Метод K-середніх для аналізу даних з організації пасажирських перевезень у розумному місті
DOI:
https://doi.org/10.30837/2522-9818.2025.1.083Ключові слова:
пасажирські перевезення; розумне місто; кластерний аналіз; метод K-середніх; системний аналіз.Анотація
Щороку методи кластеризації великих даних набувають популярності в прийнятті рішень з організації пасажирських перевезень у розумному місті, забезпечуючи ефективність, адаптивність і екологічність транспортної системи. Актуальність зазначених методів зумовлена зростанням обсягів даних, зміною попиту та негативним впливом транспорту на довкілля. Об’єктом дослідження є процес кластеризації масивів даних з організації пасажирських перевезень. Предмет дослідження – засади вивчення метрик кластеризації в процесі обчислення кількості кластерів виконання графіків перевезень. Мета роботи полягає в застосуванні з огляду на метрики якості методу K-середніх для кластеризації даних з організації пасажирських перевезень у розумному місті. Для досягнення мети необхідно виконати такі завдання: дослідити особливості методів кластеризації та їх метрик; проаналізувати масштабний неоднорідний набір даних щодо тривалості перегонів електротранспортом у середньому за розмірами міста; розробити ефективний алгоритм вибору методу обчислення кількості кластерів на основі метрик оцінювання якості кластеризації даних. Упроваджено методи аналізу, синтезу, узагальнення, порівняння, групування, кластерного аналізу, системного аналізу, метод K-середніх. Досягнуті результати. Установлено, що вибір методу кластеризації залежить від особливостей завдання, характеристик даних і цілей аналізу транспортних потоків. Виявлено складну, неоднорідну й необроблену структуру даних щодо тривалості перегонів електротранспортом. Кластерний аналіз методом K-середніх зумовлено потребою в точному розподілі даних між кластерами. Запропоновано алгоритм вибору методу обчислення кількості кластерів на основі метрик оцінювання якості кластеризації даних, серед яких метод ліктя, метод силуету та індекс Калінського – Харабаша. Рекомендовано застосовувати кластеризацію для створення маршрутів із скороченим часом очікування, меншою кількістю пересадок та відповідністю до потреб пасажирів. Висновки. Метод K-середніх використано для аналізу тривалості виконання перегонів електротранспортом. Аналіз даних виявив ділянки маршрутів із різною інтенсивністю транспортних потоків, що залежить від сезонності, їх розташування в міських зонах тощо. Запропоновано алгоритм вибору методу обчислення кількості кластерів на основі внутрішніх метрик.
Посилання
Список літератури
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. No. 267. P. 664–681. DOI: 10.1016/j.neucom.2017.06.053
Isoli N., Chaczykowski M. Net energy analysis and net carbon benefits of CO2 capture and transport infrastructure for energy applications and industrial clusters. Applied Energy. 2025. No. 382, 125227 р. DOI: 10.1016/j.apenergy.2024.125227
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 р. DOI: 10.1016/j.joitmc.2023.100091
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).
Bianchini D., De Antonellis V., Garda M. A big data exploration approach to exploit in-vehicle data for smart road maintenance. Future Generation Computer Systems. 2023. No. 149. P. 701–716. DOI: 10.1016/j.future.2023.08.004
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 (дата звернення: 01.02.2025).
Matseliukh Y., Bublyk M., Vysotska V. Development of intelligent system for visual passenger flows simulation of public transport in Smart City based on neural network. CEUR Workshop Proceedings. 2021. Vol. 2870. P. 1087–1138. URL: https://ceur-ws.org/Vol-2870/paper82.pdf (дата звернення: 01.02.2025).
