МЕТОД КЛАСТЕРИЗАЦІЇ НЕЧІТКИХ С-СЕРЕДНІХ В ОРГАНІЗАЦІЇ ПАСАЖИРСЬКИХ ПЕРЕВЕЗЕНЬ У РОЗУМНОМУ МІСТІ
DOI:
https://doi.org/10.32782/tnv-tech.2025.1.24Ключові слова:
пасажирські перевезення; розумне місто; кластерний аналіз; метод нечітких С-середніх; системний аналізАнотація
Стрімке зростання обсягів даних, які потребують аналізу, групування і кластеризації, обґрунтовує у світовому масштабі актуальність пошуку методів їх кластеризації, що особливо слушно при організації громадських перевезень. Об’єктом дослідження є процес кластеризації методом нечітких С-середніх великих даних з організації пасажирських перевезень у місті. Предметом – засади оптимізації роботи громадського транспорту та покращення виконання їх графіків. Мета – дослідження особливостей використання методу нечітких С-середніх для оптимізації маршрутів при організації пасажирських перевезень. Завдання: дослідження особливостей метрики методу нечітких С-середніх при організації пасажирських перевезень у розумному місті; проведення поділу на кластери досліджуваного дата-сету; формування алгоритму кластеризації нечітких С-серед- ніх з врахуванням його ефективної метрики.У результаті досліджень встановлено, що при кластеризації дата-сету про час виконання громадським транспортом кожного перегону в межах кожної години доби для кожного тижня протягом року метод нечітких С-середніх з врахуванням метрики нечіткого розподілу є достатньо простим і ефективним для його обробки, має практичну цінність при виявленні перегонів чи їх груп, де зміни часу виконання кожного перегону для кожного тижня зумовлені змінами трафіку протягом доби або погодними умовами. Завдяки використання функції належності це сприяє сегментуванню транспортних маршрутів, знижує ймовірність отримання помилок, що підвищує якість прийняття управлінських рішень в організації перевезень.Висновки. У результаті використання методу нечітких С-середніх з врахуванням метрики нечіткого розподілу при визначенні кількості кластерів було встановлено різні за інтенсивністю трафіку та сезонністю ділянки досліджуваного маршруту. Обґрунтовано, що метод кластеризації нечітких С-середніх достатньо добре враховує специфіку поставленої задачі оптимізації організації пасажирських перевезень у розумному місті, а також є прости і ефективним при обґрунтуванні прийняття управлінських рішень щодо зміни графіків виконання перегонів транспортними засобами.
Посилання
Ezugwu A. E., Ikotun A. M., Oyelade O. O., Abualigah L., Agushaka J. O., Eke C. I., Akinyelu A. A. A comprehensive survey of clustering algorithms: State-of-the-art machine learning applications, taxonomy, challenges, and future research prospects. Engineering Applications of Artificial Intelligence. 2022. № 110, 104743. DOI: 10.1016/j.engappai.2022.104743
Singh J., Singh D. A comprehensive review of clustering techniques in artificial intelligence for knowledge discovery: Taxonomy, challenges, applications and future prospects. Advanced Engineering Informatics. 2024. № 62, 102799. DOI: 10.1016/j. aei.2024.102799
Bublyk M., Kowalska-Styczeń A., Lytvyn V., Vysotska V. The Ukrainian economy transformation into the circular based on fuzzy-logic cluster analysis. Energies. 2021. № 14(18). P. 5951. DOI: 10.3390/en14185951
EsterM., Kriegel H.-P., Sander J., Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise. Proc. of the 2-nd Int. Conf. on Knowledge Discovery and Data Mining. 1996. P. 226–231.
Kowalska-Styczeń A., Bublyk M., Lytvyn V. Green innovative economy remodeling based on economic complexity. Journal of Open Innovation: Technology, Market, and Complexity. 2023. V.9 (3), 100091. DOI: 10.1016/j.joitmc.2023.100091
Jain A. K. Data clustering: 50 years beyond K-means. Pattern Recognition Letters. 2010. № 31(8). P. 651–666. DOI: 10.1016/j.patrec.2009.09.011
Kohonen T. Self-Organizing Maps (3 ed). Bon, Springer, 2001. 554 p.
