Электронный научный журнал
Современные проблемы науки и образования
ISSN 2070-7428
"Перечень" ВАК
ИФ РИНЦ = 0,791

МОДЕЛИ ТРАНСПОРТНЫХ ПОТОКОВ В ИНТЕЛЛЕКТУАЛЬНЫХ ТРАНСПОРТНЫХ СИСТЕМАХ

Михеева Т.И. 1 Михеев С.В. 1 Богданова И.Г. 1
1 ФГБОУ ВПО «Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)»
Статья посвящена обзору моделей транспортных потоков в рамках функционирования интеллектуальных транспортных систем. Рассмотрен эффект внедрения интеллектуальных транспортных систем в управление транспортными потоками. Исследован опыт внедрения интеллектуальных транспортных систем за рубежом. Определены закономерности поведения транспортных потоков на улично-дорожной сети. Рассмотрены следующие существующие типы зависимостей между основными характеристиками транспортных потоков (интенсивностью, скоростью и плотностью): линейный тип, логарифмический тип, экспоненциальный тип, степенной тип, регрессионный тип, разрывной тип и вероятностный на основе распределения скорости. Предложен новый тип зависимости, основанный на введении дополнительных параметров. Данный тип позволяет получить дополнительную информацию о характере транспортного потока в критических точках насыщения транспортного потока и в случае транспортного затора.
плотность
скорость
интенсивность
интеллектуальная транспортная система
транспортный поток
1. Зырянов В.В., Кочерга В.Г. Моделирование транспортных потоков на городской сети // Организация и безопасность дорожного движения в крупных городах. – СПб.: СПб ГАСУ, 2006. – С.193-197.
2. Клинковштейн Г.И. Организация дорожного движения. – М.: Транспорт, 1982. – 240 с.
3. Математическое моделирование автотранспортных потоков на регулируемых дорогах / А.Б. Киселев [и др.] // Прикл. матем. и механ. – 2004. – Т.68, №.6. – С. 1035-1042.
4. Михеева Т.И. Структурно-параметрический синтез интеллектуальных транспортных систем. – Самара: Самар. науч. центр РАН, 2008. – 380 с.
5. Михеева, Богданова, Сапрыкина – Интеллектуальное управление Транспортными по-токами на локальном уровне / Синергетика в естественных науках // Труды международной междисциплинарной научной конференции. – Тверь, 2010. – С. 273-276.
6. Михеева Т.И., Михеев С.В. Объектно-ориентированный подход к построению интел-лектуальных систем // Математич. моделирование информ. процессов и систем в науке, тех-нике и образовании: Межвузовский сборник научных трудов. – Самара: Самарск. гос. арх.-строит. ун-т., 2010. – С.36-42.

Системный подход к решению задач управления транспортной инфраструктурой большого города обеспечивается разработкой и использованием интеллектуальных транспортных систем (ИТС). Анализ российского и зарубежного опыта проектирования и развития ИТС, принципов их интеграции, использования при осуществлении грузовых и пассажирских перевозок, при управлении транспортными потоками (ТрП) в различных транспортных ситуациях позволяет сделать вывод о целесообразности использования ИТС на автомобильном транспорте.

Термин «Интеллектуальные транспортные системы» характеризует комплекс интегрированных средств управления транспортной инфраструктурой (улично-дорожной сетью, техническими средствами организации дорожного движения, транспортными потоками), применяемых для решения задач организации дорожного движения, на основе современных информационных технологий, организации информационных потоков о функционировании транспортной инфраструктуры в реальном режиме времени [1].

Цели создания и внедрения ИТС приведены на рисунке 1.

Рисунок 1. Основные цели интеллектуальных транспортных систем

Эффекты от внедрения ИТС

Преимущества и плюсы внедрения ИТС:

- для водителей

  • более высокая безопасность – значительно меньший риск ДТП;
  • уменьшение времени и стоимости проезда;
  • более высокий уровень комфортности управления транспортными средствами и информированности, улучшение прогнозируемости времени проезда.

- для окружающей среды

  • уменьшение шума и выбросов в атмосферу за счет более плавного изменения скорости транспортного потока и движения с постоянной скоростью.

- для национальной экономики

  • уменьшение потерь из-за ДТП;
  • снижение потерь, связанных с загрязнением окружающей среды;
  • уменьшение потерь, связанных с пробками;
  • улучшение использования существующей дорожной сети.

- для организаций, обслуживающих дорогу,

  • улучшение планирования ресурсов, особенно обслуживания в период зимы, а также для обоснованного прогноза дорожных работ.

