Применение математико-статистических методов исследования для анализа мнения жителей об организации городского парковочного пространства на примере города Волгоград

Статья посвящена выявлению закономерностей формирования параметров спроса на парковочное пространство в районе N г. Волгограда, которые позволят улучшить организацию парковочного пространства в этом районе. Проведен социологический опрос жителей города, направленного на выявление общественного мнения по вопросам использования и работы парковочного пространства на отдельных территориях района N. Проведена первичная обработка результатов обследования, по результатам которой получены основные выводы по наиболее важным вопросам анкеты. Проведен анализ ответов респондентов с применением математико-статистических методов исследования. Предварительно все данные, полученные в ходе проведения опроса, были нормализованы. Произведена кластеризация ответов респондентов на все вопросы, которая позволила разделить всех участников опроса на два кластера. Для подтверждения наличия линейной связи между различными вопросами анкеты был проведен корреляционный анализ данных, полученных в ходе опроса. Взаимосвязь между различными парами вопросов проверялась посредством проведения регрессионного анализа данных. Корреляционный и регрессионный анализы проводились каждого из полученных кластеров отдельно для повышения точности оценки взаимосвязей между регрессионными переменными. По результатам математико-статистического анализа выявлена зависимость между ответами респондентов на различные вопросы анкеты.

1. Tong C.O., Wong S.C., Leung B.S.Y. Estimation of parking accumulation profiles from survey data. Transportation. 2004;31(2):183–202. DOI: 10.1023/B:PORT.0000016579.36253.a9

2. Mcshane M., Meyer M.D. Parking policy and urban goals: Linking strategy to needs. Transportation. 1982;11(1):131–152. DOI: 10.1007/BF00167928.

3. T. Lin H. Rivano, F. Le Mouël, A Survey of Smart Parking Solutions. IEEE Transactions on Intelligent Transportation Systems. 2017;18(12):3229-3253. DOI: 10.1109/TITS.2017.2685143.

4. Krushel E.G., Stepanchenko I.V., Panfilov A.E., Lyutaya T.P. Detection of the Patterns in the Daily Route Choices of the Urban Social Transport System Clients Based on the Decoupling of Passengers’ Preferences Between the Levels of Uncertainty. Creativity in Intelligent Technologies and Data Science. 2019;1(1):175-188. DOI: 10.1007/978-3-030-29743-5.

5. Недумов Я.Р., Турдаков Д.Ю., Майоров В.Д., Овчинников П.Е. Автоматизация процесса нормализации информации при внедрении систем управления основными данными. Программирование. 2013;39(3):3-14.

6. Tyurin A.G., Zuyev I.O. Сluster analysis, methods and algorithms of the clustering. Herald of MSTU MIREA. 2014;2(3):86-97.

7. Berzal, F., Matín, N. Data mining: concepts and techniques by Jiawei Han and Micheline Kamber. ACM SIGMOD Record. 2002;31(1):66-68. DOI: 10.1145/565117.565130.

8. Bain Lee. Applied Regression Analysis. Technometrics. 2012;9(1):182-183. DOI: 10.1080/00401706.1967.10490452.

9. Krushel E.G., Stepanchenko I.V., Panfilov A.E., Berisheva E.D.: An experience of optimization approach application to improve the urban passenger transport structure. CCIS, 2014;466(1):27-39. DOI: 10.1007/978-3-319-11854-3_3.

10. Bai Y., Sun Z., Zeng B., Deng J., Li C.: A multi-pattern deep fusion model for short-term bus passenger flow forecasting. Appl. Soft Comput. 2017;58(1):669–680.