Введение

Понятие адаптивного управления дорожным движением в узле транспортной сети

Сравнение временно-зависимой и транспортно-зависимой стратегии управления дорожным движением

Постановка и анализ моделирования

Разработка базы нечетких правил, определения параметров управления движение транспортных потоков в узле транспортной сети

1 Построение функции принадлежности

2 Построение правил соответствия конкретному классу параметра управления

3 База нечетких правил

Заключение

Список литературы

Введение

Изменившиеся условия мобильности, характеризующиеся увеличением в течение последних лет количества автомобилей, привели к повышению нагрузки на транспортную инфраструктуру и окружающую среду. Растущую потребность в улучшении условий передвижения нельзя полностью удовлетворить (ни внутри населенных пунктов, ни за их пределами) только лишь созданием новых путей транспортного сообщения или проведением иных строительных мероприятий. Для выхода из сложившейся ситуации необходимо внедрение целого комплекса мер по организации и управлению дорожным движением. Адаптивные системы управления дорожным движением (АСУД) представляют новый подход к организации управления дорожным движением и совместно с управляемыми ими высокопроизводительными транспортными компьютерами реализуют соответствующие технологии управления.

Постоянное увеличение количества транспортных средств в условиях недостаточной пропускной способности дорог ведёт к затруднениям движения транспортных потоков. Интеллектуальные транспортные системы (ИТС) позволяют минимизировать образование заторных ситуаций и увеличивать пропускную способность транспортной сети. Наработки в области ИТС примеряются для организации дорожного движения населённых пунктов и магистралей. Оптимизация управления дорожным движением достигается за счет взаимодействия управляющих, классифицирующих, прогнозирующих, экспертных, принимающих решения или поддерживающих эти процессы подсистем ИТС. В связи с этим стоит задача поиска методов обработки информации о нештатных ситуациях на улично-дорожной сети (УДС).

В данной работе будут рассмотрены следующие вопросы: понятие адаптивного управления дорожным движением в узле транспортной сети, на сети, а так же сравнение временно-зависимой и транспортно-зависимой стратегии управления дорожным движением.

1. Понятие адаптивного управления дорожным движением в узле транспортной сети

Возможности улучшения условий движения транспорта за счет оптимальной организации движения во многом недооценены, и развитие транспортной инфраструктуры понимается в основном как мероприятия, связанные со строительством новых дорог и магистралей, реконструкцией существующих путепроводов и развязок. Вместе с тем значительно улучшить транспортную ситуацию позволяет внедрение современных инновационных технологий, получивших название «Интеллектуальные Транспортные Системы» (ИТС). Внедрение ИТС-технологий в России позволяет лучше управлять транспортными потоками, повысить уровень пропускной способности улично-дорожной сети и снизить загрузку отдельных ее элементов.

Рост автомобильного парка и объема перевозок ведет к увеличению интенсивности движения, что в условиях городов с исторически сложившейся застройкой приводит к возникновению транспортной проблемы. Особенно остро она проявляется в узловых пунктах улично-дорожной сети. Здесь увеличиваются транспортные задержки, образуются очереди и заторы, что вызывает снижение скорости сообщения, неоправданный перерасход топлива и повышенное изнашивание узлов и агрегатов транспортных средств. Изменившиеся условия мобильности, характеризующиеся увеличением в течение последних лет количества автомобилей, привели к повышению нагрузки на транспортную инфраструктуру и окружающую среду. Растущую потребность в улучшении условий передвижения нельзя полностью удовлетворить (ни внутри населенных пунктов, ни за их пределами) только лишь созданием новых путей транспортного сообщения или проведением иных строительных мероприятий. Для выхода из сложившейся ситуации необходимо внедрение целого комплекса мер по организации и управлению дорожным движением.

Адаптивные системы управления дорожным движением (АСУД) представляют новый подход к организации управления дорожным движением и совместно с управляемыми ими высокопроизводительными транспортными компьютерами реализуют соответствующие технологии управления. В настоящее время в мировой практике в составе АСУД наиболее распространены следующие технологии управления транспортными потоками:

Технология управления по фиксированным планам (координированное управление);

Технология сетевого адаптивного управления;

Технология ситуационного управления.

САУДД-это система управления дорожным движением с центрально-распределенным интеллектом, состоящая из:

центрального пункта управления (ЦПУ);

точек адаптивного управления дорожным движением, оборудованных интеллектуальными контроллерами и детекторами транспорта, обеспечивающих:

локальное адаптивное управление наиболее сложными и важными пересечениями и участками УДС;

информационное взаимодействие с ЦПУ;

системных детекторов, сообщающих в ЦПУ сведения о транспортных потоках;

системных контроллеров, управляемых из ЦПУ постоянно или периодически.

Организация дорожного движения на уровне служб дорожного движения представляет комплекс инженерных и организационных мероприятии на существующей улично-дорожной сети, обеспечивающих безопасность и достаточную скорость транспортных и пешеходных потоков. К числу таких мероприятий относится управление дорожным движением, которое, являясь составной частью организации движения, как правило, решает более узкие задачи. В общем случае под управлением понимается воздействие на тот или иной объект с целью улучшения его функционирования. Применительно к дорожному движению объектом управления являются транспортные и пешеходные потоки.

Сущность управления движением заключается в том, чтобы обязывать водителей и пешеходов, запрещать или рекомендовать им те или иные действия в интересах обеспечения скорости и безопасности. Оно осуществляется путем включения соответствующих требований в Правила дорожного движения, а также применением комплекса технических средств и распорядительными действиями инспекторов дорожно-патрульной службы и других лиц, имеющих соответствующие полномочия.

2. Сравнение временно-зависимой и транспортно-зависимой стратегии управления дорожным движением

Современное состояние управления транспортными потоками в большинстве городов можно вообще характеризовать так, что устройства управления (узлы) управляются по фиксированному графику или по состоянию транспортного потока. Существенная разница заключается в том, что для управления по графику времени не нужны детекторы и система неспособна реагировать на какие-либо изменения транспортного потока. В случае транспортно-зависимого управления пере стоп-линиями имеются детекторы, которые фиксируют моментальное присутствие транспортных средств, и устройство управления, таким образом, реагирует на мгновенные условия в узле, увеличением длительности зеленого сигнала. Следовательно, речь идет об управлении в секундной сетке времени.

Временно-зависимое (автономное) управление - транспортные состояния определяются на основании статистического анализа исторических значений характеристик движения транспортных потоков (интенсивность движения) и на их основании определяются выходные значения процесса регулирования.

Транспортно-зависимое (режим текущего времени - онлайн) управление, в англосаксонской литературе, называемое также Traffic Responsive, заключается в том, что вмешательство системы управления рассчитывается по мгновенной транспортной ситуации. Методы режима онлайн обеспечивают работу в реальном времени и на основании переменных входных данных о движении транспортных потоков каждую секунду изменяют и оптимизируют параметры управления, т.е. продолжительность зеленого сигнала в соответствующем направлении. Устройства управления в данном режиме работают независимо или, в крайнем случае, расположены в линии и линейно координированы.