Visan M., Negrea S. L., Mone F. Towards intelligent public transport systems in Smart Cities; Collaborative decisions to be made. Procedia Computer Science. 2021. No. 199. P. 1221–1228. DOI: 10.1016/j.procs.2022.01.155
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. No. 110, 104743 р. DOI: 10.1016/j.engappai.2022.104743
Chavent M., Lechevallier Y., Briant O. DIVCLUS-T: A monothetic divisive hierarchical clustering method. Computational Statistics & Data Analysis. 2007. No. 52(2). P. 687–701. DOI: 10.1016/j.csda.2007.03.013
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. No. 40(1). P. 200–210. DOI: 10.1016/j.eswa.2012.07.021
Bublyk M., Kowalska-Styczeń A., Lytvyn V., Vysotska V. The Ukrainian economy transformation into the circular based on fuzzy-logic cluster analysis. Energies. 2021. No. 14(18). 5951 р. DOI: 10.3390/en14185951
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. No. 62, 102799 р. DOI: 10.1016/j.aei.2024.102799
Yan J., Liu J., Tseng F. An evaluation system based on the self-organizing system framework of smart cities: A case study of smart transportation systems in China. Technological Forecasting and Social Change. 2020. No. 153, 119371 р. DOI: 10.1016/j.techfore.2018.07.009
Matseliukh Y., Vysotska V., Bublyk M. Intelligent system of visual simulation of passenger flows. CEUR Workshop Proceedings. 2020. Vol. 2604. P. 906–920. URL: https://ceur-ws.org/Vol-2604/paper60.pdf (дата звернення: 01.02.2025).
Prasetio E. A., Novizayanti D., Putri A. N. A. Cluster analysis of potential autonomous vehicle (AV) adopters in Indonesia’s new capital. Transportation Research Interdisciplinary Perspectives. 2024. No. 29, 101318 р. DOI: 10.1016/j.trip.2024.101318
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. No. 62, 102799 р. DOI: 10.1016/j.aei.2024.102799
Liu J., Li J., Chen Y., Lian S., Zeng J., Geng M., Zheng S., Dong Y., He Y., Huang P., Zhao Z., Yan X., Hu Q., Wang L., Yang D., Zhu Z., Sun Y., Shang W., Wang D., Chen X. Multi-scale urban passenger transportation CO2 emission calculation platform for smart mobility management. Applied Energy. 2023. No. 331, 120407 р. DOI: 10.1016/j.apenergy.2022.120407
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
Bezdek J. C. Pattern Recognition with Fuzzy Objective Function Algorithms. Bon, Springer, 1981, 245 p.
Bublyk M., Vysotska V., Matseliukh Y., Mayik V., Nashkerska M. Assessing Losses of Human Capital Due to Man-Made Pollution Caused by Emergencies. CEUR Workshop Proceedings. 2020. Vol. 2805. P. 74–86. URL: https://ceur-ws.org/Vol-2805/paper6.pdf (дата звернення: 01.02.2025).
Бублик М.І., Бабій Т.І. Розвиток логістики в сучасних умовах функціонування ринку. Науковий вісник НЛТУ України. 2009. No. 19(6). C. 138–142.
EsterM., Kriegel H.-P., Sander J., Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. 1996. P. 226–231.
Jain A. K. Data clustering: 50 years beyond K-means. Pattern Recognition Letters. 2010. No. 31(8). P. 651–666. DOI: 10.1016/j.patrec.2009.09.011
Kohonen T. Self-Organizing Maps (3rd ed.). Bon, Springer, 2001. 554 p.
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).
Литвин В., Бублик М., Висоцька В., Мацелюх Ю. Технологія візуальної симуляції пасажиропотоків у сфері громадського транспорту Smart City. Радіоелектроніка, iнформатика, управління. 2022. №4. С. 106–121. DOI: 10.15588/1607-3274-2021-4-10
Law A. M. Simulation Modeling and Analysis (5th ed.). Bon, McGraw-Hill, 2015. 495 p.
