Please use this identifier to cite or link to this item:
http://elartu.tntu.edu.ua/handle/lib/49658| Title: | Розроблення інтелектуальної системи оптимізації маршрутів громадського транспорту із застосуванням нейронних мереж |
| Other Titles: | Development of an Intelligent Public Transport Route Optimization System Using Neural Networks |
| Authors: | Кіндратюк, Богдан Миколайович Шеремета, Олександр Васильович Kindratiuk, Bohdan Sheremeta, Oleksandr |
| Affiliation: | Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії. Кафедра комп’ютерно-інтегрованих технологій |
| Bibliographic description (Ukraine): | Кіндратюк Б.М., Шеремета О.В. Розроблення інтелектуальної системи оптимізації маршрутів громадського транспорту із застосуванням нейронних мереж : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 151 — автоматизація та комп’ютерно-інтегровані технології / наук. кер. Р. І. Королюк. Тернопіль : Тернопільський національний технічний університет ім. І. Пулюя, 2025. 79 с. |
| Issue Date: | 25-Jun-2025 |
| Date of entry: | 8-Jul-2025 |
| Publisher: | Тернопіль, ТНТУ |
| Country (code): | UA |
| Place of the edition/event: | Тернопільський національний технічний університет ім. І. Пулюя |
| Institution defense: | ЕК №20, 2025 р. |
| Supervisor: | Королюк, Ростислав Ігорович Koroliuk, Rostyslav |
| Committee members: | Коваль, Вадим Петрович Koval, Vadym |
| UDC: | 004.891:656.13.086.5 |
| Keywords: | громадський транспорт інтелектуальні системи оптимізація маршрутів нейронні мережі штучний інтелект машинне навчання Python public transport, , , , , , route optimisation neural networks machine learning artificial intelligence intelligent systems control Python |
| Number of pages: | 79 |
| Abstract: | Кваліфікаційна робота досліджує нейромережеву оптимізацію маршрутів громадського транспорту на основі реальних пасажиропотоків. У першому розділі узагальнено сучасні методи оптимізації, законодавчі вимоги та проаналізовано вихідні дані транспортної мережі. У другому розділі проаналізовано якість наборів даних, обґрунтовано вибір архітектури GNN + LSTM і сформовано інформаційну модель циклічного RL-навчання. У третьому розділі створено та випробувано прототип системи, інтегрований із PostGIS та Docker/Kubernetes, який скоротив середній час поїздки пасажира на 12 %. В четвертому розділі кваліфікаційної роботи: висвітлено питання з Безпеки життєдіяльності та Основ охорони праці. Об’єкт дослідження: Процеси функціонування систем громадського транспорту в умовах сучасного міського середовища. Предмет дослідження: Методи та моделі оптимізації маршрутів громадського транспорту із використанням штучних нейронних мереж та алгоритмів машинного навчання... The qualification work is devoted investigates neural network optimisation of public transport routes based on real passenger flows. The first section summarises modern optimisation methods and legislative requirements and analyses the initial data of the transport network. The second section analyses the quality of data sets, justifies the choice of GNN + LSTM architecture, and forms an information model of cyclic RL learning. The third section creates and tests a prototype system integrated with PostGIS and Docker/Kubernetes, which reduced the average passenger travel time by 12%. The fourth section of the thesis highlights issues of life safety and occupational health and safety. Object of research: The functioning of public transport systems in a modern urban environment. Subject of research: Methods and models for optimising public transport routes using artificial neural networks and machine learning algorithms. |
| Description: | Роботу виконано на кафедрі ком’пютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України Захист відбудеться 25 червня 2025 р. о 09 .00 годині на засіданні екзаменаційної комісії № 20 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул.Руська, 56, навчальний корпус №1, ауд. 403 |