Управление осуществляется на локальном уровне. Если используется центр управления, то потом часто осуществляется мониторинг состояния устройств управления или мониторинг состояния транспортных потоков. Управление светофорами в реальном времени является достаточно известным и стандартно используется под наименованием транспортно-зависимое управление или динамическое управление. Его принцип заключается в том, что транспортный узел оснащен обычно двумя видами датчиков: датчиками интервалов и вызова, которыми являются в большинстве случаев индуктивные петли. Транспортное устройство управления управляет по программе, которая непрерывно тестирует состояние транспортного потока над отдельными датчиками и на основании заранее заданных алгоритмов увеличивает длительность сигналов, модифицирует последовательность фаз или вкладывает фазу по вызову. Данные изменения обычно осуществляются в рамках заранее определенного времени цикла и заранее определенных максимальных значений длительности зеленых сигналов. Датчик интервалов, расположенный приблизительно на 30-50 м перед стоп-линией, получил свое название в результате того, что он непрерывно измеряет интервалы времени между транспортными средствами и если они меньше данного значения (обычно 3-5 секунд), то он увеличивает продолжительность зеленых сигналов вплоть до заранее заданного максимума. Такой способ измерения называется «Управление измерением интервала времени». Вторая возможность заключается в том, что отдельные узлы соединены с центром управления движением транспортных потоков, который на уровне района координирует и управляет работой узлов. Для управления областью используются следующие режимы:

Временно-зависимое (автономное) управление - информация о характеристиках состояния транспортных потоков в районе получают путем статистического анализа, данные о характеристиках движения транспортных потоков (интенсивности и состава движение) за прошлые годы, измеренных в главных точках транспортной сети, и на их основании определяется режим работы транспортных устройств управления. Затем они вводятся в устройства управления в зависимости от времени суток или дня года. При расчетах оптимизируется длительность зеленых сигналов, продолжительность цикла и временной сдвиг. В качестве примера метода, основанного на автономном режиме, можно привести метод TRANSYT, когда фиктивные транспортные средства «выпускаются» в соответствии с заранее заданными правилами в область, и через данную область проходят на основании и в соответствии с моделью движения транспортного потока. На их движение оказывает влияние изменение управляемых параметров узла. С помощью числовых математических методов для разных параметров, как например, длительность цикла, длительность зеленых сигналов и временной сдвиг, находится минимум определенной целевой функции (оптимизация параметров).

Транспортно-зависимое (режим онлайн) управление характеризуется тем, что для различных состояний транспортных потоков на сети заранее рассчитываются системы сигнальных планов, которые хранятся в устройствах управления или в центре управления движением транспортных потоков. Для расчета максимальных значений длительности зеленого сигнала, длительности цикла и временного сдвига, как правило, используется метод TRANSYT. Одновременно в области выбраны стратегические датчики и составлены логические уравнения, описывающие разные комбинации состояний всех или выбранных датчиков. В зависимости от мгновенной транспортной ситуации посредством соответствующего уравнения выбирается программа, которая лучше всех соответствует данной ситуации. Примером может служить описание состояния транспортного потока по стратегическим датчикам SDV1 и SDV5, которое означает: если в точке SDV1 существует степень 2 и одновременно в точке SDV5 - степень 4, то следует выбрать сигнальную программы номер 6.=2 &SDV5=4 THENSP6

Если в сети не классифицируется состояние транспортного потока, то для описания используется только один параметр, которым является интенсивность движения. Транспортно-зависимое управление используется в реальной шкале времени и каждую секунду принимает сигналы выбранных датчиков. Однако переключение сигнальных программ осуществляется с определенным гистерезисом для обеспечения стабильности в транспортной сети. На практике это означает изменение программы устройства управления в сетке нескольких десятков минут.

Оптимизация в автономном режиме дает возможность рассчитать основные регулируемые величины: длительность цикла, последовательность фаз, временной сдвиг и длительность зеленых сигналов для базы исторических данных (данных прошлых лет). Эти данные получаются путем длительного измерения с помощью транспортных детекторов. На основании длительно записываемых данных обычно разрабатывается статистическая модель, которая для интенсивности движения обычно дает возможность определить типичные рабочие дни и особенно субботу и воскресенье, в результате чего сильно ограничиваются изменения переменных. Существенной чертой является, то, что речь идет о макроскопическом управлении в автономном режиме, основанном на детерминистическом моделировании потоков и алгоритмах оптимизации, когда рассчитываются системы сигнальных планов по пространственно-временному вектору данных об интенсивности за предыдущие годы. Модели оптимизации использованы для расчетов в автономном режиме сигнальных временных планов транспортных устройств управления в транспортной сети или линии.

В таком случае процесс управления выбирает в зависимости от времени самый выгодный из множества заранее подготовленных сигнальных планов. Такой способ называется временно-зависимым управлением.

Преимущества временно-зависимого управления:

возможность простого контроля;

простота модификации сигнальных программ;

относительно низкие расходы на оборудование и установку.

Недостатки временно-зависимого управления:

нельзя повысить эффективность использования времени сигналов (разрешение движения для отдельных направлений);

нельзя покрыть пики интенсивности (необходим определенный резерв интенсивности);

нельзя вступать в процесс управления со стороны отдельных транспортных средств или пешеходов;

нельзя устранить возникшие транспортные заторы.

3. Постановка и анализ моделирования

Задача моделирования стратегий управления дорожным движением в узле транспортной сети, как и на сети состоит в разработке классического модуля нечеткого управления. Его составляющие:

Блок фуззификации: система управления с нечеткой логикой оперирует нечеткими множествами, поэтому конкретное значение входного сигнала модуля нечеткого управления подлежит операции фуззификации, в результате которой ему будет сопоставлено нечеткое множество.

База правил представляет собой множество нечетких правил определения нечеткого множества, которому принадлежат выходной сигнал системы.

Блок выработки решения: непосредственное определение множества принадлежности выходного сигнала при конкретно заданных множествах входных сигналов.

Блок дефуззификации представляет процедуру отображения нечеткого множества, получаемого на выходе блока выработки решения в конкретное значение, представляет собой управление воздействия.

Для построения стратегий управления предлагают использовать программный комплекс «TRANSYT», основанный на оценке поведения транспортного потока с помощью моделирования дорожного движения и позволяющего выбирать оптимальные параметры режима работы светофорной сигнализации. По результатам моделирования дорожного движения в программе для различных комбинаций интенсивности движения определенно оптимальное время горения зеленного сигнала светофора.

4. Разработка базы нечетких правил определения параметров управления движением транспортных потоков в узле транспортной сети

Построение базы нечетких правил определения оптимального времени горения зеленого сигнала светофора на перекрестке, характеризуемом максимальными интенсивностями движения на пересекающихся дорогах. Необходимые данные были получены при помощи транспортного детектора.

Базу правил классификации стратегий управления создаем для системы с двумя входами и одним выходом:

1. Необходимы данные в виде множества . Далее находим области определения элементов множества , которые разбиваем на областей (отрезков), причем значение N подбираем индивидуально, а отрезки могут иметь одинаковую или различную длину. Отдельные области можно обозначить следующим образом: …, S,,…,.