Nath N., Nitanai R., Manabe R., Murayama A. A global-scale review of smart city practice and research focusing on residential neighbourhoods. Habitat International. 2023. Vol. 142, P. 102963 р. DOI: 10.1016/j.habitatint.2023.102963
Sun L., Zhao J., Zhang J., Zhang F., Ye, K., Xu C. Activity-based individual travel regularity exploring with entropy-space K-means clustering using smart card data. Physica A: Statistical Mechanics and its Applications. 2024. No. 636, 129522 р. DOI: 10.1016/j.physa.2024.129522
Tibshirani R., Walther G., Hastie T. Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology). 2001. No. 63(2). P. 411–423.
Subudhi S., Panigrahi S. Use of optimized Fuzzy C-Means clustering and supervised classifiers for automobile insurance fraud detection. Journal of King Saud University – Computer and Information Sciences. 2020. No. 32(5). P. 568–575. DOI: 10.1016/j.jksuci.2017.09.010
Duan Y., Liu C., Li S., Guo X., Yang C. An automatic affinity propagation clustering based on improved equilibrium optimizer and t-SNE for high-dimensional data. Information Sciences, 2023.No. 623. P. 434–454. DOI: 10.1016/j.ins.2022.12.057
Bide P., Shedge R. Improved document clustering using K-means algorithm. 2015 IEEE Int. Conf. on Electrical, Computer and Communication Technologies (ICECCT). New York: IEEE, 2015. 1048 p.
Zhong C., Miao D., Wang R., Zhou X. DIVFRP: An automatic divisive hierarchical clustering method based on the furthest reference points. Pattern Recognition Letters. 2008. No. 29(16). P. 2067–2077. DOI: 10.1016/j.patrec.2008.07.002
Elassy M., Al-Hattab M., Takruri M., Badawi S. Intelligent transportation systems for sustainable smart cities. Transportation Engineering. 2024. No. 16, 100252 р. DOI: 10.1016/j.treng.2024.100252
Zhu W. A spatial decision-making model of smart transportation and urban planning based on coupling principle and Internet of Things. Computers and Electrical Engineering. 2022. No. 102, 108222 р. DOI: 10.1016/j.compeleceng.2022.108222
Bushuev S., Inna L., Alla B., Alexander L., Khusainova M. Creating Urban Transportation Networks Grounded In the Principles of the Smart Port-City Paradigm. Procedia Computer Science. 2023. No. 231. P. 323–328. DOI: 10.1016/j.procs.2023.12.211
Balbin P. P., Barker J. C., Leung C. K., Tran M., Wall R. P., Cuzzocrea A. Predictive analytics on open big data for supporting smart transportation services. Procedia Computer Science. 2019. No. 176. P. 3009–3018. DOI: 10.1016/j.procs.2020.09.202
Khemakhem S., Krichen L. A comprehensive survey on an IoT-based smart public street lighting system application for smart cities. Franklin Open. 2024. No. 8, 100142 р. DOI: 10.1016/j.fraope.2024.100142
Vidović K., Čolić P., Vojvodić S., Blavicki A. Methodology for public transport mode detection using telecom big data sets: Case study in Croatia. Transportation Research Procedia. 2021. No. 64. P. 76–83. DOI: 10.1016/j.trpro.2022.09.010
Bublyk M., Udovychenko T., Medvid R. Concept of smart specialization in the context of the development of Ukraines economy. Economics. Ecology. Socium. 2019. Vol. 3. No 2. P. 55–61. DOI: 10.31520/2616-7107/2019.3.2-6
Bublyk M., Matseliukh Y. Small-batteries utilization analysis based on mathematical statistics methods in challenges of circular economy. CEUR workshop proceedings. 2021. Vol. 2870, P. 1594–1603. URL: https://ceur-ws.org/Vol-2870/paper118.pdf (last accessed: 01.02.2025).
Бублик М.І. Модель економічного оцінювання техногенних збитків в національному господарстві. Black Sea Scientific Journal of Academic Research. Economic Science. 2014. Vol. 12. No. 05, С. 44–50.
