• Оптимизационные модели
• Имитационные модели
• Прогнозные модели

Если транспортная система населенного пункта хорошо изучена, т.е. известны ее размещение  и основные характеристики, то для определения транспортных потоков можно использовать прогнозные модели, позволяющие рассчитать интенсивность потока, объемы перевозок в сети общественного транспорта по различным направлениям движения и т.д. Кроме того, данный класс моделей позволяет выполнить прогноз последствий изменений, происходящих в транспортной сети.

Дополнением к прогнозным моделям можно отнести имитационные модели, которые по своим результатам являются более детальными. При этом результат прогнозных моделей (усредненные значения потоков и их распределение) могут выступать входной информацией для имитационных моделей, описывающих более подробно не только процесс движения, но и развитие самого процесса во времени. К имитационным моделям можно отнести модели динамики транспортного потока. [1] Динамические модели более детально описывают движение транспортного потока: динамику скорости движения, задержки на перекрестках и другие характеристики движения. Поэтому для их реализации требуются достаточно мощные вычислительные средства.

Динамические модели включают в себя гидродинамические модели (описывают движение автомобилей в усредненных терминах), кинетические модели (описывают транспортный поток плотностью распределения его элементов в пространстве координат и скоростей единиц потока), микроскопические имитационные модели (описывают движение каждой единицы потока), модели типа клеточных автоматов (используется упрощенное дискретное во времени и пространстве описание движения элементов потока). [1, 25]. Остановимся на некоторых из них более подробно.

Гидродинамические модели: [2]

Транспортный поток при этом исследуется как поток одномерной сжимаемой жидкости, при этом учитывается, что поток сохраняется и существует взаимооднозначная зависимость между скоростью и плотностью потока. Кроме того допускается, что средняя скорость потока в каждый момент времени должна соответствовать равновесному значению при данной плотности автомобилей.

• Модели Гриншилдса и Гринберга

• Модель Гринберга:

• Модель Лайтхила-Уизема.

Предполагается:

• Транспортный поток непрерывен,  – число автомобилей, занимающих единицу длины дороги.
• Величина потока q(x,t) равная числу автомобилей, пересекающих черту х за единицу времени и определяется локальной плотностью .

Микроскопические модели [2]

•  Модель следования за лидером (дифференциально-разностное уравнение):

Клеточные автоматы [2]

•  Модель Нагеля-Шрекенберга:

Для оптимизации маршрутов транспортных перевозок, определения оптимальной структуры транспортной сети могут быть использованы оптимизационные модели.[3]

Для определения интенсивности транспортного потока применяются учётчики, а также видеосъёмка [3].

Учётчики, находясь на исследуемом участке дороги (перекрёстке), записывают в специальный журнал общее количество по типам транспортных средств в фиксированный промежуток времени.

Видеосъемка осуществляется путем установки на дорогу видеокамеры с последующим распознаванием числа транспортных средств по видеозаписи.

Главный минус данных способов определения интенсивности транспортного потока – это последующая трудоемкая камеральная обработка полученных данных.

Целью данной работы является автоматизация определения интенсивности транспортного потока.

Предлагается осуществлять подсчет интенсивности транспортного потока на основе фиксации на микрофон уровня шума с последующей обработкой аудиозаписи на электронно-вычислительной машине.

Шум – это акустическая характеристика потока, включающая в себя неупорядоченное сочетание различных по силе и частоте звуков [4].

На улице Красная города Пенза была произведена запись акустических характеристик потока на цифровую видеокамеру. Запись с нее преобразована в аудиофайл формата .mp3 и обработана в пакете «MATLAB».

Алгоритм обработки следующий.

Полученный аудиофайл преобразуется при помощи функции [y]=audioread (filename) [5] в массив и строится график (рис. 1).

Рисунок 1 – График представления аудиофайла после аналого-цифрового преобразования

Затем массив преобразуется по абсолютной величине y=abs (y) (рис. 2).

Рисунок 2 – График представления аудиофайла по абсолютной величине

По значениям массива с помощью фильтра Баттерворта [b, a]=butter (n, Wn) построена огибающая сигнала (рис. 3).