Строим функции принадлежности определенному классу элементов заданного множества обучающих данных. Предлагаем использовать функции треугольной формы по принципу: вершина графика расположена в центре области разбиения, ветви графика лежат в центрах соседних областей. Степень принадлежности данных определенным классом будет выражаться значение функций принадлежности .

Затем для каждой пары определяем правило соответствия классу стратегии управления. Окончательное для каждой пары обучения данных можно записать 1 правило, то есть

Поскольку в наличии имеется большое количество пар существует высокая вероятность того, что некоторые из правил окажутся противоречивыми. Это относится к правилам с одной и той же посылкой (условием), но с разными средствами (выводами).

Одним из методов решения этой проблемы заключается в приписывании каждому правилу так называемые степени истинности с последующим выбором противоречащих друг другу правил того, у кого эта степень окажется наибольшей. После чего база правил заполняется качественной информацией.

Например, согласно выше описанным правилам степени истинности имеют вид

4. Для определения количественных значений параметра оптимизации стратегии управлении необходимо выполнить операцию дефуззификации. Для расчета выходного значения управления воздействия можно и рекомендуется воспользоваться способом дефуззификации по методу центра тяжести.

1 Построение функции принадлежности

Для элементов множества обучающих систему данных обозначим следующую область определения

Разбив Х 1 Х 2 и G на 2n+1 отрезков и строим функции принадлежности вида

Рисунок 4.1 Общий вид графика функций принадлежности

Имеем в итоге:

Рисунок 4.2 Графики функций принадлежности интенсивности х 1 к классам разбиения множества Х 1.

Определяем функции принадлежности µ(x 1) на отрезках разбиения области Х 1 методом отнесения µ(x 1) к определенному классу.

Таблица 4.1. Функции принадлежности µ(x 1) на отрезках разбиения области Х 1 (n=4)

	Отрезок разбиения	Обозначение	Функция принадлежности µ(х 1)
			;
			;
			, ;
			, ;
			,;
			,;
			;
			;
			, ;

Рисунок 4.3 Графики функций принадлежности интенсивности х 2 к классам разбиения множества Х 2 .

Определяем функции принадлежности µ(x 2) на отрезках разбиения области Х 2 методом отнесения µ(x 2) к определенному классу по рисунку 4.3.

Таблица 4.2 Функции принадлежности µ(x 2) на отрезках разбиения области Х 2 (n=5)

	Отрезок разбиения	Обозначение
			;
			,;
			, ;
			,;
			, ;
			,;
			;
			;
			,;
			;
			, ;

Рисунок 4.4 Графики функций принадлежности интенсивности gк классам разбиения множества Q.

Определяем функции принадлежности µ(g) на отрезках разбиения области Gметодом отнесения µ(g) к определенному классу

Таблица 4.3 Функции принадлежности µ(g) на отрезках разбиения области G(n=6)

	Отрезок разбиения	Обозначение	Функция принадлежности µ(х 2)
			;
			;
			;
			, ;
			;
			,;
			;
			,;
			,;
			;
			;

2 Построение правил соответствия конкретному классу параметра управления

Определяем правило соответствия классу стратегий управления и приписываем каждому правилу степень истинности.

Таблица 4.4 Значения функций принадлежности данных определенным классам

(i)µ((i))(i)µ((i))g(i)µ(g (i))

Получаем таблицу с присвоенными степенями истинности и степень истинности для каждой из пар x 1 , x 2 .

транспорт управление дорожный пассажирский

Таблица 4.5 Нечеткие правила, сгенерированные по обучающимся данным и степень истинности этих правил

3 База нечетких правил

Согласно определенным в таблице 4.7 правилам составляем базу нечетких правил, определяющую оптимальное значение зеленого сигнала светофора.

Таблица 4.6 База нечетких правил

Заключение

В данной работе были рассмотрены следующие вопросы: понятие адаптивного управления дорожным движением в узле транспортной сети, на сети, а так же сравнение временно-зависимой и транспортно-зависимой стратегии управления дорожным движением.

Основные концепции адаптивного управления, реализуемые в различных странах и преимущества такие как: обеспечение высокую работоспособность в условиях изменения свойств управляемого объекта, окружающей среды и целей, за счет разработки новых алгоритмов функционирования.

Организация движения городского пассажирского общественного транспорта при работе адаптивной системы управления дорожным движением, реализация данного условия происходит за счет установки радиометок на транспортные средства и считывающих устройств на светофорные объекты. Распознавание транспортного средства позволит «растягивать» время горения зеленого сигнала и обеспечить беспрепятственный проезд общественного транспорта. А так жеможно использовать принцип обмена данными непосредственно между контроллерами соседних перекрестков. Данные детекторов, подключенные к дорожному контроллеру, дополняются данными тех детекторов, которые установлены на соседних перекрестках. Этот позволяет директивно задавать состояние сигнальных групп, а также обеспечивает приоритет общественного транспорта

Так как адаптивное управление очень затратно был предложен альтернативный метод для определения оптимального времени горения зеленого сигнала светофора на пересечение. А именно метод разработки классического модуля нечеткого управления, исходными данными для которого служили множества данных об интенсивности двух пересекающихся дорог. В данной работе были рассмотрены первые три блока данного метода и были проведены расчеты.

Список литературы

1. П. Пржибыл, М. Свитек "Телематика на транспорте", 2004 г;

Коноплянко, В.И., Гуджоян О.П., Зырянов В.В., Березин А.С. Безопасность движения.

Кузин М.В. Имитационное моделирование транспортных потоков при координированном режиме управления Омск - 2011;

В.Г. Кочерга, Е.Е. Шаталова Технические средства современных автоматизированных систем управления дорожным движением. Ростов-на-Дону 2011;

Е.А. Петров статья «Адаптивная система управления дорожным движением в составе городской ИТС»;

Абрамова Л.С. Журнал Вестник Харьковского национального автомобильно-дорожного университета.

С пи с ок с о к р а щ е н и й и о б о з н а ч е н и й , в с т р еч а ю щ и х с я в т е к с т е

А Р М – автоматизированное рабочее место;

АС С У Д – агрегатная система средств управления дорожным движением;

АС У Д – автоматизированная система управления дорожным движением;

АС У Д - С – АСУД на базе ПЭВМ;

В П У – выносной пульт управления;

Г О Р О Д, Г О Р О Д - М , Г О Р О Д - М 1 – названия автоматизированных систем управления дорожным движением с применением ЭВМ;

ДК – дорожный контроллер;

Д ПО У – дисплейный пульт оперативного управления;

ДП – диспетчерский пункт;

Д Т П – дорожно-транспортное происшествие;

Д Т С – дорожно-транспортная сеть;

ДТ – детектор транспорта;

ДУ – диспетчерское управление;

И П – инженерный пульт; И Р – индуктивная рамка; И Ц – имитатор центра;

КДА – контрольно-диагностическая аппаратура;

К Р Ц – контроллер районного центра; К Т С – комплекс технических средств; КУ – координированное управление; М н С х – мнемосхема;

П К – программа координации;

П КУ – пульт контроля и управления;

ПЭ В М – персональная электронно-вычислительная машина;

Р У – ручное управление;

С М Э П – специализированное монтажно-эксплуатационное подразделение;

С О – светофорный объект;

ТВ П – табло вызова пешеходное;

Т Е – транспортная единица (автомобиль);

Т И – телеизмерение;

Т КП – табло коллективного пользования;

Т П – транспортный поток;

Т С – телесигнализация;

ТС КУ – телемеханическая система координированного управления;

Т У – телеуправление;

У В К – управляющий вычислительный комплекс;

У ДС – улично-дорожная сеть;

УЗ Н – управляемый дорожный знак;

У НИ Т П – устройство накопления информации по транспортным потокам;

У П – управляющий пункт;

У С К – указатель рекомендуемой скорости движения;

Ц У П – центральный управляющий пункт.

