Технические науки/4. Транспорт

 

Семченко Н.А.

Харьковский национальный автомобильно-дорожный университет,

г. Харьков, Украина

Эмпирико-стохастическое прогнозирование параметров транспортного потока на сети мегаполиса

Управление транспортными потоками в мегаполисах, и особенно в их центральных частях, которые отличаются высокой интенсивностью и постоянными изменениями ситуаций, возможно только с использованием АСУ ДД. Это отмечено многочисленными исследователями, а также в концепции «Государственной целевой программы повышения уровня безопасности дорожного движения в Украине на 2012-2016 годы», принятой в августе 2012 года.

При этом бурное развитие цифровых технологий и технических средств получения оперативной информации и реализации принимаемых решений создает предпосылки решения этой проблемы.

Современные системы АСУ позволяют осуществлять управление транспортными потоками в режиме жесткого или адаптивного регулирования и базируются на информации, полученной от детекторов транспорта на локальных объектах. Адаптивные методы управления транспортными потоками позволяют обеспечить его наибольшую эффективность в реальном режиме времени, но они нуждаются в наличии как минимум 12-ти детекторов на каждом перекрестке, входящих в систему управления.

Анализ методов прогнозирования выявил, что для оценки изменения параметров транспортных потоков в АСУ ДД, использующей сетевые адаптивные методы управления, возможно использование оперативного прогноза (в реальном масштабе времени), что позволит значительно уменьшить количество детекторов и снизить стоимость внедрения АСУ ДД.

Для моделирования поведения транспортных потоков на сети предложена эмпирико-стохастическая модель [1] (рисунок 1).

Рисунок 1 – Схематическое изображение эмпирико-стохастической модели транспортной сети мегаполиса:  - точка сбора информации;

                                                                    - обязательный сбор информации

 

Прогнозировать состояние транспортных потоков предполагается на основании информации об интенсивности, распределении потоков по направлениям и временных интервалов между транспортными средствами, полученной на основных входах в исследуемую сеть. На локальных объектах внутри сети эта информация может быть получена на основе моделирования.

С целью повышения точности оценки параметров транспортного потока при наличии развитой транспортной сети, возможен мониторинг на отдельных локальных объектах внутри нее с помощью дополнительных детекторов транспорта. Их количество и места установки требуют дополнительных исследований.

Прогнозирование характеристик транспортных потоков с использованием модели, представленной на рисунке 2, базируется на следующих положениях:

- матрица корреспонденций на существующей сети уже известна;

- на сети внедрена определенная организация движения;

- автомобиль может появиться у стоп-линии только один раз (то есть циклы исключены);

- соотношение направлений транспортных потоков на перекрестках остается приблизительно одинаковым и не зависит от интенсивности транспортного потока. Это положение используется при оборудовании локальных объектов техническими средствами регулирования, подтверждено рядом авторов и собственными исследованиями.

Рисунок 2 – Модель распределения транспортных потоков на сети

 

Интенсивность у стоп-линии по предлагаемой модели складывается из интенсивностей, формирующихся у стоп-линий перекрестка, предшествующего рассматриваемой стоп-линии.

В общем виде имеем:

,                                     (1)

где -  интенсивность у предыдущей стоп-линии; К - множество стоп-линий перекрестков на сети мегаполиса; Р - множество подходов к перекрестку;  ;  j - номер перекрестка; рr - номер подхода к рассматриваемому перекрестку; рi - номер подхода предыдущего перекрестка, с которого   вливается в ;  - вероятность осуществления маневра на перекрестке от предыдущей стоп-линии к той, что рассматривается:

                                   (2)

 - индекс запрещения:

                                        (3)

 Тогда используя рекуррентные соотношения для предыдущих стоп-линий, получаем модель, в которой исходными данными является интенсивность, полученная эмпирически на входах в рассматриваемую сеть:

,                                   (4)

где Н - множество входов в часть рассматриваемой улично-дорожной сети, ; - интенсивность на входе в сеть; L - множество путей от входов сети к рассматриваемой стоп-линии.

Необходимые для расчета режимов работы светофорной сигнализации временные интервалы между транспортными средствами определяются на основании соответствующих вероятностных законов распределения на каждом отдельном перегоне.

Точность решения задач с использованием вероятностных моделей зависит от правильности выбора закона распределения временных интервалов между автомоби­лями в транспортном потоке. Наблюдениями за общим распределением интервалов проводили А. К. Бируля, Ю. С. Чижевский, Ю, С. Кры­лов, Л. А. Кероглу, В. В. Филиппов,  Е. М. Лобанов, И. О. Брайловский, Б. И. Грановский, В. В. Петров, В. Т. Капитанов, Д. Робертсон, Д. Уизем, И. Виндольф, И. Бертольд и другие.