Рисунок 3 – Огибающая цифрового сигнала аудиофайла

Сопоставление видеосъёмки с графиком аудиофайла показало, что при приближении транспортного средства к микрофону уровень сигнала резко увеличивается, и, следовательно, максимальный уровень сигнала приходится на момент нахождения автомобиля перед микрофоном.

Таким образом, данный способ позволяет осуществлять подсчет интенсивности транспортного потока по амплитудным значениям сигнала. Однако, он требует дальнейших исследований при высокой интенсивности транспортного потока и в условиях зашумленности от влияния ветра и автомобилей, двигающихся по соседним полосам движения дороги. Стоит задача разработки алгоритмического обеспечения и схематических решений детектора транспорта.

В настоящее время, пока отсутствует полноценный объездной путь вокруг города, вторая продольная магистраль является незаменимым транспортным звеном, не только для внутригородских, но и для транзитных перевозок [1].

В связи с этим, представляется важным расчет производительности грузового транспорта через исследование взаимосвязи скорости движения транспортного потока, грузовых автомобилей и загруженности дорог именно на протяжении всей второй продольной магистрали, что позволит оптимизировать выпуск подвижного состава на линию для повышения эффективности перевозок [2].

Для исследования были взяты сведения о средней скорости движения автомобилей из двух Интернет-сервисов: Яндекс.Пробки и WialonHosting.

В исследовании участвовало более 120 грузовых автомобилей (автопоездов) различных марок и различной грузоподъемности, осуществляющих транспортировку грузов по городу и, в том числе, по второй продольной

Был проведен расчет часовой производительности автопоездов с учетом различной грузоподъемности полуприцепа и изменяющейся скорости движения в течение дня.

Расчет велся для следующих полуприцепов:

Таблица 1 – Грузоподъемность полуприцепов

Производительность грузового автотранспорта определяются:

• техническим состоянием и грузоподъемностью машин,
• средней скоростью,
• дальностью перевозки груза и организацией работ.

Часовая производительность грузового автомобиля , т/ч, определяется:
     [3]
где  — грузоподъемность автоцистерны, т;  — коэффициент использования грузоподъемности; - техническая скорость движения км/ч;  — коэффициент использования пробега; — длина ездки с грузом, км;  — время простоя автомобиля под погрузкой и разгрузкой, ч.

Продолжительности погрузочно-разгрузочных работ установлены нормативами и зависят от количества секций полуприцепа-цистерны . Установленная нормативами продолжительность учитывает время, необходимое для маневрирования подвижного состава и оформления документов.

При наливе (погрузке) время установлено как 0,22 часа на секцию и 0,33 часа на ожидание погрузки и составляет:
, ч
При сливе (разгрузке) время установлено как 0,66 часа на секцию и 0,33 часа ожидания после полного слива на одном объекте.
,ч

Таблица 2 – Время погрузки и разгрузки полуприцепов

Следует учитывать, что средняя скорость и производительность автопоездов переменна в течение суток на перегонах УДС, и зависит от уровня загрузки городских дорог.
Проведенное ранее исследование загруженности УДС, позволило провести расчет часовой производительности автопоездов с учетом изменяющейся скорости движения потока в течение дня. Расчет был произведен для каждого вида полуприцепов с учетом разгрузки на одном объекте и транспортировке груза на расстояние 36 км.
Коэффициент использования грузоподъемности  составляет единицу, т.к. полуприцеп всегда загружен полностью, коэффициент использования пробега  равен 0,5.
Пункт разгрузки находится в непосредственной близости от участка исследования №4. Для доставки груза на объект, автопоезду необходимо проехать через участки №1, №2, №3 и №4.
Изменение скорости движения потока на данных участках известно, а небольшая дальность перевозки позволяет провести расчет производительности не учитывая смещение по времени в течение дня. При увеличении расстояния перевозки такое допущение станет невозможным, т.к. при достижении последующих участков, будет меняться уровень загрузки УДС. Для этого, в последствии, будет разработана специальная методика.
В результате расчета был построен график зависимости производительности от технической скорости.