1. Основы управления дорожным движением

1.1. Транспортный поток как объект управления

Объектом управления АСУД является транспортный поток, описываемый совокупностью признаков, характеризующих процесс движения: интенсивностью, скоростью, составом потока, интервалами в потоке и некоторыми другими показателями.

Транспортному потоку присущи вполне определённые свойства, которые должны быть учтены при выборе управления в системе. Поэтому рассмотрим некоторые наиболее важные особенности транспортного потока.

1 . 1 . 1. С в ой ст в а т ра нс пор тн о г о по т о к а

Во-первых, натурные обследования движения транспортных средств в городах показывают, что характеристики транспортных потоков испытывают в течение суток значительные изменения, возникающие из-за неравномерности поступления автомобилей в транспортную сеть. В этом заключается динамический характер поведения объекта управления.

Во-вторых, ежедневное периодическое измерение одних и тех же параметров потока в фиксированные интервалы времени суток показывает статистический характер процесса движения транспортных средств. Вероятностное поведение объекта управления обусловлено тем, что транспортный поток формируется из индивидуальных участников движения, использующих различные типы транспортных средств и имеющих различные цели поездки (во времени и пространстве).

В-третьих, эти статистические закономерности движения носят устойчивый характер из-за наличия детерминированных тенденций в движении транспортных средств. Действительно, подавляющее большинство поездок носит периодический характер и часто

осуществляется по постоянным маршрутам (деловые поездки, работа общественного маршрутизированного транспорта, грузовые перевозки). Коллективное поведение потока, являющееся результатом взаимодействия участников с различными целями и различными психофизиологическими характеристиками, подчиняется закону больших чисел и делает стабильными вероятностные характеристики движения транспортных средств. Именно отсутствие хаоса в транспортной сети делает возможным функционирование АСУД, которая, в свою очередь, способствует ещё большей стабилизации процессов движения.

В-четвёртых, важнейшим свойством транспортных потоков, во многом определяющим принципы управления, является их инерционность. Под инерционностью понимается свойство объекта управления непрерывно

переходить из состояния в состояние во времени и пространстве. Действительно, параметры движения транспортных единиц, измерённые в некоторый момент времени, не могут существенно измениться за малый промежуток времени из-за того, что каждая единица имеет конечную, вполне определённую скорость и может быть обнаружена в этом промежутке в пределах ограниченного участка транспортной сети. Это свойство проявляется, прежде всего, в том, что средние параметры потоков (интенсивность, скорость, плотность, интервалы) изменяются во времени и пространстве непрерывно. Наличие «пачек» в потоках также является результатом малой изменчивости структуры потока при его прохождении смежных перекрёстков, т.е. следствием инерционности в изменении интервалов между последовательными автомобилями. Инерционность объекта управления говорит о возможностях прогнозирования изменений его характеристик в небольших интервалах.

В-пятых, все перечисленные свойства проявляются как результат взаимозависимого движения транспортных средств. Эта взаимозависимость выражается главным образом в том, что подчас малые изменения условий движения на отдельных магистралях и перекрёстках (сужение проезжей части, изменение погодных условий, нарушение режима светофорной сигнализации) приводят к резкому изменению характера движения не только на данном участке, но и на отдалённых магистралях и перекрёстках города. Особенно сильно связность регулируемых транспортных узлов сказывается в режимах насыщения сети, когда транспортный затор, возникший на отдельном перекрёстке, распространяется на значительный участок сети. Связность в сети носит сложный, подчас непредсказуемый характер. Чем сильнее свойство связности, тем большие участки сети необходимо рассматривать, решая задачу управления, и тем сложнее эта задача, поскольку под объектом управления приходится понимать не отдельные перекрёстки, а все связанные между собой транспортные узлы.

Фактор взаимозависимости проявляется также и в условиях стеснённого движения транспортных средств по перегонам и через перекрёстки сети. Для того чтобы обеспечить безопасное и быстрое движение автомобилей в транспортном потоке, водители вынуждены совершать различные манёвры, обусловленные реальной дорожной ситуацией. В результате этого закономерности движения отдельных транспортных средств можно рассматривать как следствие суммарных взаимодействий в потоке. Характеристики результирующего взаимодействия являются теми исходными для системы параметрами, по которым решается вопрос о назначении того или иного управления

движением.

1 . 1 . 2. С о ст оя ни я т ра нс пор тн о г о по т о к а

Остановимся несколько подробнее на типичных случаях дорожного движения. Экспериментальные и теоретические исследования дают основания выделить три качественно различных состояния, которые мы условимся называть с в о б о д н ы м , г р у ппо вы м и вы ну ж д ен н ы м .

При малой интенсивности потока, когда пропускная способность дороги не является фактором, ограничивающим беспрепятственное движение, скорость движения транспортных средств близка к скорости свободного движения. Взаимодействие между транспортными единицами в режиме свободного движения настолько мало, что им можно пренебречь. Состояние свободного транспортного потока характеризуется не только независимым движением отдельных транспортных единиц, но и тем, какие интервалы между единицами в потоке складываются при этом. Многочисленные экспериментальные работы, а также предельные теоремы

массового обслуживания говорят о том, что распределение интервалов в свободном потоке близко к экспоненциальному и, следовательно, число прибытий транспортных единиц потока в некотором интервале во времени или пространстве описывается законом Пуассона . Свободное состояние потока наблюдается в реальной транспортной сети на перегонах с редким движением в сечениях, удалённых более чем на 800 м от питающих перекрёстков.

Иная картина возникает, если рассматривать групповой режим движения. Групповое движение транспортных средств складывается при несколько больших интенсивностях движения, когда пропускная способность дороги и перекрёстка уже оказывает существенное влияние на условия движения. Для того чтобы сохранить скорость, водители быстроходных автомобилей вынуждены совершать обгоны, перестроения

и другие манёвры. В режиме свободного движения обгоны в потоке осуществляются практически без взаимодействия между транспортными единицами. Групповое движение характеризуется максимальным взаимодействием единиц при движении, максимальной интенсивностью вынужденных манёвров. В результате этого весь транспортный поток разделяется на совокупность очередей, имеющих скорость тихоходных головных автомобилей. Скорости быстроходных транспортных единиц при этом падают. Теперь уже движение транспортных средств не может быть описано законом Пуассона, поскольку расстояния между последовательными автомобилями в очередях близки к расстояниям безопасности, т.е. не подчиняются экспоненциальному распределению. Характерным примером группового потока является движение транспортных средств, наблюдаемое в сечении перегона, расположенного в 20 – 30 м за питающим его перекрёстком. Пачки в потоке, возникающие

после прохождения транспортных единиц через перекрёсток, по мере движения по перегону «разваливаются» сравнительно медленно, и поток в рассматриваемом сечении имеет ещё ярко выраженную групповую форму.

