Россия
Россия
В статье приведены результаты экспериментального исследования работы управления транспортными потоками при возникновении непрогнозируемых ситуаций в транспортной сети. Целью данного исследования является определение доли транспортного потока через сеть для ситуации снижения пропускной способности участка улично-дорожной сети (УДС) (в том числе по причине возникновения ДТП). В данной работе предлагается метод решения проблемы с заторами путем перенаправления транспортных средств с дороги с высоким значением коэффициента загрузки сети (z) по другим маршрутам, при этом необходимо определить объем транспортного потока с целью устранения возможности создания заторов в других сетях транспортной системы. Для определения доли перенаправления транспортного потока используются метод опроса и анализа регрессии с применением нейронной сети. В статье рассматривается возможность решения проблемы загруженности транспортной сети города в задаче улучшения эффективности работы системы косвенного управления транспортным движением, входящих в состав интеллектуальной транспортной системы (ИТС). Предложенный метод позволит повысить эффективность ИТС с помощью ремаршрутизации движения транспортных средств в условиях высокого риска возникновения затора и ДТП.
управление транспортными потоками, интеллектуальные транспортные системы, интеллектуальная нейронная сеть, транспортные потоки
В исследованиях о организации дорожного движения отмечается, что перенаправление потока транспорта на дорогах достигается благодаря эффективной работе системы интеллектуальной транспортной системы (ИТС) и ее подсистемы косвенного управления транспортным потоком (КУТП), как это было показано в исследованиях [4, 5]. Результаты научных работ показали, что эффективность метода КУТП зависит от соответствия предлагаемого метода ОДД с учетом пользовательских факторов дорожной сети (водителей).
В исследованиях [1, 9, 10] объем движения транспортных средств в транспортной сети определяется на основе оценки пропускной способности рассматриваемого участка дороги по сравнению с интенсивностью движения на этом участке. Значение, которое используется для оценки, представляет собой оставшуюся пропускную способность этого маршрута. В зависимости от этого значения решения по организации дорожного движения определяют максимальное количество транспортных средств, которые необходимо дополнительно отправляют по данному маршруту. Доля перенаправления транспортного потока в сети существенно зависит не только от значения пропускной способности конкретного участка дороги, но и от выбора маршрутов движения водителей, т.е. сценарий организации движения должен быть разработан в соответствии с выбором маршрута движения водителей транспортных средств. Это соответствие выражается в том, что дорожные мероприятия рассчитываются и реализуются на основе выбора и приоритетов участников дорожного движения, которые выражаются в их поведении при выборе маршрутов движения при управлении дорожным движением. Для сбора информации о предпочтениях водителей относительно выбора маршрутов был использован метод опроса, а для анализа собранных данных — метод нейронных сетей.
Выбор маршрута движения участников дорожного движения в случае дорожно-транспортных происшествий зависит от множества факторов. Согласно [7], на решение водителя влияют как субъективные, так и объективные факторы транспортной системы, включая: расстояние до места назначения, время в пути, знакомство с предложенным маршрутом, организационные аспекты движения по данному маршруту, направление движения и пункт назначения. Однако, влияние этих факторов на принятие решения водителем может быть различным и определяется коэффициентом значимости каждого фактора. Следует отметить, что этот коэффициент не постоянен и зависит от физического и психологического состояния водителя, а также других внешних факторов, воздействующих на него в момент принятия решения.
Для определения факторов, влияющих на принятие решения водителями в ситуациях с высоким риском возникновения заторов, было проведено исследование. Опрос был проведен среди 100 водителей различного возраста. Участникам опроса были представлены различные ситуации на дороге с соответствующими условиями движения: время в пути, расстояние до места назначения, количество перекрестков на маршруте и условия движения. Водителям было предложено выбрать наиболее подходящий вариант транспортного сценария. Исследование выявило 4 различных условия движения (A1, A2, A3, A4), представленных изменением коэффициента z, включая случаи: 0.5 >z, 0.5 <z< 0.75, 0.75<z<1, z>1. Для водителей изменение этого коэффициента было представлено визуально, через изменение условий на дороге (изменение цветовой гаммы, отображающей оценку состояния дорожного движения). Опросник с различными сценариями дорожного движения, используемые в опросе, представлены на рисунке 1.