Показательными являются эффекты, полученные для кольцевой автомагистрали в районе Мюнхена. После ввода ИТС на этом автобане получены данные, которые при сравнении предшествующего и последующего 3-летних периодов показали:

  • уменьшение длины заторов на 67 %;
  • снижение числа ДТП на 35 %;
  • снижение числа ДТП с пострадавшими на 31 %;
  • снижение числа пострадавших при ДТП на 30 %.

Проект в Хессене:

  • уменьшениечисла серьезных инцидентов на 30 %;
  • уменьшение времени в пути на 20 %;
  • увеличение пропускной способности на 25 %.

В таблице 1 приведены данные по результатам внедрения ИТС на примере SCOOT. В результате исследований по сравнению SCOOT с обычными системами он показал уменьшение задержек транспортных средств на 12 % в Глазго и 27 % в Ковентри. Сравнение проводилось через день на различных участках, включая плотную городскую сеть в центре Глазго и радиальную дорожную сеть в Ковентри. В Торонто SCOOT продемонстрировал уменьшение задержек транспорта на 14 % над системами с календарной автоматикой. В вечернее время и в субботу задержки уменьшились до 21 % и 34 %, соответственно. При проведении массовых мероприятий задержки уменьшились до 61 %, что демонстрировало устойчивость SCOOT к необычным событиям. Было также оценено, что внедрение ИТС сократило затраты на обновление программ координации в 30 человеко-лет.

Таблица 1. Результаты внедрения SCOOT

Модели транспортных потоков

Разработка и исследование эффективности различных методов управления транспортными потоками в рамках ИТС требует знания закономерностей их поведения на улично-дорожной сети (УДС) города – интенсивности движения, плотности, распределения интервалов между транспортными средствами (ТрС) в потоке в заданном сечении, времени проезда по некоторому участку УДС, транспортных задержек и др.

Одним из главных направлений теоретических и экспериментальных исследований в теории транспортных потоков в течение многих лет является изучение зависимостей между основными характеристиками ТрП. Несмотря на это, до настоящего времени не устранены некоторые противоречия между реальными данными и теоретическими предпосылками в основных моделях транспортного потока:

  • рассеивание фактических данных параметров дорожного движения и детерминированные соотношения в макромоделях;
  • постоянное значение отношения критической и максимальной плотности ТрП для каждой из моделей и переменное значение отношения в реальном ТрП;
  • однотипность формы зависимости между параметрами транспортных потоков для каждой из моделей и изменение функциональной формы для реальных соотношений интенсивность – плотность, скорость – плотность;
  • возможность разрывов между значениями характеристик ТрП при переходе от стабильного состояния к заторовому и гладкими соотношениями для теоретических макромоделей.

Характеристики транспортного потока

В рамках макроскопического подхода транспортный поток , , движущийся по улично-дорожной сети – дугам орграфа G, характеризуется общей средней скоростью v, плотностью потока k и интенсивностью движения I в определенный момент времени в определенной точке УДС.

На основе исследований дорожного движения и практики его организации выработаны многочисленные измерители и критерии. К наиболее часто применяемым показателям относятся:

  • интенсивность движения I, авт./ч; авт./сут.;
  • плотность транспортного потока k, авт./м, авт./км;
  • скорость движения v, км/ч; м/с;
  • продолжительность задержки движения D, с;
  • состав транспортного потока.

Транспортный поток определен типом транспортных средств, составляющих его:

,

т.е. тип ТС: ; где каждому типу поставлено в соответствие число: «велосипед» –1, «мотоцикл» – 2, «гужевая повозка» – 3, «легковой автомобиль» – 4, «грузовик 1» – 5, «грузовик 2» – 6, «грузовик 3» – 7, «автобус» – 8, «троллейбус» – 9, «автопоезд» – 10.

Для приведения неоднородного по составу потока к «однородному», состоящему только из легковых транспортных средств, для каждого типа ТрС определен коэффициент приведения . Для легкового автомобиля , для мотоцикла – и т.д. Коэффициент для разных типов грузовых ТрС определен их грузоподъемностью и варьируется от 1.7 для типа ТрС=«грузовик 1» до 3.5 для типа ТрС=«грузовик 3».

Движение транспортных средств на перекрестке канализируется и подразделяется на право-, левоповоротные и прямые потоки, регламентированные направлениями соответствующих дуг графа УДС и установленными дорожными знаками. Интенсивность соответствующих потоков является весовыми характеристиками дуг.

