Proceedings of the International scientific and practical conference ―Science and Society‖ (February 26-28, 2026) / Publisher website: www.naukainfo.com. – Kharkiv, Ukraine, 2026. - 355 p.

353 достовірність повідомлень Waze суттєво варіює залежно від густоти користувачів у регіоні, часу доби та типу події [5]. OSM, у свою чергу, має нерівномірне покриття та неоднорідну повноту атрибутів у різних географічних зонах [6]. Тому необхідною умовою побудови надійних прогностичних моделей є попередня валідація та фільтрація даних, верифікація топологічних зв'язків мережі та узгодження систем координат. З методологічного погляду інтеграція даних OSM і Waze у задачах прогнозування ризиків може бути реалізована через декілька підходів. По- перше, статичний підхід - формування ризик-карти на основі ретроспективних даних Waze (архівних інцидентів) у прив'язці до сегментів OSM-мережі. По- друге, динамічний підхід - побудова систем реального часу, де потоки Waze оновлюють ваги ребер графу дорожньої мережі та ініціюють перерахунок зон ризику. По-третє, гібридний підхід - машинне навчання на поєднаному наборі ознак (тип дороги, клас вантажообмеження, часові патерни Waze-інцидентів, кліматичні та інфраструктурні дані), що дозволяє прогнозувати ймовірність виникнення ризикових подій для конкретного маршруту. Дослідження, присвячені аналізу безпеки дорожнього руху та передбаченню ризиків за даними Waze, підтверджують ефективність машинного навчання у цьому контексті: зокрема, моделі Random Forest та XGBoost демонструють точність класифікації ризикових ділянок на рівні 96% та вище [5]. Водночас дослідники наголошують, що якість прогнозу критично залежить від коректного геоприв'язування даних Waze до атрибутованих ребер OSM-мережі, що саме по собі є нетривіальним завданням просторової обробки даних. Практичне значення запропонованого підходу для логістики полягає у можливості заздалегідь виявляти потенційно ризиковані ділянки маршруту (ділянки з систематичними перевантаженнями, частими ДТП, інфраструктурними обмеженнями), генерувати альтернативні маршрути та оцінювати ймовірність виконання доставки у заданий часовий проміжок. Для умов регіонів із нестабільною інфраструктурою або в умовах воєнних