Інтелектуальна геоінформаційна система для прогнозування міських проблем із застосуванням моделей машинного навчання та гейміфікації
Анотація
Розроблено інтелектуальну геоінформаційну систему для управління міськими інцидентами на підставі клієнт-серверної архітектури (ASP.NET Core, React), яка інтегрує геопросторовий сервіс, аналітичну панель і модуль прогнозування. Основною інновацією є поєднання двох типів прогностичних моделей (LightGBM (англ. Light Gradient Boosted Machine) для тривалості виконання заявки та SSA (англ. Singular Spectrum Analysis) для кількості звернень) з подієво-орієнтованим модулем гейміфікації, який не тільки підвищує залученість громадян до збирання даних про міські проблеми, але й створює механізм зворотного зв'язку для цілеспрямованого покращення якості вхідних даних для навчання і тестування самих моделей. Проаналізовано відкритий набір даних "Звернення на Гарячу лінію міста Львова" (2022-2024 рр.) та на його основі впроваджено моделі машинного навчання засобами ML.NET. Проведено багатоетапну підготовку даних для регресійної задачі: початковий набір даних із 362 тис. записів очищено від дублікатів, відфільтровано за тривалістю виконання (60-17500 хв) та категоріями (>5000 прикладів), сформувавши фінальний навчальний набір даних із 118 708 записів. Виконано детальну інженерію ознак (англ. Feature Engineering) шляхом генерування циклічних часових (sin/cos) та геопросторових (широта, довгота) ознак, а також доповнення погодними характеристиками. Для забезпечення високої продуктивності та потокобезпечного доступу до моделей у режимі реального часу обґрунтовано та реалізовано інженерне рішення з використанням механізму PredictionEnginePool. Проведено детальну валідацію розроблених моделей. Встановлено, що регресійна модель LightGBM пояснює 64 % варіативності тривалості виконання заявки (R2 = 0,640, MAE = 1707,9 хв). Виявлено через аналіз важливості ознак домінування операційних факторів ("Виконавець", "Категорія") над зовнішніми ознаками (погодні умови). З'ясовано, що багатомодельна архітектура SSA для прогнозування кількості звернень, попри помірну середню відносну точність (середня абсолютна помилка MAE = 32,6 %), правильно відтворює ключові часові патерни, зокрема – тижневу сезонність, що є придатним для операційного планування. Продемонстровано візуалізацію результатів в інтерфейсі, враховуючи інтерактивну карту з кластеризацією та спеціалізовані панелі для відображення прогнозів. Визначено, що запропонований гібридний підхід відкриває перспективи для побудови проактивних систем управління містом, де якість прогнозування та якість вхідних даних посилюють одне одного.
Завантаження
Посилання
Asif, N., Hong, Z., Ren, S., Zhang, X., Shang, X., & Yuan, Y. (2025). MuST²-Learn: Multi-view spatial-temporal-type learning for heterogeneous municipal service time estimation. arXiv. https://doi.org/10.48550/arXiv.2508.16503
Bastos, D., Fernández-Caballero, A., Pereira, A., & Rocha, N. P. (2022). Smart City Applications to Promote Citizen Participation in City Management and Governance: A Systematic Review. Informatics, 9(4), article ID 89. https://doi.org/10.3390/informatics9040089
Canli, H., & Toklu, S. (2021). Deep learning-based mobile application design for smart parking. IEEE Access, 9, 61171–61183. https://doi.org/10.1109/ACCESS.2021.3074887
Gkontzis, A. F., Kotsiantis, S., Feretzakis, G., & Verykios, V. S. (2024). Enhancing Urban Resilience: Smart City Data Analyses, Forecasts, and Digital Twin Techniques at the Neighborhood Level. Future Internet, 16(2), article ID 47. https://doi.org/10.3390/fi16020047
