THE POSSIBILITY OF USING A TEMPORARY NEURAL NETWORK TO PREDICT THE INCOMING CAR TRAFFIC

В работе представлен обзор современных моделей временных рядов глубокого обучения, а также их применение для прогнозирования элементов железнодорожной сети. Рассмотрены глубокие последовательные модели, а именно глубокая нейронная сеть (Deep Neural Network DNN), долговременная кратковременная память (Long ShortTerm Memory LSTM) и традиционная временная нейронная сеть (TCNN) вместе с приложениями для прогнозирования данных временных рядов. Осуществлено сравнение исследуемых моделей с точки зрения областей применения, структуры и функций активации. Рассмотрена возможность использования традиционной временной нейронной сети (TCNN) для прогнозирования поступающего вагонопотока на стыковые пункты Восточного полигона на примере стыкового пункта Тайшет. This paper presents an overview of modern time series models of deep learning, as well as their application for forecasting elements of the railway network. Deep sequential models, namely Deep Neural Network (DNN), Long-term shortТerm Memory (LSTM) and traditional temporal neural network (TCNN), together with their applications for predicting time series data, are considered. The possibility of using a traditional time neural network (TCN) to predict the incoming car traffic to the junction points of the Eastern Polygon was considered. Such models were compared in terms of application areas, model structure and activation functions. The possibility of using a traditional time neural network (TCN) to predict the incoming car traffic to the junction points of the Eastern polygon was considered on the example of the Taishet junction point.