Когда интенсивность движения увеличивается и достигает пропускной способности дороги, условия обгонов быстроходными автомобилями тихоходных затрудняются, очереди, образованные при групповом режиме движения, удлиняются и практически сливаются в единую очередь. При этом скорости транспортных средств в потоке выравниваются и оказываются близкими к скоростям самых тихоходных автомобилей, интервалы между транспортными единицами в потоке становятся близки к детерминированным, равным расстояниям безопасного движения. Этот режим движения будем называть вынужденным.

Ещё одной особенностью объекта управления является наличие в нём тенденции развития. Количественные изменения объекта управления

связаны с естественным ростом автомобилизации, сооружением новых регулируемых перекрёстков, строительством развязок в разных уровнях, улучшением динамических характеристик транспортных средств, с пересмотром организации движения в регулируемом районе (введение и отмена поворотных движений, введение улиц с односторонним движением, запрещение проезда по некоторым улицам грузовому транспорту, запрещение и разрешение стоянок и др.). Эти количественные изменения приводят, как правило, к изменению структуры потоков, степени связанности отдельных перекрёстков сети, масштабов регулируемой сети, что может потребовать качественной перенастройки управляющего органа и привести к пересмотру вида алгоритмов управления для того или иного перекрёстка. Таким образом, система управления движением обязательно должна быть «гибкой» по отношению к объекту управления.

1 . 1 . 3. Р а с пр е д е л ен ие в р е м енн ы х и нте р в а л ов

Большинство исследователей , рассматривая транспортный поток на отрезке магистрали значительной длины, пользуются для описания временных интервалов составными распределениями вида

F (d t ) =

A L - b 1 S +

B L - b 2 S

+ C L - b 3 S

г д е к а ж д ое из т р ё х с л агаем ых опи с ы в ае т опр е д е л ё нную ч ас т ь п о т о к а:

ü A L - b 1 S

ü B L - b 2 S

– свободно движущаяся;

– ч ас т и ч но с в я з а нн а я;

ü C L - b 3 S – связанная часть ТП.

Каждый из трёх коэффициентов А , В , С означает долю интенсивности движения, находящуюся в одном из трёх состояний, поэтому их сумма

Распределение (1.1) достаточно хорошо описывает ТП на магистралях непрерывного движения. Рассматривая задачу описания ТП на городских

улицах, оснащённых светофорами, более целесообразно анализировать

распределение временных интервалов внутри пачек автомобилей по мере удаления регулируемого перекрёстка. Такой подход тесно связан с решением вопроса о постепенном распаде пачек, а следовательно, возможности организации координированного управления движением транспорта.

Эксперименты, поставленные некоторыми исследователями , показывают, что более подходящим для описания временных интервалов внутри пачек является нормированное распределение Эрланга.

F (d t ) =

l (K + 1)

k

L l (K + 1)d t . (1.2)

C ма т ема т и ч ес к им ожи д а ни е м:

С дисперсией:

M k

D k =

1 . (1 . 3)

1 . (1 . 4)

l 2 (K + 1)

В пользу данного распределения говорит тот факт, что, задаваясь различными K , можно получить любую степень последствия, следовательно, отразить степень связанности потока внутри пачки. Эффект распадения пачек обуславливает зависимость средней интенсивности движения внутри пачек l и порядка распределения K от расстояния пачки до выходного перекрёстка. Экспериментальные исследования показали, что уменьшение l и K по мере удаления пачки от перегона хорошо аппроксимируется экспоненциальной зависимостью

- H L

l n (L n ) = l + ( l н ас

L c ) L 1

n . (1.5)

K = [

K c + (K

на с

- K c

) L - H 2 L n

где l – средняя интенсивность движения по всему потоку;

l н а с –

интенсивность внутри пачки при выходе её с перекрёстка;

L n – р асс т о я н и е

пачки от перекрёстка;

K н а с – ма к с и ма л ь ный пор я д ок р ас п р е д е л е ния

Э рл а н г а д ля п а чк и, т о л ь к о чт о в ы ше д ше й с п е р е к р ёс тк а; K c

– порядок

р ас пр е д е л е ния Э рл а н г а по по т о к у п о с л е о к он ч а т е л ь но г о р ас пр е д е л е ния и

слияния пачек;

H 1 , H 2 – к о э фф ици е н т ы р ас п а д е ния п а ч е к д ля

l n (l n )

и K ;

в квадратных скобках – целая часть выражения.

Эксперименты показывают, что для пачки, только что вышедшей с перекрёстка, величина K =9.

Практические исследования с использованием АСУД в городах: Харькове, Минске, Красноярске, Нижнем Новгороде и др., проведённые в

80 – 90 гг., позволили получить представительные статистические данные о транспортном потоке .

Анализ распределения интервалов при различных интенсивностях, а также минимально допустимые интервалы между автомобилями указывают на существование трёх групп автомобилей в транспортном потоке:

üавтомобили, движущиеся свободно, не оказывающие влияния друг на друга при интервалах более 8 с;

üчастично связанные автомобили, движущиеся с интервалом 1,5 –

8,0 с; распределение интервалов таково, что водители отдельных автомобилей имеют возможность маневрировать внутри потока;

üсвязанная часть потока; в этом случае в течение всего времени

наблюдаются только малые интервалы порядка 1,0 – 1,3 с.

На практике автомобили, двигающиеся свободно, наблюдаются при интенсивности до 300 автомобилей в час на полосу. Частично связанные автомобили наблюдаются при интенсивности порядка 300 – 600 автомобилей в час на полосу. Связанный поток наблюдается при интенсивности более 600 автомобилей в час на полосу.

УДК 517.977.56, 519.876.5

адаптивное управление дорожным движением на базе системы микроскопического моделирования транспортных потоков

A. С. Голубков,

инженер, младший научный сотрудник

B. А. Царев,

канд. техн. наук, доцент Институт менеджмента и информационных технологий Череповецкий филиал Санкт-Петербургского государственного политехнического университета

Описаны состав и особенности функционирования современных автоматизированных систем управления дорожным движением. Предложен способ адаптивного управления дорожным движением на основе предсказания транспортных потоков и быстрых моделей оптимизации перекрестков. Представлены характеристики системы микроскопического моделирования транспортных потоков, применяемой в системе адаптивного управления дорожным движением.

Ключевые слова - адаптивное управление дорожным движением, оптимизация управления дорожным движением, моделирование транспортных потоков, микроскопическое моделирование.