Рисунок 1. Зависимость часовой производительности автопоезда от технической скорости

Как следует из графика, наибольшая производительность достигается при использовании полуприцепа Капри 9639 (40 м3), т.к. хоть и при меньшей грузоподъемности, он имеет меньшее количество секций, что существенно сказывается на времени погрузки разгрузки. А меньшее время простоя под погрузкой и разгрузкой, в свою очередь, позволяет повысить оборачиваемость ПС, что положительно сказывается на производительности автопарка предприятия.
Вывод:
Расчет часовой производительности ПС показал, что увеличение грузоподъемности не всегда сказывается положительно на искомом значении. Также расчет показал, что производительность напрямую зависит от скорости движения. Т.о., для достижения максимального экономического эффекта от сокращения парка ПС и повышения его производительности, необходимо искать пути повышения технической скорости движения.

Безопасность движение является актуальной и острой задачей. Ежедневно из-за нарушений правил движения страдают тысячи людей. Возникшие происшествия негативно сказываются на интенсивности движения транспортного потока. В свою очередь это приводит к повышению шумового уровня, загрязнения окружающей среды и увеличения потребления природных ресурсов. Повышение безопасности на дорогах является основной задачей для интеллектуальных транспортных систем. За счет интеллектуального анализа актуальной дорожной ситуации и выбранного на его основе метода регулирования движения ИТС значительно сократит количество пробок, позволит своевременно реагировать на дорожно-транспортные происшествия и минимизировать риски их возникновения.

Частными задачами ИТС являются управление скоростью, интенсивностью и плотностью транспортных потоков, анализ актуальной ситуации и выявление аварийных ситуаций, своевременное информирование водителей о ситуации на дороге и другое. Основными методами решения этих задач является использование изменяющихся длительностей работы светофоров и дорожных знаков, планирование маршрутов движения на основе анализа актуальной ситуации, внедрение систем поддержки действий водителя.

В работе предлагается структура интеллектуальной транспортной системы для повышения безопасности дорожного движения. Работа системы основывается на видеодетектировании транспортных потоков и последующем принятии решения о типе и структуре управления.

Управление в условиях неопределенности

Известные методы управления транспортными потоками имеют один общий недостаток – работают со статичными оценками текущей ситуации на дороге. В действительности ситуация постоянно меняется, поэтому статические методы управления не дают эффективного результата. То же изменение временной диаграммы работы светофора в зависимости от текущей ситуации даст лучший результат, чем аналог, привязанный к времени суток или дню недели. Предсказать поведение участников потока достаточно сложно. Фактически речь идет об управлении в условиях неопределенности. При  формировании маршрутов современные алгоритмы учитывают единственный критерий. Чаще всего в качестве критерия для решения задачи маршрутизации принимается минимальная длина пути. В современных условиях при движении по кратчайшему расстоянию между начальной и конечной точкой можно потратить больше времени и энергетических ресурсов, чем при использовании длинного маршрута. Причиной этого является наличие пробок, длительные ожидания на светофорах, качество дорожного полотна и другое. Такой подход к маршрутизации приводит к увеличению количества и длины пробок на дороге. Следовательно, окружающая среда получает большую дозу загрязнений от выхлопных газов включенных двигателей. Снижение внимания водителей при длительном ожидании приводит к повышению риска аварийных происшествий.

Выходом из сложившейся ситуации может быть использование рациональной методики построения маршрутов. Слово «рациональный» (от лат. Rationalis – разумный) означает разумно обоснованный, целесообразный. [1] В приложении к управлению транспортными потоками рациональное управление заключается в принятии решения по нескольким критериям одновременно базируясь на динамической модели потока. Для формализации задачи рационального управления транспортным зададим обобщенный вектор критериев (1.1).

где значения критериев качества движения транспортного потока: интенсивность, плотность, скорость.