а) б)
в) г)
Рисунок 1 – Опросник выбора сценария передвижения через сети водителей транспортных средств при разлучных значений
а – z <0.5; б – 0.5 < z< 0.7; в – 0.7<z<1; г – z>1
Результат опросов с показан в таблице 1 и на рисунке 2.
Таблица 1 – Результат опроса по выбору сценария движения через сети водителей транспортных средств
|
Выбора водителей (%) |
Cхема 1 |
Cхема 2 |
Cхема 3 |
Cхема 4 |
Cхема 5 |
Cхема 6 |
|
z <0.5 |
46 |
2 |
4 |
4 |
8 |
36 |
|
0.5 < z< 0.7 |
10 |
8 |
10 |
4 |
12 |
56 |
|
0.7<z<1 |
8 |
0 |
6 |
4 |
10 |
72 |
|
z>1 |
4 |
2 |
2 |
4 |
12 |
76 |
Рисунок 2 – Результат опроса по выбору сценария движения через сети водителей транспортных средств
Из результатов, представленных в таблице и графике, можно сделать выводы о том, что доминантным (выбранным) маршрутом с ухудшением условий движения перетягивается к себя привлекательность выбора по сравнению с других маршрутов за счет снижения значения времени движения с учетом незначительного увеличения значения пробега. При этом доминантным маршрутом всегда является маршрут, у которого значение снижения издержки передвижения участников движения à max при z à 1. При увеличении значения z, сначала происходит притягивание внимание на все альтернативные маршрута последующим переходом внимание на доминантный маршрут.
Из результатов опроса и их анализа можно сделать вывод, что принятие решения о схеме движения водителями зависит от множества одновременно действующих факторов. Для выявления общих закономерностей в выборе схемы движения водителей необходимо применить метод регрессии, чтобы определить влияние каждого фактора на решение о поведении водителя при выборе маршрута движения на дорогах. Выбор метода нейронных сетей основан на результате исследования различных научных методов.
Результаты опроса обрабатываются с применением искусственных нейронных сетей для выявления закономерностей в выборе маршрутов движения водителями. Структура и параметры нейронной сети подбираются на основе характеристик опроса. Для анализа информации используется программное обеспечение Matlab-simulink 2021b (см. рис. 3, 4).
|
Рисунок 3 – Структура построенной нейронной сети
|
Рисунок 4 – Результаты процесса обработки данных опроса |
Ниже показаны параметры построенной нейронной сети на основе обработки полученных результатов опроса.
Общий коэффициент корреляции R составил 0,84, причем на тестовой выборке данный коэффициент достиг максимального значения (R = 0,953). Из этого можно сделать вывод, что полученная нейронная сеть достаточно точно имитирует исследуемую зависимость.
Для проверки достигнутых результатов применяется нейронная сеть для определения доли транспортных средств, которые должны быть перенаправлены в ситуациях, когда коэффициент z > 1 при интенсивности транспортного движения в 4500 авт./час. 4 сценарии организации дорожного движения с указанием значений транспортного потока и характеристик поездки, изображенных в таблице 2. Результаты (доля выбора каждого сценария участниками дорожного движения, %) также представлены в таблице.