Введение

В настоящее время во многих крупных городах весьма остро стоит проблема транспортных заторов. При этом исследования показывают, что потенциал существующих улично-дорожных сетей (УДС) используется далеко не полностью. Повышение пропускной способности УДС может быть достигнуто за счет внедрения автоматизированных систем управления дорожным движением (АСУДД). При внедрении АСУДД достигается улучшение следующих показателей : время в пути транспортных средств (ТС) снижается на 10-15 %; количество общих транспортных остановок сокращается на 20-40 %; расход топлива снижается на 5-15 %, количество вредных выбросов в атмосферу сокращается на 5-15 %; повышается безопасность дорожного движения.

Современные АСУДД

Основными компонентами современных АСУДД помимо светофоров и светофорных контроллеров являются:

1) детекторы транспорта (ДТ), обеспечивающие обнаружение ТС и подсчет их числа при движении по полосам;

2) одна или несколько ЭВМ для обработки данных с ДТ и расчета оптимальных управляющих сигналов;

3) совокупность программных средств, реализующих алгоритмы детектирования транспорта и оптимизации управления транспортными потоками;

4) средства информирования водителей ТС (различные информационные табло);

5) средства связи и телекоммуникации, используемые для объединения программно-аппаратных средств АСУДД в единую систему.

В современных АСУДД применяются различные типы детекторов транспорта: петлевые (индукционные); инфракрасные активные и пассивные; магнитные; акустические; радарные; видеодетекторы; комбинированные (в различных комбинациях ультразвуковые, радарные, инфракрасные и видеодетекторы). Все ДТ обладают различной эффективностью в различных условиях эксплуатации . Однако в связи с достигнутым высоким уровнем развития вычислительной и телевизионной техники во многих случаях наиболее предпочтительными являются видеодетекторы на основе технологий обработки и анализа изображений, а также комбинации видеодетекторов с детекторами других типов.

В существующих АСУДД тех или иных производителей используются в различных комбинациях три основных способа адаптивного управления транспортными потоками .

1. Метод управления с использованием библиотек, характеризуемый предварительным расчетом множества планов координации и переключением их на основании текущих усредненных показаний стратегических ДТ путем выбора из библиотеки соответствующего подходящего плана.

2. Метод актуального управления, характеризуемый предварительным расчетом планов координации светофоров, переключением их по календарному графику и реализацией изменений в этих планах в соответствии с транспортными запросами, фиксируемыми локальными детекторами на отдельных направлениях.

3. Метод адаптивного управления, характеризуемый постоянным пересчетом планов координации и календарных режимов на основании информации, получаемой с локальных и стратегических (путевых) детекторов в режиме реального времени.

Оптимизация управления транспортными потоками в современных АСУДД производится различными методами. В системе Balance (Германия) применяются генетические алгоритмы оптимизации. В системе Utopia (Нидерланды) производится расчет на основе ценовой функции, учитывающей время задержки, число остановок, специфические приоритетные требования, взаимное расположение перекрестков. В системе «Спектр» (Санкт-Петербург, Россия) ис-

пользуются следующие алгоритмы: поиск разрывов потока транспорта; расчет по формуле Вебстера; переключение программ по интенсивностям. В АСУДД производства ОАО «Электромеханика» (Пенза, Россия) используется следующее алгоритмическое обеспечение: алгоритм поиска разрыва потоков транспорта; поиск разрыва с сохранением общей длительности цикла координации; алгоритм переключения заранее рассчитанных режимов по контрольным точкам интенсивности движения транспорта; алгоритм динамического перерасчета параметров цикла на основе формулы Вебстера. В АСУДД «Агат» (Минск, Белоруссия) используются следующие эвристические алгоритмы управления: выбор плана координации по карте времени; выбор фазы, режима по плану координации; выбор плана координации по параметрам движения в характерных точках и др.

Адаптивное управление транспортными потоками на основе моделей оптимизации перекрестков

Разрабатываемая система управления дорожным движением (рисунок) состоит из одного центрального пункта и множества локальных пун-

■ Схема системы адаптивного управления дорожным движением

ктов управления, число которых соответствует числу управляемых перекрестков в системе. Все локальные пункты имеют соединение по каналам связи с центральным пунктом управления.

Центральный пункт управления выполняет функции сбора и обработки информации об интенсивностях движения транспортных средств в УДС. Обработка информации представляет собой предсказание величин транспортных потоков на основе следующих данных:

Текущих интенсивностей транспортных потоков;

Скоростей движения ТС;

Расстояний между смежными управляемыми перекрестками в системе;

Предсказания маршрутов движения ТС на основе статистики для текущего дня недели и времени суток;

Текущих длин фаз светофорных объектов на перекрестках УДС.

Локальные пункты в системе выполняют непосредственно оптимизацию управления транспортными потоками на соответствующих перекрестках. В состав каждого локального пункта управления входят:

Детекторы транспорта;

ЭВМ, выполняющая предобработку данных с ДТ, если это необходимо, и оптимизацию управления транспортными потоками;

Контроллер светофоров, допускающий внешнее задание длин фаз светофорного объекта;

Светофоры.

В качестве ДТ предлагается использовать видеодетекторы. В этом случае сигнал с видеокамер поступает в ЭВМ локального пункта управления, где программный модуль предобработки выполняет анализ видеоизображений и оценку интенсивностей транспортных потоков на всех контролируемых полосах. Далее интенсивности транспортных потоков передаются в центральный пункт управления.

Оптимизация управления транспортными потоками производится следующим образом. В ЭВМ имеется точная программная микроскопическая модель перекрестка. При расчете оптимальных длин фаз для следующего фазового цикла управления светофорным объектом (длительность фазового цикла составляет, как правило, 2-5 мин) выполняются следующие действия.

В модели задаются входные интенсивности транспортных потоков на следующие 5 мин (прогноз интенсивностей от центрального пункта управления) с точностью до отдельного ТС.

Модуль оптимизации запускает прогоны модели перекрестка длительностью 5 мин модельного времени, для каждого прогона задает новые длины фаз модельного светофорного объекта

и рассчитывает по результатам каждого прогона значение целевой функции.

В результате цикла оптимизации, состоящего из нескольких прогонов модели, модуль оптимизации находит оптимальные длины фаз модельного светофорного объекта, соответствующие экстремуму целевой функции поиска.

Длины фаз светофорного объекта представляют собой вектор параметров оптимизации j = (фр ф2, ф3, ф4) (на крестообразном перекрестке обычно задается не более четырех фаз). В качестве целевой функции F(j) может служить среднее время ожидания проезда перекрестка ТС. Критерием оптимизации в этом случае будет минимум среднего времени ожидания проезда

min .Р(ф) = F(^*),

где Ф - допустимое множество значений координат вектора длин фаз; j* - вектор оптимальных значений длин фаз. Допустимое множество значений координат вектора длин фаз имеет следующий вид:

Ф = {ф|Tmin < Фi < Tmax.i = 1.-. 4} С r4.

где Т. и - соответственно минимальное

и максимальное значения длины фазы.

Расчет производных целевой функции на модели является невозможным, поэтому в качестве методов оптимизации могут быть использованы только прямые методы. Предложено применение поочередного циклического варьирования длин фаз светофорного объекта от прогона к прогону с постоянным шагом по длине фазы. Длина шага варьирования длин фаз может быть задана равной 2-3 с.