| Content: | ВСТУП 8 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 12 1.1 Задача оптимізації маршрутної мережі громадського транспорту 12 1.2 Застосування методів ШІ у транспортному плануванні 17 1.3 Стан і перспективи застосування ШІ для оптимізації громадського транспорту 21 1.4 Висновок до першого розділу 24 РОЗДІЛ 2. ПРОЕКТНА ЧАСТИНА 26 2.1 Нейронні мережі як інструмент для оптимізаційних задач 26 2.2 Перцептрони та багатошарові мережі прямого поширення (MLP) 27 2.3 Рекурентні нейронні мережі (RNN) та послідовні моделі 28 2.4 Архітектури з механізмом уваги та трансформери 30 2.5 Графові нейронні мережі (GNN) у задачах маршрутизації 31 2.6 Інші типи нейронних мереж та гібридні підходи 33 2.7 Аналіз переваг та обмежень нейромережевих методів 34 2.8 Висновок до другого розділу 35 РОЗДІЛ 3. СПЕЦІАЛЬНА ЧАСТИНА 37 3.1 Постановка практичного завдання 37 3.2 Архітектура програмної системи 41 3.3 Навчання та налаштування системи 45 3.4 Отримані результати та приклади рішень 46 3.5 Переваги та недоліки системи 50 3.6 Висновок до третього розділу 52 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 55 4.1 Питання щодо безпеки життєдіяльності 55 4.2 Питання з основ охорони праці 58 4.3 Висновок до четвертого розділу 61 ВИСНОВКИ 62 ПЕРЕЛІК ДЖЕРЕЛ 66 ДОДАТКИ |
| URI: | http://elartu.tntu.edu.ua/handle/lib/49658 |
| Copyright owner: | © Кіндратюк Б.М., Шеремета О.В., 2025 |
| References (Ukraine): | 1 Guihaire, V., & Hao, J.-K. (2008). Transit network design and scheduling: A global review. Transportation Research Part A: Policy and Practice, 42(10), 1251–1273. DOI: 10.1016/j.tra.2008.03.011. 2 Kepaptsoglou, K., & Karlaftis, M. (2009). Transit route network design problem: Review. Journal of Transportation Engineering, 135(8), 491–505. DOI: 10.1061/(ASCE)0733-947X(2009)135:8(491). 3 Mandl, C. E. (1980). Evaluation and optimization of urban public transportation networks. European Journal of Operational Research, 5(6), 396–404. DOI: 10.1016/0377-2217(80)90126-5. 4 Nikolić, M., & Teodorović, D. (2013). Transit network design by Bee Colony Optimization. Expert Systems with Applications, 40(15), 5945–5955. DOI: 10.1016/j.eswa.2013.05.044. 5 Мацелюх, Ю., & Литвин, В. (2024). Аналіз пасажирських перевезень та вплив громадського транспорту на скорочення викидів вуглецю в розумному місті. Сучасний стан наукових досліджень та технологій в промисловості, 1(27). DOI: 10.30837/ITSSI.2024.27.109. 6 Holliday, A., & Dudek, G. (2023). Augmenting transit network design algorithms with deep learning. Proc. 26th IEEE International Conference on Intelligent Transportation Systems (ITSC), IEEE, 2023, 3122–3129. DOI: 10.1109/ITSC55140.2023.XXXXXX. 7 Holliday, A., & Dudek, G. (2024). A neural-evolutionary algorithm for autonomous transit network design. Proc. IEEE International Conference on Robotics and Automation (ICRA), 2024. (In press) 8 Kılıç, F., & Gök, M. (2014). A demand based route generation algorithm for public transit network design. Computers & Operations Research, 51, 21–29. DOI: 10.1016/j.cor.2014.05.016. 9 Hüsselmann, G., van Vuuren, J. H., & Andersen, S. J. (2023). An improved solution methodology for the urban transit routing problem. Computers & Operations Research, 149, 106481. DOI: 10.1016/j.cor.2022.106481. 10 Kovács, L., & Jlidi, A. (2024). Neural networks for vehicle routing problem. arXiv:2409.11290 [cs.AI]. DOI: 10.48550/arXiv.2409.11290. 11 Islam, K. A., Moosa, I. M., Mobin, J., Nayeem, M. A., & Rahman, M. S. (2019). A heuristic aided stochastic beam search algorithm for solving the transit network design problem. Swarm and Evolutionary Computation, 46, 154–170. DOI: 10.1016/j.swevo.2019.02.010. 12 Lin, H., & Tang, C. (2022). Analysis and optimization of urban public transport lines based on multiobjective adaptive particle swarm optimization. IEEE Transactions on Intelligent Transportation Systems, 23(9), 16786–16798. DOI: 10.1109/TITS.2021.3137858. 13 Bernas, M., Mykytyshyn, A., Kartashov, V., Levytskyi, V. & Martjanov, D. (2023) The Role of Cyber-Physical Systems and Internet of Things in Development of Smart Cities for Industry 4.0. CEUR Workshop Proceedings. Vol. 3468,. P. 91–102. 14 Li, C., Bai, L., Liu, W., Yao, L., & Waller, S. T. (2020). Graph neural network for robust public transit demand prediction. IEEE Transactions on Intelligent Transportation Systems. DOI: 10.1109/TITS.2020.3043429. 