Dai Y., Hasanefendic S., Bossink B. A systematic literature review of the smart city transformation process: The role and interaction of stakeholders and technology. Sustainable Cities and Society. 2024. Vol. 101, 105112 р. DOI: 10.1016/j.scs.2023.105112
Cai J., Luo J., Wang S., Yang S. Feature selection in machine learning: A new perspective. Neurocomputing. 2018. No.300. P. 70–79. DOI: 10.1016/j.neucom.2017.11.077
Chung S. Applications of smart technologies in logistics and transport: A review. Transportation Research Part E: Logistics and Transportation Review. 2021. Vol. 153, 102455 р. DOI: 10.1016/j.tre.2021.102455
European Commission. Sustainable Urban Mobility Package. URL: https://ec.europa.eu/transport/themes/urban/ (last accessed: 01.02.2025).
Kidmose B. A review of smart vehicles in smart cities: Dangers, impacts, and the threat landscape. Vehicular Communications. 2025. No. 51, 100871 р. DOI: 10.1016/j.vehcom.2024.100871
Sood S. K. A scientometric analysis of quantum driven innovations in intelligent transportation systems. Engineering Applications of Artificial Intelligence. 2024. No. 138, 109258 р. DOI: 10.1016/j.engappai.2024.109258
References
Saxena, A., Prasad, M., Gupta, A., Bharill, N., Patel, O. P., Tiwari, A., Er, M. J., Ding, W., Lin, C. (2017), "A review of clustering techniques and developments", Neurocomputing, No. 267, P. 664–681. DOI: https://doi.org/10.1016/j.neucom.2017.06.053
Isoli, N., Chaczykowski, M. (2025), "Net energy analysis and net carbon benefits of CO2 capture and transport infrastructure for energy applications and industrial clusters", Applied Energy, No. 382, 125227 р. DOI: https://doi.org/10.1016/j.apenergy.2024.125227
Kowalska-Styczeń, A., Bublyk, M., Lytvyn, V. (2023), "Green innovative economy remodeling based on economic complexity", Journal of Open Innovation: Technology, Market, and Complexity. No.9(3), 100091 р. DOI: https://doi.org/10.1016/j.joitmc.2023.100091
Podlesna, L., Bublyk, M., Grybyk, I., Matseliukh, Y., Burov, Y., Kravets, P., Lozynska, O., Karpov, I., Peleshchak, I., Peleshchak, R. (2020), "Optimization model of the buses number on the route based on queueing theory in a Smart City", CEUR Workshop Proceedings, Vol. 2631, P. 502–515, available at: https://ceur-ws.org/Vol-2631/paper37.pdf (last accessed: 01.02.2025).
Bianchini, D., De Antonellis, V., Garda, M. (2023), "A big data exploration approach to exploit in-vehicle data for smart road maintenance", Future Generation Computer Systems, No. 149, P. 701-716. DOI: https://doi.org/10.1016/j.future.2023.08.004
Katrenko, A., Krislata, I. Veres, O., Oborska, O., Basyuk, T., Vasyliuk, A., Rishnyak, I., Demyanovskyi, N., Meh, O. (2020), "Development of traffic flows and smart parking system for smart city", CEUR Workshop Proceedings, Vol. 2604, P. 730–745, available at: https://ceur-ws.org/Vol-2604/paper50.pdf (last accessed: 01.02.2025).
Matseliukh, Y., Bublyk, M., Vysotska, V. (2021), "Development of intelligent system for visual passenger flows simulation of public transport in Smart City based on neural network", CEUR Workshop Proceedings, Vol. 2870, P. 1087–1138, available at: https://ceur-ws.org/Vol-2870/paper82.pdf (last accessed: 01.02.2025).