Формализовать неопределенность можно представлением каждого из n критериев функцией от ряда дополнительных факторов:

При этом каждый из критериев является интервальной величиной и имеет верхний и нижний предел:

Дополнительные факторы включают в себя как управляющие воздействия, так и режимные параметры и особенности, например, тип транспортных средств, составляющих управляемый поток, время, в которое происходит движение, состояние дорожного полотна, погодные условия движения, мастерство лица, управляющего транспортным средством, наличие аварийных ситуаций на дороге. При формировании математической модели задачи рационального управления не стоит упускать из виду ограничения: пропускная способность дорог, максимально разрешенная скорость движения, правила дорожного движения и др. В рамках модели все ограничения сводятся к качественным показателям:

Задачу принятия рационального решения, которое обеспечит экстремальные значения по многим критерием в общем виде можно записать следующим образом:

В качестве решения такой задачи будет сформирован вектор 

который сможет обеспечить требуемые характеристики движения управляемого транспортного потока. [2] При математическом описании задачи по выбору рационального маршрута движения потока с учетом накладываемых ограничений, решением задачи может считаться вектор , который описывает оптимальную последовательность движения по сформированному рациональному маршруту  среди всех возможных путей в динамической транспортной сети .

Сама многокритериальная задача принятия решения в условиях неопределенности в таком случае описывается следующими выражениями:

В данной постановке задачи вводится понятие динамической транспортной сети – графа транспортной сети с множеством вершин и ребер. Множество вершит сети остается неизменным, множество ребер в каждый момент времени может принимать различные значения: ноль, бесконечность или численное значение критерия (интенсивность движения транспорта) (1.8).

3. Алгоритмическое и информационное обеспечение рационального управления транспортными потоками

Основным моментом в принятии рационального решения является оценка актуальной ситуации на дороге. На современном этапе технического развития целесообразно определять параметры потока по видеоизображению. Видеодетектирование дает информацию с высокой точностью, но требует больших вычислительных мощностей и времени. К тому же различна степень освещенности кадра в зависимости от времени суток и погодных условий приводит к значительному усложнению алгоритмов обработки и детектирования. Подготовительные работы по обработке подразумевают использование различных цветовых пространств, технологий нормализации, преобразования и эквализации. Подобные трансформации могут привести к искажению базового кадра и снижению точности выделения полезной информации. [3] Для определения интенсивности движения достаточно определять контура подвижных объектов (сопровождение от момента попадания в кадр до выхода из него) и подсчитывать их количество за определенный промежуток времени. [4] Чтобы сократить время обработки кадра необходимо привести его к нормированной яркости (эквализация). Использование правильной цветовой модели поможет избежать искажения. Так в цветовом пространстве YUV компонента Y отвечает за яркость кадра в чистом виде. Проводя обработку только по ней можно значительно повысить эффективность и скорость анализа. Само детектирование объектов целесообразно проводить параллельно по нескольким цветовым областям. При этом за базовое значение, отклонения от которого стоит искать берется код дороги в кадре в цветовом пространстве HSV. Алгоритм определения интенсивностей представлен на рис. 1.

После получения актуальной информации можно переходить к применению алгоритмов рационального управления. Особенностью алгоритма является решение многокритериальной задачи в условиях неопределенности. Получить значения критериев, ограничений и актуальную информации можно по видеоданным (рис. 1). Управление можно производить посредством формирования рациональных маршрутов для водителей отдельных транспортных средств, перенаправлением или динамическим изменением параметров потоков при использовании средств ИТС. Структура принятия рационального решения представлена на рис. 2. Для выбора оптимального маршрута по i-му критерию могут использоваться стандартные алгоритмы поиска пути на графе: поиск в ширину или длину, алгоритм Дейкстры, алгоритм Флойда, динамический подход Беллмана [4]. Для учета динамических изменений в сети в выбранном алгоритме предлагается учитывать временные метки вершин. Метка присваивается в случае высокой плотности потока на участке, наличия светофоров с длительными циклами работы, аварий и подобное. Такая методика позволяет не только максимально качественно построить маршрут движения, но и дает возможность каждому водителю настроить параметры выбора для себя. Результаты моделирования маршрута (Национальный аэрокосмический университет – Южный вокзал) с применением методики и без нее и их сравнение представлены на рис. 3.

