СИСТЕМА ПРОГНОЗУВАННЯ ПОПИТУ НА ТАКСІ В РІЗНИХ РАЙОНАХ МІСТА

Abstract

Метою роботи є скорочення середнього часу очікування клієнтів таксі шляхом створення програмної системи прогнозування попиту в різних районах міста на основі аналізу просторово-часових даних і застосування методів машинного навчання, що забезпечує завчасний перерозподіл автомобілів у зони з прогнозованим підвищенням попиту.

Серверна частина реалізована мовою Python із використанням Django REST Framework. Для зберігання даних використано PostgreSQL, яке дозволяє працювати з просторовими об’єктами та координатами районів міста. Інтелектуальний модуль прогнозування створено на базі бібліотек TensorFlow, Keras і scikit-learn із використанням архітектури LSTM. Клієнтська частина системи побудована з використанням React.js, Chart.js і Leaflet.js, що забезпечує інтерактивну візуалізацію прогнозів у вигляді графіків і карт міста.

У результаті розроблено програмну систему, яка дозволяє прогнозувати попит на таксі, скорочувати середній час очікування клієнтів і підвищувати ефективність роботи автопарку.

References 

1. Faghih M., Safikhani A., et al. Predicting Short-Term Uber Demand Using Spatio-Temporal Modeling. arXiv. URL: https://arxiv.org/pdf/1712.02001 (Accessed: 01.07.2026).

2. Tang J., Zheng Y., Li Y., Yi X., Liu J. Urban ride-hailing demand prediction with multiple spatio-temporal graphs. Transportation Research Part C: Emerging Technologies. 2021. № 123. DOI: https://doi.org/10.1016/j.trc.2021.102974 (Accessed: 01.07.2026).

3. Bolt Blog. URL: https://blog.bolt.eu ((Accessed: 01.07.2026).

4. Uber Engineering. Forecasting at Uber: An Introduction. Uber Blog. URL: https://www.uber.com/blog/forecasting-introduction/ (Accessed: 01.07.2026).

5. Uber Engineering. Engineering Extreme Event Forecasting at Uber with Recurrent Neural Networks. Uber Blog. URL: https://www.uber.com/blog/neural-networks/ (Accessed: 01.07.2026).

6. Zhang J., Zheng Y., Qi D. Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows. arXiv. URL: https://arxiv.org/abs/1610.00081 (Accessed: 01.07.2026).

7. Yao H., Tang X., Wei H., Zheng G., Li Z. Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction (DMVST-Net). arXiv. URL: https://arxiv.org/abs/1802.08714 (Accessed: 01.07.2026).

8. Liu H., Wu Z., Zhang L., Hu Y., Chen Y. STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network for Enhanced Long-Term Taxi Demand Prediction. arXiv. URL: https://arxiv.org/abs/2306.14476 (Accessed: 01.07.2026).

9. Lyft Engineering Blog. URL: https://eng.lyft.com (Accessed: 01.07.2026).

10. Lyft – Real-Time Spatial Temporal Forecasting at Lyft. URL: https://eng.lyft.com/real-time-spatial-temporal-forecasting-lyft-fa90b3f3ec24 (Accessed: 01.07.2026).

11. Zhou X., Li Y., Wang H. Supply-Demand Forecasting for a Ride-Hailing System. eScholarship, University of California. URL: https://escholarship.org/uc/item/7hr5t5vv (Accessed: 01.07.2026).

12. Portal vydkrytyh danyh NYC Taxi and Limousine Commission (TLC). URL: https://www.nyc.gov/site/tlc/about/tlc-trip-record-data.page (Accessed: 01.07.2026).

13. Blog Uklon Engineering. URL: https://engineering.uklon.com.ua (Accessed: 01.07.2026).

14. Oficiyniy sait Bolt Ukraina. URL: https://bolt.eu/uk-ua/ (Accessed: 01.07.2026).

15. Liu Z., Chen W., Huang Y., Zheng Y. One Model Fits All: Cross-Region Taxi-Demand Forecasting. arXiv. URL: https://arxiv.org/abs/2310.18215 (Accessed: 01.07.2026).

16. Han Y., Wang Y., Sun J., Wang J. Predicting Taxi and Uber Demand in Cities: Approaching the Limit of Predictability. ResearchGate. URL: https://www.researchgate.net/publication/337876513_Predicting_Taxi_and_Uber_Demand_in_Cities_Approaching_the_Limit_of_Predictability (Accessed: 01.07.2026).