Matseliukh Y., Bublyk M., Bosak A., Naychuk-Khrushch M. The role of public transport network optimization in reducing carbon emissions. CEUR Workshop Proceedings. 2024. Vol. 3723. P. 340–364. URL: https://ceur-ws.org/Vol-3723/paper19. pdf
Koshtura D., Bublyk M., Matseliukh Y., Dosyn D., Chyrun L., Lozynska O., Karpov I., Peleshchak I., Maslak M., Sachenko O. Analysis of the demand for bicycle use in a smart city based on machine learning. CEUR workshop proceedings. 2020. Vol. 2631, P. 172–183. URL: https://ceur-ws.org/Vol-2631/paper13.pdf (дата звернення: 01.02.2025).
Asha A., Arunachalam R., Poonguzhali I., Urooj S., Alelyani S. Optimized RNN- based performance prediction of IoT and WSN-oriented smart city application using improved honey badger algorithm. Measurement. 2023. № 210. P. 112505. DOI: https:// doi.org/10.1016/j.measurement.2023.112505
Bezdek J. C. Pattern Recognition with Fuzzy Objective Function Algorithms. Bon, Springer, 1981, 245 p.
Boreiko O., Teslyuk V. Structural model of passenger counting and public transport tracking system of smart city.Perspective Technologies and Methods in MEMS Design, Proc. of Int. Conf. 2016. P. 124–126. DOI: https://doi.org/10.1109/ MEMSTECH.2016.7507533
Bublyk M., Udovychenko T., Medvid R. Concept of smart specialization in the context of the development of Ukraines economy. Economics. Ecology. Socium. 2019. № 3(2). P. 55–61. DOI: 10.31520/2616-7107/2019.3.2-6
Bublyk M.I., Dulyaba N.I., Petryshyn N.Y., Drymalovska K.V. Analysis of the development of educational and scientific activity of institutions of higher education. Economic analysis. 2018. № 28 (1). P. 30–39.
Katrenko A., Krislata I. Veres O., Oborska O., Basyuk T., Vasyliuk A., Rishnyak I., Demyanovskyi N., Meh O. Development of traffic flows and smart parking system for smart city. CEUR Workshop Proceedings. 2020. Vol. 2604. P. 730–745. URL: https:// ceur-ws.org/Vol-2604/paper50.pdf.
Podlesna L., Bublyk M., Grybyk I., Matseliukh Y., Burov Y., Kravets P., Lozynska O., Karpov I., Peleshchak I., Peleshchak R. Optimization model of the buses number on the route based on queueing theory in a Smart City. CEUR Workshop Proceedings. 2020. Vol. 2631. P. 502–515. URL: https://ceur-ws.org/Vol-2631/paper37. pdf (дата звернення: 01.02.2025).
Saxena A., Prasad M., Gupta A., Bharill N., Patel O. P., Tiwari A., Er M. J., Ding W., Lin C. A review of clustering techniques and developments. Neurocomputing. 2017. № 267. P. 664–681. DOI: 10.1016/j.neucom.2017.06.053
Fu Y., Wang X., Meng F., Wang S., Song Y., Wang Y. Behavioural loyalty analysis of bus passengers using multi-source data fusion. Journal of Transport Geography. 2025. № 123. P. 104143. https://doi.org/10.1016/ j.jtrangeo.2025.104143
Chen J., Zheng L., Hu Y., Wang W., Zhang H., Hu X. Traffic flow matrix-based graph neural network with attention mechanism for traffic flow prediction. Inf. Fusion. 2024. № 104. P. 102146. https://doi.org/10.1016/ j.inffus.2023.102146
Chen Z., Wen J., Geng Y. Predicting future traffic using hidden Markov models. Proc., 2016 IEEE 24th Int. Conf. on Network Protocols (ICNP). 2016. P. 11.
Celebi M. E., Kingravi H. A., Vela P. A. A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert Systems With Applications. 2012. № 40(1). P. 200–210. DOI: 10.1016/j.eswa.2012.07.021
Chukhray N. Shakhovska N., Mrykhina O., Bublyk M., Lisovska L. Consumer aspects in assessing the suitability of technologies for the transfer. Computer sciences and information technologies, CSIT 2019: Proc. of Int. Sci. Tech. Conf. 2019. V. 3. P. 142–147. DOI: 10.1109/STC-CSIT.2019.8929879