Таблица 2 – Результат применения нейронной сети в определения доли перенаправления транспортного потока через сеть
|
Схема движения ТП |
Уровень загрузки |
Сокращение времени движения (мин.) |
Удлинения перепробега (км.) |
Улучшение качества обслуживания |
Доли выбора (%) |
|
№1 |
z > 1 |
29 |
1.41 |
3 |
75,48 |
|
№2 |
z > 1 |
18 |
1.3 |
2 |
11,89 |
|
№3 |
z > 1 |
18 |
1.25 |
1 |
5,6 |
|
№4 |
z > 1 |
10 |
1.2 |
1 |
7,03 |
В представленной ситуации затора (z > 1) доли выбранных участниками сценариев дорожного движения, предложенных для водителей, определяется с использованием алгоритма нейронной сети (как показано в таблице) и согласуется с наблюдаемыми закономерностями выбора в предыдущем опросе. Направление такого объема транспортных средств в современных условиях осуществляется компонентами интеллектуальной транспортной системы, включая подсистемы косвенного управления транспортным движением, которые могут быть реализованы с помощью динамических информационных табло или разных видов дорожных знаков.
При возникновении дорожно-транспортных происшествий или других ситуаций, приводящих к временному закрытию одной или нескольких полос движения и существенному изменению пропускной способности дорожного участка, возникает затор в УДС. Для снижения серьезных последствий заторов необходимы соответствующие меры организации движения, включая перенаправление потока транспортных средств на альтернативные маршруты с соответствующим объемом транспорта, чтобы избежать образования заторов на этих маршрутах. С использованием методов нейронных сетей можно определить оптимальную долю перенаправления транспортного потока, анализируя поведение и привычки водителей при выборе альтернативных маршрутов в условиях возникновения заторов в транспортной сети.
1. Анохин, Б.Б. Определение пропускной способности автомобильных дорог с учетом влияния режимов движения/ Б.Б.Анохин. М.: Изд. Союздорнии, 1970. - с. 19.
2. Власов, В. М. Информационные технологии на автомобильном транспорте / В. М. Власов, Д.Б. Ефименко, В.Н. Богумил. – М.: Academia, 2014. - 256 с.
3. Воробьев, А. И. Методика определения мест установки системы фото – и видеофиксации и дополнительных элементов инфраструктуры / А. И. Воробьев // Вестник МАДИ, вып. № 2 (33), 2013, с. 82 – 87.
4. Буслаев, А. П. Вероятностные и имитационные подходы к оптимизации автодорожного движения / А. П. Буслаев, А. В. Новиков, В. М. Приходько, А. Г. Таташев, М. В. Яшина; под ред. чл.-корр. РАН В.М. Приходько. — М.: Мир, 2003. — 368 с.
5. Газван, А. -Х. Международные модели оценки уровня безопасности дорожного движения / А. -Х. Газван, К. Асп // Наука и техника в дорожной отрасли. - 2006. - №3. - c. 3 – 9.
6. Ефименко, Д. Б. Методологические основы построения навигационных систем диспетчерского управления перевозочным процессам на автомобильном транспорте (например городского пассажирского транспорта): дисс. док. техн. наук: 05.22.08 / Дмитрий Борисович Ефименко. – М., 2012. - 479 c.
7. Жанказиев, С.В. Россия входит в европейскую ITS Платформу / С.В. Жанказиев // Отраслевой ежемесячный научно-производственный журнал для работников автотранспорта Автотранспортное предприятие. – М., - 2006. - № 5. – С. 53-55.
8. Косолапов, А. В. Повышение эффективности информационного обеспечения участников дорожного движения в городах: дисс. канд. техн. наук: 05.22.10 / Андрей Валентинович Косолапов. – М., 1992. - 178 c.
9. Кочерга, В. Г. Оценка и прогнозирование параметров дорожного движения в интеллектуальных транспортных системах / В.Г. Кочерга, В.В. Зырянов. – Ростов н/Д: Рост. Гос. строит. ун-т., 2001. – 130 с.
10. Уткин, А. В. Моделирование поведения водителя и оценка качества смешанного транспортного потока/ А.В. Уткин // «Организация и безопасность движения в крупных городах»: сборник докладов 7-ой Международной конференции.- С.-Петербург, 2006. – с. 84-86.
11. Хоанг Куок Лонг. Расчёт пропускной способности при проектировании пересечений со светофорным регулированием в условиях Вьетнама: дисс. канд. техн. наук : 05.23.11/ Хоанг Куок Лонг. – М., 2008. - 191 c.