15 Kar, A., Carrel, A., Miller, H. J., & Le, H. T. (2022). Public transit cuts during COVID-19 compound social vulnerability in 22 US cities. Transportation Research Part D: Transport and Environment, 110, 103435. DOI: 10.1016/j.trd.2022.103435. 16 Jeong, R., & Rilett, L. (2004). Bus arrival time prediction using artificial neural network model. Proc. IEEE 7th International Conference on Intelligent Transportation Systems, 988–993. DOI: 10.1109/ITSC.2004.1398963. 17 Vinyals, O., Fortunato, M., & Jaitly, N. (2015). Pointer Networks. In Advances in Neural Information Processing Systems, 28 (NIPS 2015), 2692–2700. 18 Bello, I., Pham, H., Le, Q. V., Norouzi, M., & Bengio, S. (2016). Neural combinatorial optimization with reinforcement learning. arXiv:1611.09940 [cs.LG]. 19 Nazari, M., Oroojlooy, A., Snyder, L. V., & Takác, M. (2018). Reinforcement learning for solving the vehicle routing problem. NeurIPS 2018 Workshop on Machine Learning for Systems (arXiv:1802.04240). 20 Nextbillion.ai (2025). How Deep Learning is Revolutionizing Route Optimization Algorithms. NextBillion.ai Blog, Feb 13, 2025. [Online]. Available: https://nextbillion.ai/blog/deep-learning-in-route-optimization 21 Kool, W., van Hoof, H., & Welling, M. (2019). Attention, Learn to Solve Routing Problems! In 7th International Conference on Learning Representations (ICLR). 22 Kim, M., Park, J., et al. (2021). Learning collaborative policies to solve NP-hard routing problems. In Advances in Neural Information Processing Systems, 34, 10418–10430. 23 23 Методичні рекомендації з виконання, оформлення та захисту кваліфікаційних робіт бакалаврів спеціальності 151 – «Автоматизація та комп’ютерно-інтегровані технології» / ТНТУ ім. І. Пулюя; уклад. А.Г. Микитишин, В.В. Левицький, Р.І. Королюк – Тернопіль: ТНТУ, 2023. – 80 с. http://elartu.tntu.edu.ua/handle/lib/41603 24 Iliopoulou, C., Kepaptsoglou, K., & Vlahogianni, E. I. (2019). Metaheuristics for the transit route network design problem: a review and comparative analysis. Public Transport, 11(3), 487–521. DOI: 10.1007/s12469-019-00200-5. 25 Lv, Y., Duan, Y., Kang, W., Li, Z., & Wang, F. (2015). Traffic flow prediction with big data: a deep learning approach. IEEE Transactions on Intelligent Transportation Systems, 16(2), 865–873. DOI: 10.1109/TITS.2014.2345663. 26 Zhou, W., Li, X., & Shi, X. (2023). A multi-objective mathematical programming model for transit network design and frequency setting problem. Sustainability, 15(1), 123. DOI: 10.3390/su15010123. 27 Yatsunenko, R. (2023). Розробка автоматизованої системи оптимізації маршрутів з використанням штучного інтелекту. Матеріали студентської наукової конференції, КНТЕУ, 2023, 136–142. 28 Ceder, A. (2016). Public Transit Planning and Operation: Modeling, Practice and Behavior (2nd ed.). CRC Press. 29 Luo, Z., Wu, J., & Sun, H. (2019). Deep learning in transport simulation and optimization: approaches and applications. Journal of Traffic and Transportation Engineering, 6(5), 461–470. DOI: 10.1016/j.jtte.2018.07.005. 30 Holliday, A., & Dudek, G. (2022). Neural Bee Colony Optimization: A Case Study in Public Transit Network Design. arXiv preprint arXiv:2212. 31 Микитишин А.Г., Митник М.М., Стухляк П.Д. Телекомунікаційні системи та мережі: навчальний посібник для студентів спеціальності 151 «Автоматизація та комп’ютерно-інтегровані технології» – Тернопіль: ТНТУ ім.Івана Пулюя, 2017 – 384 с 32 Stanko, A., Palka, O., Matiichuk, L., Martsenko, N., & Matsiuk, O. (2021, September). Smart City: A Review of Model Architecture and Technology. In 2021 IEEE 16th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 273–277). IEEE. 33 Duda, O., Mykytyshyn, A., Mytnyk, M., & Stanko, A. Information technology sets formation and" TNTU Smart Campus" services network support. Proceedings of the 3rd International Workshop on ITTAP 2023,Ternopil, Ukraine, Opole, Poland, November 22–24, 2023. 34 Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання / укл.: Стручок В. С. Тернопіль: ФОП Паляниця В. А., 2022. 156 с. |
| Content type: | Bachelor Thesis |
| Appears in Collections: | 151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| KRB_Kindratiuk_Sheremeta_2025.pdf | Кваліфікаційна робота бакалавра | 1,33 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
Admin Tools