Jin, G., Liang, Y., Fang, Y., Huang, J., Zhang, J., & Zheng, Y. (2023). Spatio-temporal graph neural networks for predictive learning in urban computing: A survey. arXiv. https://doi.org/10.48550/arXiv.2303.14483
Lviv City Council. (2025). Dataset – Open Data Portal of Lviv. Lviv Municipal Enterprise "City Institute of Information Technologies". [In Ukrainian]. URL: https://opendata.city-adm.lviv.ua/dataset
Martin, R. J., Mousavi, R., & Saydam, C. (2021). Predicting emergency medical service call demand: A modern spatiotemporal machine learning approach. Operations Research for Health Care, 28, article ID 100285. https://doi.org/10.1016/j.orhc.2021.100285
Megouo, T. G. P., & Pierre, S. (2024). A stacking ensemble machine learning model for emergency call forecasting. IEEE Access, 12, 115820–115837. https://doi.org/10.1109/ACCESS.2024.3445591
Microsoft. (2025). ML.NET documentation – Tutorials, API reference. Microsoft Learn. URL: https://docs.microsoft.com/uk-ua/dotnet/machine-learning/
Okojie, J., Ike, P., Idu, J., Nnabueze, S. B., Filani, O., & Ihwughwavwe, S. (2023). Predictive analytics models for monitoring smart city emissions and infrastructure risk in urban ESG planning. International Journal of Multidisciplinary Futuristic Development, 4(1), 45–57. https://doi.org/10.54660/IJMFD.2023.4.1.45-57
Puritat, K. (2019). A gamified mobile-based approach with web monitoring for a crowdsourcing framework designed for urban problems related smart government: A case study of Chiang Mai, Thailand. International Journal of Interactive Mobile Technologies (iJIM), 13(12), 55–66. https://doi.org/10.3991/ijim.v13i12.10989
Romano, M., Díaz, P., & Aedo, I. (2022). Gamification-less: May gamification really foster civic participation? A controlled field experiment. Journal of Ambient Intelligence and Humanized Computing, 13(9), 4451–4465. https://doi.org/10.1007/s12652-021-03322-6
Santos, A., Aquino, F., Furtado, L., Silva, T., & Cruz, L. (2021). Gamification and civic engagement in digital government applications: A review. Proceedings of the 9th Workshop on Applied Computing in E-Government, (pp. 167–178). SBC. https://doi.org/10.5753/wcge.2021.15986
Toharudin, T., et al. (2023). Boosting algorithm to handle unbalanced classification of PM2.5 concentration levels by observing meteorological parameters in Jakarta-Indonesia using AdaBoost, XGBoost, CatBoost, and LightGBM. IEEE Access, 11, 35680–35696. https://doi.org/10.1109/ACCESS.2023.3265019
Tong, T.-E., Haw, S.-C., Ng, K.-W., Al-Tarawneh, M., & Tong, G.-K. (2024). Performance evaluation on resolution time prediction using machine learning techniques. JOIV: International Journal on Informatics Visualization, 8(2), 583–591. https://doi.org/10.62527/joiv.8.2.2305
Wang, B., Wu, P., Chen, Q., & Ni, S. (2021). Prediction and analysis of train passenger load factor of high-speed railway based on LightGBM algorithm. Journal of Advanced Transportation, 2021, article ID 9963394. https://doi.org/10.1155/2021/9963394
Wang, J., Peng, X., Wu, J., Ding, Y., Ali, B., Luo, Y., Hu, Y., & Zhang, K. (2023). Singular spectrum analysis (SSA) based hybrid models for emergency ambulance demand (EAD) time series forecasting. IMA Journal of Management Mathematics, 35(1), 45–64. https://doi.org/10.1093/imaman/dpad019
Zhang, Y., Zhu, C., & Wang, Q. (2020). LightGBM-based model for metro passenger volume forecasting. IET Intelligent Transport Systems, 14(11), 1815–1823. https://doi.org/10.1049/iet-its.2020.0396
Zhao, J., He, J., Wang, J., & Liu, K. (2025). Energy Consumption Prediction for Electric Buses Based on Traction Modeling and LightGBM. World Electric Vehicle Journal, 16(3), article ID 159. https://doi.org/10.3390/wevj16030159
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