Рисунок 3 – Результаты планирования маршрутов

Заключение

Предложенный подход к рациональному управлению транспортными потоками с использованием средств ИТС поможет значительно повысить безопасность движения транспорта. Это достигается за счет эффективного управления загруженностью потоков и реакцией на нештатные ситуации. Следствием обеспечения беспрерывного движения без пробок станет снижение потребления энергетических и временных ресурсов, негативного влияния вредных выбросов на окружающую среду. Благодаря использованию динамических моделей алгоритмы помогают снять неопределенность при построении маршрутов и выдаче рекомендаций водителю. Предложенный подход к обработке видео помогает повысить качество и скорость получения параметров потока при обработке.

Арена создания ИТС относительно свежая и подготовленных профессионалов абсолютно нет в Казахстане. Внедрения версии ИТС на местности государства единичны. Эти версии причисляются к отваги национальных вложений, где еще не поняли сущность фактической полезности обсуждаемой сферы [1].

Фактическая интенсивность процесса даже на крупных улицах наших мегаполисов в Казахстане в самые нагруженные часы составляет 300–700 автомобилей на полосу в час, в то время как показатель беззаторового процесса для мегаполисов Европы составляет 600–900, а в США — до 1300 автомобилей на полосу в час. Что обусловлено толковым управлением автотранспортными потоками улично-дорожной сети(УДС). В целом ряде случаев в мировой практике сейчас более 40 лет подобные задачи решаются с помощью интеллектуальных транспортных систем (Intelligent Transportation Systems).

Интеллектуальные транспортные системы являются площадью соприкосновения автотранспортной промышленности и индустрии ИКТ и основываются на двух понятиях: моделирование автотранспортных систем и регулирование транспортных потоков.

Вновь возвращаясь к определению ИТС, считаем, что ИТС – это интеллектуальная система, использующая инноваторские разработки в моделировании транспортных систем и регулировании автотранспортных потоков. Под словосочетанием «инновационные разработки в моделировании транспортных систем» может скрываться все что угодно. Но если основываться на логику и технические знания, можно предположить, о чем идет речь.

Вначале фундаментальный концепцией ИТС являлось применение нынешних информативных технологий для автоматического контроля и мониторинга состояния автотранспортной системы. вследствие последующему формированию потенциалов компьютерных технологий, стало возможным проводить автоматический рассмотрение производительности тех или прочих сценариев управления транспортной системой. Например, если руководствоваться классификации Жанказиева С. [4], автоматизированные системы управления дорожным движением (АСУДД), действующие в рамках ИТС, миновали четыре этапа своего развития: от первого поколения, в котором от ИТС требовалось только исполнение мониторинга и своевременный заключение полученной в следствии единичных расчетов информации, до АСУДД четвертого поколения, в которых регулирование выполняется в режиме настоящего времени (с краткосрочной задержкой реагирования или прогнозированием транспортных потоков), с учетом локальных изменений транспортных потоков.

Каждая автоматизированная система управления (АСУ) [3], к которой в полной мере касается ИТС, осуществляет одну элементарную вещь: она собирает информацию об объекте управления, оценивает ее и оказывает на этот объект непосредственное или косвенное управляющее воздействие.

Объектом управления для ИТС являются «транспортные потоки». Основой информации об объекте управления являются датчики и детекторы на дороге, смежные информативные системы и ввод данных оператором.

А вот для анализа информации об объекте управления нужно заложить в систему понятие об этом объекте, которое и именуется моделью. Тщательность и точность модели обусловливается исключительно задачами, стоящими перед ИТС.

Однако ядром подобных систем как ИТС является математическая модель обрабатывания информации мониторинга параметров автотранспортного потока и дорожных условий, от которых в большей степени зависит реалистичность выходных данных. Оптимизация управления транспортными потоками в современных АСУДД выполняется разнообразными методами. И они в большей степени определяют результативность работы системы АСУДД.

Транспортные модели делятся на [4]: математические и имитационные. Первые оперируют известными законами движения транспорта, представленными в виде формул, систем уравнений. Вторые имитируют движение отдельных транспортных средств, поведение водителей, работу светофоров.

Большинство данных взаимосвязаны, и анализировать какую-то модель транспортного потока, опирающуюся на какую-то одну характеристику, было бы неверно. В такой ситуации оптимальным выходом является моделирование, которое в той или иной степени правильно отражает действие транспортных потоков, нужное для определенной задачи. Модели транспортных потоков и программные продукты, их реализующие, можно систематизировать по виду решаемых задач в сфере транспортного анализа. На самом деле, модели транспортных потоков можно классифицировать по широкому спектру критериев.

