Актуальность и цели. Показано, что автотранспорт порождает экологические проблемы в крупных городах, поскольку особенностью автотранспорта как подвижного источника загрязнения является низкое расположение (на уровне дыхания детей), распределение на неопределенные территории, непосредственная близость к жилым районам. Необходимо получить полную информацию об экологической обстановке в городе. Материалы и методы. Показано, что использование искусственных нейронных сетей является одним из наиболее перспективных методов, используемых при проведении исследований социологических, биологических, финансовых, экономических и других сложных систем. Предложено использовать технологии искусственного интеллекта для прогнозирования негативных факторов влияния автотранспорта на городскую среду. Результаты. Рассматривается технология прогнозирования с помощью искусственных нейронных сетей. Описаны этапы выявления факторов и построения моделей для применения нейросетевого прогнозирования. В качестве примера рассмотрен процесс прогнозирования влияния автотранспорта на экологическую обстановку города. Определены временные ряды для выявления повторяемости характеризующих их выборок в зависимости от факторов. Описан способ прогнозирования временных рядов нейронной сетью обратного распространения ошибки. С помощью ошибки обобщения выявлялся эффект переобучения. При обучении происходило постоянное уменьшение ошибки обучения до минимального значения, после этого обучение прекращалось. Предложены возможные варианты применения искусственных нейронных сетей в сфере контроля за экологической обстановкой. Показаны возможности аналитической платформы Deduсtоr Studiо, используемой при обучении нейронной сети. Выводы. Результаты представленного прогноза могут использоваться на практике при формировании локальных прогнозов количества единиц автотранспорта в районах с установленными камерами наблюдения. Чтобы повысить точность прогноза, целесообразно осуществить привязку количества единиц автотранспорта к дням недели, периоду года. Показано, что с помощью нейросетей может быть построена удовлетворительная модель даже при недостаточном количестве данных, которая может в дальнейшем уточняться по мере поступления новых данных.