Макроскопические модели движения транспортного потока

В процессе развития макроскопических моделей транспортного потока, полученных в рамках классического подхода с использованием детерминированных зависимостей между интенсивностью, плотностью и скоростью транспортного потока, к моделям предъявлялись все новые требования в соответствии с уровнем задач организации движения и перевозок:, где k и – плотность потока и максимальная (заторовая) плотность потока, соответственно;– скорость свободного движения, т. е. максимально возможная скорость на участке дороги;– скорость кинематической волны при заторовой плотности; – совокупность безразмерных параметров. В качестве дополнительного параметра может выступать эквивалентная дистанция:. При одной и той же плотности эквивалентная дистанция уменьшается с увеличением скорости, что в полной мере согласуется с требованиями обеспечения безопасности движения, поскольку фактическая дистанция остается неизменной, а эквивалентная дистанция уменьшается, свидетельствуя об усложнении ситуации.

Рассмотрим зависимости следующих типов: линейная, логарифмическая, экспоненциальная, степенная, регрессионная, разрывная, вероятностная на основе распределения скорости.

Линейная зависимость между плотностью транспортного потока k и его скоростью v. Линейная зависимость впервые была предложена Гриншилдсом, выражается уравнением (1), впоследствии доработана Ричардсом (2):

и , (1)

и . (2)

При высоких значениях скорости свободного движения применение модели Гриншилдса для определения пропускной способности приводит к завышенным результатам. Для однородного потока из легковых автомобилей при максимальной плотности ТП kJ =140÷160 авт/км и скорости при уровне пропускной способности vС =45 км/час пропускная способность достигает 1800÷2000 авт/час. Расчетные значения пропускной способности для этих условий по модели Гриншилдса составляют 3150÷3600 авт/час. Степень соответствия расчетных и экспериментальных данных в модели Ричардса, так же, как и в модели Гриншилдса, повышается при снижении скорости свободного движения [4].

Логарифмический тип зависимости имеют макромодели Гринберга (3) и Эл–Хозаини (4). Модель Гринберга описывается уравнениями:

и , (3)

и при достижении пропускной способности . Значение нормированной плотности всегда равно 0.368 при максимальной интенсивности движения. Недостатком модели является то, что при плотности, стремящейся к нулю, расчетные значения скорости превышают скорость свободного движения:

и . (4)

Максимальная интенсивность движения достигается при нормированной плотности =0.60371 и определяется как . Модель Эл–Хозаини дает достоверные результаты при высокой плотности и скорости транспортного потока менее 17 км/час.

В макромоделях, основанных на экспоненциальной зависимости между скоростью и плотностью и представленных моделями Андервуда (5), Дрейка (6), Зырянова (7), при высокой плотности движения () расчетные значения интенсивности превышают фактические:

, (5)

, (6)

. (7)

Модель (4) дает достоверный результат только на участке насыщения.

Наиболее известные степенные модели Пайпса (8) и Д. Дрю (9) позволяют за счет коэффициента пропорциональности n трансформировать форму зависимости между плотностью и скоростью, приспосабливаясь к конкретным экспериментальным данным.

, (8)

. (9)

При n=1 уравнение (1) является частным случаем (9).

Усложнение макромодели ТрП за счет введения дополнительных параметров (10) позволяет исследовать поведение транспортного потока в критических точках – насыщения ТрП и затора.

В качестве дополнительного параметра возьмем время прохождения участка УДС, равного длине автомобиля, движущегося со скоростью свободного движения: , тогда основные характеристики ТрП при уровне пропускной способности будут определены следующим образом:

,

,

. (10)

Основная диаграмма транспортного потока, построенная по модели (10) для экспериментальных данных, полученных автором, представлена на рисунке 2.

Рисунок 2. Основная диаграмма транспортного потока

Рецензенты:

Титов Б.А., д.т.н., профессор, заведующий кафедрой организации и управления перевозками на транспорте, ФГБОУ ВПО «Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)», г. Самара.

Хайтбаев В.А., д.э.н., профессор кафедры организации и управления перевозками на транспорте, ФГБОУ ВПО «Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)», г. Самара.


Библиографическая ссылка

Михеева Т.И., Михеев С.В., Богданова И.Г. МОДЕЛИ ТРАНСПОРТНЫХ ПОТОКОВ В ИНТЕЛЛЕКТУАЛЬНЫХ ТРАНСПОРТНЫХ СИСТЕМАХ // Современные проблемы науки и образования. – 2013. – № 6.;
URL: http://science-education.ru/ru/article/view?id=11808 (дата обращения: 22.10.2019).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1.074