveeva K.A., Minnikhanov R.N., Katasev A.S. Svertochnaya nejrosetevaya model' akusticheskogo obnaruzheniya avarijno-spasatel'nyh mashin // Bulletin of the Technological University. 2024. Vol. 27. No. 1. P. 76–80.

13. Komartsova L.G., Kadnikov D.S. Issledovanie geneticheskih algoritmov dlya obucheniya mnogoslojnogo perseptrona // Neurocomputers: development, application. 2010. No. 12. P. 12–19.

14. Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. Vol. 9. No. 8. P. 1735–1780.

15. Emaletdinova L.Yu., Vildanov N.R., Katasev A.S. Ispol'zovanie nejrosetevoj modeli TCN-LSTM dlya prognozirovaniya znachenij vremennogo ryada // Scientific and Technical Bulletin of the Volga Region. 2023. No. 6. P. 62–64.