Visan, M., Negrea, S. L., Mone, F. (2021), "Towards intelligent public transport systems in Smart Cities; Collaborative decisions to be made", Procedia Computer Science, No. 199, P. 1221–1228. DOI: https://doi.org/10.1016/j.procs.2022.01.155
Ezugwu, A. E., Ikotun, A. M., Oyelade, O. O., Abualigah, L., Agushaka, J. O., Eke, C. I., Akinyelu, A. A. (2022), "A comprehensive survey of clustering algorithms: State-of-the-art machine learning applications, taxonomy, challenges, and future research prospects", Engineering Applications of Artificial Intelligence, No. 110, 104743 р. DOI: https://doi.org/10.1016/j.engappai.2022.104743
Chavent, M., Lechevallier, Y., Briant, O. (2007), "DIVCLUS-T: A monothetic divisive hierarchical clustering method", Computational Statistics & Data Analysis, No. 52 (2), P. 687-701. DOI: https://doi.org/10.1016/j.csda.2007.03.013
Celebi, M. E., Kingravi, H. A., Vela, P. A. (2012), "A comparative study of efficient initialization methods for the k-means clustering algorithm", Expert Systems With Applications, No. 40 (1), P. 200–210. DOI: https://doi.org/10.1016/j.eswa.2012.07.021
Bublyk, M., Kowalska-Styczeń, A., Lytvyn, V., Vysotska, V. (2021), "The Ukrainian economy transformation into the circular based on fuzzy-logic cluster analysis", Energies, No. 14 (18), 5951 р. DOI: https://doi.org/10.3390/en14185951
Singh, J., Singh, D. (2024), "A comprehensive review of clustering techniques in artificial intelligence for knowledge discovery: Taxonomy, challenges, applications and future prospects", Advanced Engineering Informatics, No. 62, 102799 р. DOI: https://doi.org/10.1016/j.aei.2024.102799
Yan, J., Liu, J., Tseng, F. (2020), "An evaluation system based on the self-organizing system framework of smart cities: A case study of smart transportation systems in China", Technological Forecasting and Social Change, No. 153, 119371 р. DOI: https://doi.org/10.1016/j.techfore.2018.07.009
Matseliukh, Y., Vysotska, V., Bublyk, M. (2020), "Intelligent system of visual simulation of passenger flows", CEUR Workshop Proceedings, Vol. 2604, P. 906–920, available at: https://ceur-ws.org/Vol-2604/paper60.pdf (last accessed: 01.02.2025).
Prasetio, E. A., Novizayanti, D., Putri, A. N. A. (2024), "Cluster analysis of potential autonomous vehicle (AV) adopters in Indonesia’s new capital", Transportation Research Interdisciplinary Perspectives, No. 29, 101318 р. DOI: https://doi.org/10.1016/j.trip.2024.101318
Singh, J., Singh, D. (2024), "A comprehensive review of clustering techniques in artificial intelligence for knowledge discovery: Taxonomy, challenges, applications and future prospects", Advanced Engineering Informatics, No. 62, 102799 р. DOI: https://doi.org/10.1016/j.aei.2024.102799
Liu, J., Li, J., Chen, Y., Lian, S., Zeng, J., Geng, M., Zheng, S., Dong, Y., He, Y., Huang, P., Zhao, Z., Yan, X., Hu, Q., Wang, L., Yang, D., Zhu, Z., Sun, Y., Shang, W., Wang, D., Chen, X. (2023), "Multi-scale urban passenger transportation CO2 emission calculation platform for smart mobility management", Applied Energy, No. 331, 120407 р. DOI: https://doi.org/10.1016/j.apenergy.2022.120407
Matseliukh, Y., Bublyk, M., Bosak, A., Naychuk-Khrushch, M. (2024), "The role of public transport network optimization in reducing carbon emissions", CEUR Workshop Proceedings, Vol. 3723, P. 340–364, available at: https://ceur-ws.org/Vol-3723/paper19.pdf (last accessed: 01.02.2025).
Bezdek, J. C. (1981), Pattern Recognition with Fuzzy Objective Function Algorithms, Bon, Springer, 245 p.