Необходимым условием возможности реализации описанной системы адаптивного управления дорожным движением является наличие системы микроскопического моделирования транспортных потоков, скорость работы которой была бы достаточной для выполнения оптимизации длин фаз светофорного объекта за время одного фазового цикла.

Система микроскопического моделирования транспортных потоков

Авторами статьи разработана система микроскопического моделирования транспортных потоков в УДС, которая может быть использована для оптимизации управления транспортными потоками в составе системы адаптивного управления дорожным движением. Главной особенностью системы моделирования является применение дискретно-событийного подхода в моделиро-

вании , благодаря чему система имеет высокое быстродействие.

Быстродействие системы оценено в серии экспериментов с моделями отдельных типовых перекрестков. Эксперименты выполнены на компьютере с процессором Intel Core 2 Quad Q6600 с частотой каждого ядра 2,4 ГГц (реально в экспериментах использовалось только одно ядро, так как моделирование выполняется в один программный поток). В результате моделирование транспортных потоков через единичный перекресток в течение 45 сут (3 888 000 с) заняло 2864 с процессорного времени. Таким образом, превышение скорости моделирования над скоростью течения реального времени составило 3 888 000/2864 « » 1358 раз, т. е. за время реального фазового цикла на перекрестке модуль оптимизации способен выполнить более 1300 прогонов оптимизационного эксперимента.

Особенностью дискретно-событийного подхода в моделировании является независимость результатов моделирования от скорости выполнения модели, т. е. даже в режиме полной загрузки процессора моделирование покажет совершенно идентичные результаты результатам выполнения, например, в режиме реального времени.

Напротив, в системно-динамическом подходе при ускорении моделирования посредством увеличения шага дискретизации по времени точность моделирования падает. Системно-динамический подход реализует подавляющее большинство современных систем микроскопического моделирования транспортных потоков: Aimsun (Испания) , Paramics Modeler (Шотландия) , DRACULA (Великобритания) , TransModeler (США) , VISSIM (Германия) . Во всех перечисленных системах моделирования используется шаг дискретизации по времени 0,1-1,0 с.

В системно-динамической дорожно-транспортной модели шаг моделирования по времени, равный 1 с, вполне способен лишить модель адекватности. Так, ТС на скорости 60 км/ч за 1 с преодолевает более 16 м пути, т. е. на типовых скоростях движения модельное ТС позиционируется лишь с точностью порядка 10 м.

В предложенной дискретно-событийной модели точность позиционирования модельных объектов остается постоянной практически при любой скорости и зависит от разрядности использу-

1. Бродский Г. С., Айвазов А. Р. Автоматизированное управление дорожным движением в городской среде // Мир дорог. 2007. № 26. С. 2-3.

емых переменных и типа выполняемых над ними арифметических операций. При использовании чисел с плавающей запятой двойной точности (64 бита, 15 значащих десятичных цифр мантиссы) точность позиционирования модельных ТС в дискретно-событийной модели в любой момент времени составит не более 1 см.

Заключение

Предложенная система адаптивного управления дорожным движением способна продемонстрировать высокую эффективность благодаря исчерпывающей оптимизации каждого отдельного перекрестка и учету транспортных потоков между соседними перекрестками с точностью до отдельных ТС. При наличии в УДС по какому-либо направлению транспортного потока высокой плотности происходит автоматическая подстройка управления на всех смежных перекрестках с организацией на данном направлении зеленой волны. При этом оптимизации подвергаются и все прочие направления с транспортными потоками меньшей плотности.

Оптимизация управления каждым отдельным перекрестком в реальном времени является возможной благодаря использованию системы микроскопического дискретно-событийного моделирования транспортных потоков в УДС, разработанной авторами статьи. Данная система моделирования вследствие применения дискретнособытийного подхода обладает высокой производительностью и точностью. В ближайшее время на сайте разработчиков будет доступна ознакомительная версия системы моделирования.

Качество оптимизации управления транспортными потоками в высокой степени зависит от точности предсказания плотности потоков транспорта. При этом точность предсказания тем выше, чем меньше временной интервал предсказания. При использовании на локальных перекрестках аппаратного обеспечения достаточной производительности пересчет оптимальных длин фаз цикла регулирования светофорного объекта может производиться с началом каждой следующей фазы. В этом случае реально используемый временной интервал предсказания сократится до длительности одной фазы, т. е. до 15-100 с, в результате чего повысится эффективность оптимизации.

2. Бродский Г. С., Рыкунов В. В. Поехали! АСУДД - мировой опыт и экономический смысл // Мир дорог. 2008. № 32. С.36-39.

3. ГНПО АГАТ. http://www.agat.by (дата обращения:

4. Crowdhury M. A., Sadek A. Fundamentals of Intelligent Transportation System planning. - Boston - London: Artech House, 2005. - 190 p.

5. Кременец Ю. А., Печерский М. П., Афанасьев М. Б. Технические средства организации дорожного движения. - М.: Академкнига, 2005. - 279 с.

6. GEVAS software: Traffic Control. http://www.gevas.eu/index.php?id=149&L=1 (дата обращения: 16.06.2010).

7. UTOPIA - Peek Traffic. http://www.peektraffic.nl/ page/484 (дата обращения: 16.06.2010).

8. ЗАО «РИПАС»: Разработка и производство автоматизированных систем. http://www.ripas.ru (дата обращения: 16.06.2010).

9. АСУДД - ОАО «Электромеханика». http://www. elmeh.ru/catalog/3/asud (дата обращения:

10. Карпов Ю. Г. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5. - СПб.: БХВ-Петербург, 2006. - 400 с.

11. Советов Б. Я., Яковлев С. А. Моделирование систем. - М.: Высш. шк., 2001. - 343 с.

12. Nagel K. High-speed microsimulations of traffic flow. Thesis: University Cologne, 1995. - 202 p.

13. Aimsun. The integrated transport modeling software. http://www.aimsun.com (дата обращения:

14. Quadstone Paramics. Traffic Simulation Solutions. http://www.paramics-online.com (дата обращения:

15. SATURN Software Web Site. https://saturnsoftware. co.uk (дата обращения: 20.05.2010).

16. TransModeler Traffic Simulation Software. http:// www.caliper.com/transmodeler/ (дата обращения:

17. PTV Vision - транспортное планирование. http:// www.ptv-vision.ru (дата обращения: 20.05.2010).

18. Компания «Малленом». http://www.mallenom.ru (дата обращения: 20.05.2010).

Каждому из Вас необходимо зарегистрироваться на сайте РУНЭБ (http://www.elibrary.ru) с тем, чтобы Вам присвоили индивидуальный цифровой код (при регистрации код присваивается автоматически), что обязательно для создания корректной базы данных РУНЭБ, объективно отражающей информацию о Вашей научной активности, а также для подсчета Вашего индекса цитирования (РИНЦ).

Классификация и назначение

Управление движением в условиях предельного насыщения дорог транспортными и пешеходными потоками требует все более совершенных методов регулирования движения. В последнее время все большую актуальность приобретает применение автоматизированных систем управления дорожным движением (АСУДД), представляющих собой комплекс технических средств, реализующий определенные технологические алгоритмы управления транспортными потоками.