Например:

-  по методу решения: аналитические или имитационные;

-  по методу представления процесса: динамические (модель работает в реальном режиме времени) или статические (параметры осредняются за определенный интервал времени);

-  по временной шкале: непрерывные или дискретные;

- по типу представления процесса: стохастические (состояние транспортного потока зависит от случайного сочетания ряда параметров (факторов), положенных в основу модели) или детерминированные (состояние транспортного потока в прошлом и будущем определяется его настоящим состоянием).

Но наиболее популярной является классификация по уровню детализации транспортного потока. На настоящий момент выделяют 4 уровня детализации транспортной модели :

– макроскопические модели;

– мезоскопические модели;

– микроскопические модели;

– суб-микроскопические модели.

Макромоделирование описывает течение транспортных средств как физического потока на высоком уровне агрегирования (изучаются характеристики потока — плотность, средняя скорость, интенсивность) без учета его составных частей (транспортных средств). Макромодель применяет в основном математические методы моделирования и старается ответить на вопросы: «а почему и куда все едут? », «а хватит ли пропускной способности улиц, чтобы всех обслужить? », «а что будет, если эту улицу перекрыть?

Микромоделирование в подробностях описывает действие и взаимодействие единичных автомобилей, создающих транспортный поток. В микромоделировании отдельный автомобиль задается индивидуально, описывается взаимодействие автомобилей друг с другом и с дорожной сетью. Как правило, характер действия автомобиля описывается с помощью правил, которые определяют, когда автомобиль ускоряется, замедляет скорость, перестраивается в другой ряд, а также когда и как автомобиль выбирает и меняет свой маршрут следования.

Если данные на макроуровне верны, то микроуровень может с высокой точностью имитировать реальный транспортный поток.

Суб-микроскопические модели, так же, как и микроскопические модели, подробно описывают характеристики транспортного средства. Однако, кроме этого в моделях предусматривается деятельность единичных частей транспортного средства. Кроме привычных для микроскопических моделей отправных данных, требуются и дополнительные. Например, вид топлива, используемого автомобилем; тип двигателя; использование навигационных систем и т. Большинство этих дополнительных параметров употребляются для расчетов неординарных исходящих данных модели, например, анализ воздействия транспортного средства на окружающую среду.

Мезоскопические модели находятся на среднем уровне детализации. Они описывают автомобили на высоком уровне детализации (как в микромоделировании), а их поведение и взаимодействие — на низком уровне (как в макромоделировании). Мезомоделирование позволяет моделировать дорожную сеть и движение автомобилей почти с таким же уровнем детализации, как и микромоделирование. Мезоскопическое моделирование применяется там, где желательно использовать микроскопические модели, но невозможно из-за большого размера транспортной сети или ограниченности ресурсов, которые требуется затратить на создание и отладку сети.

Основным назначением транспортных моделей является проведение экспериментов. Можно проверить, как те или иные изменения в организации движения отразятся на трафике.

Вдобавок нельзя вычеркивать версию, что для организации процесса транспортного потока абсолютно управляемым, необходимо убрать из него участия человека (водителей). Это влечет за собой совершенное изменение муниципальной транспортной инфраструктуры, включая дороги, транспортные средства и системы управления. В такой свежей инновационной конфигурации ИТС можно сказать управляемым. А сейчас можно резюмировать, что наша отечественная ИТС – это только регулирование.

Таким образом, ИТС современного мегаполиса должен сокращать формирование пробок на дорогах и делать дорожное движение более благоприятным и безопасным для всех его участников. сегодняшние инновационные решения могут создавать стратегию управления трафиком города, совершенствовать транспортную сеть на основе актуальных информации логистики, которые обновляются в режиме реального времени. Специализированные системы должны уметь собирать и анализировать характеристики трафика, метеоданные, сообщения об инцидентах на дороге, плановых перекрытиях и изменениях в организации дорожного движения. Эти данные используются для прогнозирования изменений дорожной обстановки, контроля плотности дорожного потока и создания алгоритмов работы дорожного оборудования.