Bublyk, M., Vysotska, V., Matseliukh, Y., Mayik, V., Nashkerska, M. (2020), "Assessing losses of human capital due to man-made pollution caused by emergencies", CEUR Workshop Proceedings, Vol. 2805, P. 74–86, available at: https://ceur-ws.org/Vol-2805/paper6.pdf (last accessed: 01.02.2025).
Bublyk, M.I., Babiy, T.I. (2009), "Development of logistic in modern operating of market conditions", Scientific Bulletin of UNFU, No. 19 (6), P. 138–142.
Ester, M., Kriegel, H.-P., Sander, J., Xu, X. (1996), "A density-based algorithm for discovering clusters in large spatial databases with noise", Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, P. 226–231.
Jain, A. K. (2010), "Data clustering: 50 years beyond K-means", Pattern Recognition Letters, No. 31 (8), P. 651–666. DOI: https://doi.org/10.1016/j.patrec.2009.09.011
Kohonen, T. (2001), Self-Organizing Maps, 3rd ed., Springer, Bon, 554 p.
Koshtura, D., Bublyk, M., Matseliukh, Y., Dosyn, D., Chyrun, L., Lozynska, O., Karpov, I., Peleshchak, I., Maslak, M., Sachenko, O. (2020), "Analysis of the demand for bicycle use in a smart city based on machine learning", CEUR workshop proceedings, Vol. 2631, P. 172–183, available at: https://ceur-ws.org/Vol-2631/paper13.pdf (last accessed: 01.02.2025).
Lytvyn, V., Bublyk, M., Vysotska, V., Matseliukh, Y. (2022), "Visual simulation technology for passenger flows in the public transport field at smart сity", Radio Electronics, Computer Science, Control, No. 4, P. 106–121. DOI: https://doi.org/10.15588/1607-3274-2021-4-10
Law, A. M. (2015), Simulation Modeling and Analysis. 5th ed., McGraw-Hill, Bon, 495 p.
Nath, N., Nitanai, R., Manabe, R., Murayama, A. (2023), "A global-scale review of smart city practice and research focusing on residential neighbourhoods", Habitat International, Vol. 142, 102963 р. DOI: https://doi.org/10.1016/j.habitatint.2023.102963
Sun, L., Zhao, J., Zhang, J., Zhang, F., Ye, K., Xu, C. (2024), "Activity-based individual travel regularity exploring with entropy-space K-means clustering using smart card data", Physica A: Statistical Mechanics and its Applications, No. 636, 129522 р. DOI: https://doi.org/10.1016/j.physa.2024.129522
Tibshirani, R., Walther, G., Hastie, T. (2001), "Estimating the number of clusters in a data set via the gap statistic", Journal of the Royal Statistical Society: Series B (Statistical Methodology), No. 63 (2), P. 411–423.
Subudhi, S., Panigrahi, S. (2020), "Use of optimized Fuzzy C-Means clustering and supervised classifiers for automobile insurance fraud detection", Journal of King Saud University – Computer and Information Sciences, No. 32 (5), P. 568-575. DOI: https://doi.org/10.1016/j.jksuci.2017.09.010
Duan, Y., Liu, C., Li, S., Guo, X., Yang, C. (2023), "An automatic affinity propagation clustering based on improved equilibrium optimizer and t-SNE for high-dimensional data", Information Sciences, No. 623, P. 434-454. DOI: https://doi.org/10.1016/j.ins.2022.12.057
Bide, P., Shedge, R. (2015), "Improved document clustering using K-means algorithm", 2015 IEEE Int. Conf. on Electrical, Computer and Communication Technologies (ICECCT), IEEE, New York, 1048 p.
