Використання штучного інтелекту для прогнозування ефективності інвестицій у транспортну сферу
Анотація
У статті розглядається проблема прогнозування інвестицій у транспортну сферу з використанням методів штучного інтелекту. Традиційні економетричні та статистичні моделі, зокрема регресійний аналіз, ARIMA та методи експоненційного згладжування, мають низку суттєвих обмежень, таких як низька гнучкість, обмежена здатність до обробки великих обсягів даних та чутливість до змін зовнішнього середовища. У цьому контексті сучасні підходи, засновані на методах машинного навчання та глибоких нейронних мережах (RNN, LSTM, XGBoost, Random Forest, DNN), демонструють значну перевагу завдяки високій точності та адаптивності при прогнозуванні інвестицій, аналізі попиту на транспортні послуги та визначенні критичних точок навантаження інфраструктури.
У роботі запропоновано концептуальну модель прогнозування, яка інтегрує адаптивні аналітичні підходи з пояснюваним штучним інтелектом. Цей підхід дозволяє підвищити обґрунтованість фінансових стратегій у динамічних економічних умовах, враховуючи різноманітні фактори.
Дослідження також підкреслює важливість комплексного збору даних, що дозволяє уникати проблем із їх повнотою та надійністю, а також необхідність постійної оцінки ефективності моделей у процесі їх застосування. Результати цього дослідження мають практичне значення для стратегічного планування розвитку інфраструктури, оскільки вони дозволяють створювати більш точні прогнози та оптимізувати розподіл ресурсів
Посилання
2. Джексон, М. (2020). Макроекономічні фактори та їх вплив на рішення про інвестиції в транспорт. Журнал економіки транспорту, 38(2), 112–128.
3. Андерсон, Р. (2019). Пояснюваність моделей ШІ для інвестиційних рішень: проблеми та рішення. Журнал штучного інтелекту та фінансів, 31(4), 76–91.
4. Родрігес, С. (2022). Адаптивні моделі для прогнозування інвестицій у транс-порт: акцент на глобальні економічні зміни. Міжнародний журнал інженерії транспорту, 16(1), 88–101.
5. Хванг, С., & Парк, Дж. (2020). ШІ-моделі для прогнозування інвестицій у транспортні інфраструктури смарт-міст. Журнал розумних міст, 12(7), 453–470.
6. Патель, А., & Кумар, Д. (2018). Моделі машинного навчання для рішень про інвестиції в транспортну інфраструктуру. Міжнародний журнал штучного інтелекту в транспорті, 29(3), 105–118.
7. Чжан, Л., & Ю, Х. (2021). Аналіз великих даних для прогнозування інвестицій у транспорт: інтеграція ШІ технік. Журнал аналізу великих даних у транс-порті, 17(2), 189–204.
8. Ван, Й., & Чжан, Л. (2019). Глибинні нейронні мережі для прогнозування по-питу на громадський транспорт та стратегій інвестицій. Дослідження транспортних систем, 22(1), 44–57.
9. Сміт, П. (2022). Проблеми застосування ШІ для прогнозування інвестицій у транспорт: комплексний огляд. Штучний інтелект та наука про дані в транс-порті, 6(4), 95–110.
10. Лі, Х., & Кім, С. (2021). Використання XGBoost для прогнозування прибут-ковості інвестицій у транспорт. Журнал економіки транспорту, 49(1), 234–249.
11. Технічне регулювання у сфері стандартизації "розумних громад" та "розум-них міст": європейський досвід. Аналітична записка. URL: http://old2.niss.gov.ua/articles/2338/ (дата звернення: 01.04.2025).
12. Ismail, N. (2018). What are the most advanced smart cities in the world? URL: https://www.informationage.com/advanced-smart-cities-world-123470745/ (дата звернення: 01.04.2025).
13. Концепція “КИЇВ СМАРТ СІТІ 2020”. URL: https://www.kyivsmartcity.com/concept/ (дата звернення: 01.04.2025).
14. Martinez, A., & Lee, M. (2023). Forecasting Transport Investment Returns Using Hybrid AI Approaches. International Journal of Transport Economics, 41(2), 157–172.
15. Chen, Y., & Xu, L. (2023). AI-Driven Investment Decision Systems in Transport Infrastructure: A Comparative Study. Journal of Intelligent Transportation Sys-tems, 27(1), 22–39.
REFERENCES
1. Li, J. (2021). Deep learning for traffic flow prediction and investment decision-making in transport. Journal of Transport Research, 45(3), 234–247.
2. Jackson, M. (2020). Macroeconomic factors and their influence on investment de-cisions in transport. Journal of Transport Economics, 38(2), 112–128.
3. Anderson, R. (2019). Explainability of AI models for investment decisions: Issues and solutions. Journal of Artificial Intelligence and Finance, 31(4), 76–91.
4. Rodriguez, S. (2022). Adaptive models for predicting transport investments: Fo-cus on global economic changes. International Journal of Transport Engineering, 16(1), 88–101.
5. Hwang, S., & Park, J. (2020). AI models for forecasting investment in smart city transport infrastructures. Journal of Smart Cities, 12(7), 453–470.
6. Patel, A., & Kumar, D. (2018). Machine learning models for transport infrastruc-ture investment decisions. International Journal of Artificial Intelligence in Transport, 29(3), 105–118.
7. Zhang, L., & Yu, H. (2021). Big data analytics for transport investment forecast-ing: Integrating AI techniques. Journal of Big Data Analytics in Transport, 17(2), 189–204.
8. Wang, Y., & Zhang, L. (2019). Deep neural networks for public transport demand forecasting and investment strategies. Transport Systems Research, 22(1), 44–57.
9. Smith, P. (2022). Challenges in using AI for forecasting transport investments: A comprehensive review. Artificial Intelligence and Data Science in Transport, 6(4), 95–110.
10. Li, H., & Kim, S. (2021). Using XGBoost for forecasting profitability of transport investments. Journal of Transport Economics, 49(1), 234–249.
11. Natsionalʹnyy instytut stratehichnykh doslidzhenʹ. (n.d.). Tekhnichne rehuliuvan-nia u sferi standartyzatsii "rozumnykh hromad" ta "rozumnykh mist": yevro-peisʹkyy dosvid [Technical regulation in the field of standardization of “smart communities” and “smart cities”: European experience]. Retrieved April 1, 2025, from http://old2.niss.gov.ua/articles/2338/ [in Ukrainian].
12. Ismail, N. (2018). What are the most advanced smart cities in the world? Re-trieved April 1, 2025, from https://www.informationage.com/advanced-smart-cities-world-123470745/
13. Kyiv Smart City. (n.d.). Kontseptsiia “Kyiv Smart City 2020” [Kyiv Smart City 2020 Concept]. Retrieved April 1, 2025, from https://www.kyivsmartcity.com/concept/
14. Martinez, A., & Lee, M. (2023). Forecasting transport investment returns using hybrid AI approaches. International Journal of Transport Economics, 41(2), 157–172.
15. Chen, Y., & Xu, L. (2023). AI-driven investment decision systems in transport infrastructure: A comparative study. Journal of Intelligent Transportation Systems, 27(1), 22–39.
Авторське право (c) 2025 А.О. Белоус, К.В. Белоус
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