В настоящее время определены [2-6] законы распределения для потока транспортных средств менее 600 авт./ч. на полосу движения. Вместе с тем в центральной части мегаполиса интенсивность достигает 750-800 авт./ч. на полосу движения.

Проведены экспериментальные исследования насыщенных транспортных потоков (более 600 авт./ч. на полосу) [7-8]  и установлено, что распределение временных интервалов между транспортными средствами подчиняется логнормальному закону. Показано, что временной интервал между автомобилями в потоке не зависит от длины перегона [8]. Определена зависимость между временными интервалами и интенсивностью транспортных средств в потоке (линейная зависимость с коэффициентом корреляции  ) [8]:

.                                    (5)

где – временной динамический габарит транспортных средств, с;  λ – интенсивность транспортного потока, авт./ч ; λ > 600 авт./ч на полосу.

 Время прогнозирования этой модели составляет 10-15 мин. Это время определяется из условий проезда автомобилей через сеть. За этот период, в случае отсутствия экстремальных ситуаций, интенсивность изменяется незначительно. По данным А.Г. Левашева и др. [9] погрешность на расстоянии 5 км не превышает 1% (процента). С ростом интенсивности происходит снижение величины ошибки.

Выполненные исследования позволили сделать следующие выводы:

1)  Анализ методов управления транспортными потоками на сети центральной части мегаполиса в соответствии с целью исследования показал целесообразность и необходимость использования сетевых адаптивных алгоритмов управления.

2) Обзор АСУ ДД, в которых применяются сетевые адаптивные методы управления, позволил определить, что необходимые исходные данные для их функционирования могут быть определены с помощью моделирования.

3) Разработанная модель функционирования сети, базирующаяся на эмпирико-стохастическом подходе к прогнозированию параметров транспортного потока в оперативно-краткосрочном времени.

4) В ходе экспериментальных исследований определено, что при интенсивности более 600 авт./ч. на полосу, распределение временных интервалов между автомобилями подчиняется логнормальному закону.

5) В условиях центральной части мегаполиса среднее значение временного интервала между автомобилями на перегонах практически не изменяется, отклонение составляет меньше 1%.

6) С ростом интенсивности среднее значение временного интервала между транспортными средствами в потоке линейно уменьшается (коэффициент корреляции составляет ).

Результаты выполненных исследований могут быть применены службами государственной автомобильной инспекции, проектными и научно-исследовательскими организациями при решении задач управления дорожным движением в центральной части мегаполиса.

 

Литература:

 

1. Гецович Е.М. Эмпирико-стохастических подход к моделированию транспортных потоков / Е.М. Гецович, В.Т. Лазурик, Н.А. Семченко, В.Ю. Король // Компьютерное моделирование в наукоемких технологиях (КМНТ-2010): науч.-техн. конф. с междунар. участием,  18-21 мая 2010 г.: труды. – Х., 2010. – Ч. I. – C. 101-104.

2. Калужский Я. А. Применение теории массового обслуживания в проектировании автомобильных дорог  / Я. А. Калужский, И. В. Бегма, В. М. Кисляков, В. В. Филиппов. – М.: Транспорт, 1969. – 135 с.

3. Лобанов Е. М. Пропускная способность автомобильных дорог  / Е. М. Лобанов, В. В. Сильянов, Ю. М. Ситников, Л. Н. Сапегин. – М.: Транспорт, 1970. – 151 с.

4. Сильянов В. В. Теория транспортных потоков в проектировании дорог и организации движения / В. В. Сильянов. – М.: Транспорт, 1977. – 303 с.

5. Красников А.Н. Закономерности движения на многополосных автомобильных дорогах  / А. Н. Красников. – М.: Транспорт, 1988. – 111 с.

6. Андронов Р.В. Анализ динамики заторов на регулируемых пересечениях улично-дорожной сети методом «Монте-Карло»: сб. науч. тр. / Р.В. Андронов, Б.П. Елькин, С.Ф. Ваганов // ТюмГАСУ: – Тюмень, 2006. – С. 12-17.

7. Гецович Е.М. Методика экспериментального определения распределения параметров транспортных потоков / Е.М. Гецович, Н.А. Семченко // Восточно-Европейский журнал передовых технологий. – Х.,2011. -  №6/2 (54). – С. 67-68.

8. Гецович Е.М. Экспериментальные исследования распределения временных интервалов в транспортном потоке городов / Е.М. Гецович, Н.А. Семченко, В.А. Голота // Восточно-Европейский журнал передовых технологий. – Х.,2012. – №2/3(56). – С.52-54.

9. Левашев А.Г. Влияние удаленности детекторов на результаты оценки распределения транспортных потоков в транспортных коридорах / А.Г. Левашев, С.Є. Тебеньков, В.В. Яворская, О.С. Коротченко // Совершенствование организации дорожного движения и перевозок пассажиров и грузов. – Минск: БНТУ, 2011. – С. 392-402.