Zhong, C., Miao, D., Wang, R., Zhou, X. (2008), "DIVFRP: An automatic divisive hierarchical clustering method based on the furthest reference points", Pattern Recognition Letters, No. 29 (16), P. 2067-2077. DOI: https://doi.org/10.1016/j.patrec.2008.07.002
Elassy, M., Al-Hattab, M., Takruri, M., Badawi, S. (2024), "Intelligent transportation systems for sustainable smart cities", Transportation Engineering, No. 16, 100252 р. DOI: https://doi.org/10.1016/j.treng.2024.100252
Zhu, W. (2022), "A spatial decision-making model of smart transportation and urban planning based on coupling principle and Internet of Things", Computers and Electrical Engineering, No. 102, 108222 р. DOI: https://doi.org/10.1016/j.compeleceng.2022.108222
Bushuev, S., Inna, L., Alla, B., Alexander, L., Khusainova, M. (2023), "Creating urban transportation networks grounded in the principles of the smart port-city paradigm", Procedia Computer Science, No. 231, P. 323–328. DOI: https://doi.org/10.1016/j.procs.2023.12.211
Balbin, P. P., Barker, J. C., Leung, C. K., Tran, M., Wall, R. P., Cuzzocrea, A. (2019), "Predictive analytics on open big data for supporting smart transportation services", Procedia Computer Science, No. 176, P. 3009-3018. DOI: https://doi.org/10.1016/j.procs.2020.09.202
Khemakhem, S., Krichen, L. (2024), "A comprehensive survey on an IoT-based smart public street lighting system application for smart cities". Franklin Open, No. 8, 100142 р. DOI: https://doi.org/10.1016/j.fraope.2024.100142
Vidović, K., Čolić, P., Vojvodić, S., Blavicki, A. (2021), "Methodology for public transport mode detection using telecom big data sets: Case study in Croatia", Transportation Research Procedia, No. 64, P. 76-83. DOI: https://doi.org/10.1016/j.trpro.2022.09.010
Bublyk, M., Udovychenko, T., Medvid, R. (2019), Concept of smart specialization in the context of the development of Ukraines economy", Economics. Ecology. Socium, Vol. 3, No. 2, P. 55–61. DOI: https://doi.org/10.31520/2616-7107/2019.3.2-6
Bublyk, M., Matseliukh, Y. (2021), "Small-batteries utilization analysis based on mathematical statistics methods in challenges of circular economy", CEUR workshop proceedings, Vol. 2870, P. 1594–1603, available at: https://ceur-ws.org/Vol-2870/paper118.pdf (last accessed: 01.02.2025).
Bublyk, M.I. (2014), "Model of economic evaluation of man-made damage to the national economy", Black Sea Scientific Journal of Academic Research. Economic Science, No. 12 (05), P. 44-50.
Dai, Y., Hasanefendic, S., Bossink, B. (2024), "A systematic literature review of the smart city transformation process: The role and interaction of stakeholders and technology", Sustainable Cities and Society, Vol. 101, 105112 р. DOI: https://doi.org/10.1016/j.scs.2023.105112
Cai, J., Luo, J., Wang, S., Yang, S. (2018), "Feature selection in machine learning: A new perspective", Neurocomputing, No. 300, P. 70-79. DOI: https://doi.org/10.1016/j.neucom.2017.11.077
Chung, S. (2021), "Applications of smart technologies in logistics and transport: A review", Transportation Research Part E: Logistics and Transportation Review, No. 153, 102455 р. DOI: https://doi.org/10.1016/j.tre.2021.102455
European Commission, "Sustainable Urban Mobility Package", available at: https://ec.europa.eu/transport/themes/urban (last accessed: 01.02.2025).
Kidmose, B. (2025), "A review of smart vehicles in smart cities: Dangers, impacts, and the threat landscape. Vehicular Communications, 51, 100871 р. DOI: https://doi.org/10.1016/j.vehcom.2024.100871
Sood, S. K. (2024), "A scientometric analysis of quantum driven innovations in intelligent transportation systems", Engineering Applications of Artificial Intelligence, No. 138, 109258 р. DOI: https://doi.org/10.1016/j.engappai.2024.109258
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