Основная цель введения АСУДД заключается в снижении суммарных задержек транспортных средств на пересечениях в зоне действия этой системы - на перекрестке, в районе или городе. Общие требования к АСУДД определены ГОСТ 24.501 - 82 «Автоматизированные системы управления дорожным движением. Общие требования».

Классификация АСУДД с разделением по методам управления приведена на рис. 5.3.

Рис. 5.3. Классификация АСУДД

(автоматизированной системы управления дорожным движением)

Локальной является АСУДД, если для определения параметров регулирования на перекрестке используется только информация о транспортных потоках на подходах к этому перекрестку и в зоне перекрестка. С помощью локальных алгоритмов определяют цикл регулирования, последовательность фаз регулирования, их длительности или моменты переключения фаз, параметры промежуточных тактов.

Особенностью сетевых АСУДД является их использование для определения параметров регулирования информации о транспортной ситуации на нескольких перекрестках, обычно связанных в единую сеть, характеризующуюся значительной интенсивностью движения транспортных средств между соседними перекрестками и небольшими (до 600...700 м) расстояниями между ними.

Как правило, на сетевом уровне определяются циклы регулирования для группы перекрестков и временные сдвиги для отдельных светофорных объектов. Для определения этих параметров помимо данных, необходимых для локального управления, используется информация о топологии сети, взаимосвязях транспортных потоков на соседних стоп-линиях и (или) геометрических направлениях проезда через перекрестки, временах проезда между соседними стоп-линиями.

По временному критерию все алгоритмы светофорного регулирования подразделяют на алгоритмы, реализующие управление дорожным движением по прогнозу (программные, жесткие ), и алгоритмы, действующие в реальном времени (адаптивные ).

Управление по прогнозу не исключает достаточно частого (до 3 - 5 раз в суточном цикле) изменения параметров регулирования, однако эти параметры определяются не исходя из текущей транспортной ситуации, а ее прогнозированием, основанным на выполненных ранее наблюдениях.

Промежуточное положение между адаптивными и неадаптивными алгоритмами занимают алгоритмы, основанные на ситуационном управлении . Алгоритмы этой группы предполагают предварительный расчет параметров регулирования для различных классов транспортных ситуаций и создание библиотеки типовых режимов регулирования. Выбор конкретного режима из библиотеки производится в реальном времени на основании текущей информации о транспортной ситуации и отнесении ее к одному из классов транспортных ситуаций.

Таким образом, методы автоматизированного управления транспортными потоками в АСУДД можно отнести к одному из четырех классов, как это показано на рис. 5.4 (для каждого класса указаны наиболее распространенные алгоритмы управления).

В настоящее время в России наиболее распространенным является метод локального жесткого однопрограммного управления светофорной сигнализацией.

Данный метод основан на предварительном расчете длительности цикла регулирования и фаз регулирования.

Рис. 5.4. Методы автоматизированного управления

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Введение

Рост количество автомобилей, и как следствие увеличение их числа на дорогах крупных городов становиться все более и более важной проблемой на сегодняшний день. Большое скопление центров притяжения людских масс в центре большинства мегаполисов ведет к усложнению управления УДС и удорожанию ее содержания. Многие города мира не справляются с ежедневными транспортными вызовами и стоят в многокилометровых пробках день ото дня.

При этом, потребность населения в транспортном обеспечении продолжает расти. Следовательно, без должных мер ситуация движется к тупиковому финалу. УДС спроектированные под меньшую нагрузку не справляются и требуют модернизации и оптимизации. На сегодняшний день городу требуются не только хорошие, грамотно смоделированные, а затем построенные дороги, но и их качественное управление. Так же во многом, прежние способы управления дорожным движением устаревают, и не успевают за растущим городом, а разнонаправленность потоков требует динамического управления и интеграции инновационных систем для улучшения транспортной обстановки, и в частности в Москве. Вся система строительства УДС и ее управления нуждается в изменении посредствам новых технологий, в том числе и математического моделирования, позволяющего прогнозировать поведения УДС, вносить корректировки в ее конфигурацию и многое другое. Именно поэтому резко возрастает потребность в альтернативных, а также - в любых дополнительных источниках информации о состоянии дорожного движения. Уже сейчас внедряются новейшие комплексы и системы по сбору и обработке данных.

В первой главе приводится краткий анализ сложившейся транспортной ситуации в городе Москве, анализ получения и использования метрических данных автомобилей при помощи сервиса «Яндекс.Пробки», произведен анализ полезности таких данных и возможности их использования. В конце главы приведены теоретические сведения о дорогах, их классификации, а так же о том, что такое транспортные потоки и их основные характеристики, а так же произведена постановка задачи

Во второй главе произведен выбор «подопытного» участка УДС, рассмотрены его основные проблемы при помощи тепловой карты «Яндекс.Пробки», а так же исходя из постановки задачи, предложены меры по улучшению транспортной обстановки на данном участке УДС.

В третьей главе изложено подробное обоснование предлагаемых изменений при помощи компьютерного моделирования и сравнения двух моделей УДС, и их параметров. Создана компьютерная модель на основе реально выбранного участка, проанализированы проблемы и данные, после чего создана компьютерная модель с внесенными изменениями, предложенными во второй главе. Проведен сравнительный анализ данных двух моделей, позволяющий сделать вывод о том что внесенные изменения приведут к улучшению движения на данном участке.

Объектом исследования являются транспортные потоки на улично-дорожной сети городов.

Предметом исследования является возможность использования компьютерного моделирования для решения реальных практических задач.

Научная гипотеза состоит в предположении о возможности применения реальных данных в компьютерной модели, с дальнейшей ее (модели) модернизацией, и получения результатов улучшения, с высокой вероятностью являющихся достоверными и применимыми на практике

Целью исследования является рассмотрение одной из проблемных радикальных магистралей Москвы, создание ее компьютерной модели, сравнение поведения модели с картиной на практике, внесение улучшений и изменений в структуру УДС и дальнейшее моделирование измененной УДС, с целью подтверждения улучшения обстановки на данном участке.

Достоверность результатов проведенных в работе исследований обеспечивается экспериментальным подтверждением основной гипотезы, согласованностью результатов теоретических исследований, получаемых на основании анализа разработанных математических моделей для расчета основных параметров УДС, с результатами проведенных исследований.

1 Анализ текущего положения и постановка задачи

1.1 Обоснование актуальности проблемы

Ни для кого не секрет, что многие крупные мегаполисы мира испытывают огромные проблемы в транспортной сфере. Транспорт в мегаполисе играет огромную связующую роль, именно поэтому транспортная система мегаполиса должна быть сбалансированной, легко управляемой и быстро реагирующей на все изменения в трафике движения в городской черте. Фактически, мегаполис это городская агломерация с огромной концентрацией машин и людей, в которой автомобильный транспорт (личный и общественный) играет огромную роль, как и в перемещении самого населения, так и в общей логистике. Именно поэтому грамотное управление транспортной системой мегаполиса играет огромную роль в его деятельности.

С каждым днем растет потребность населения в транспортном обеспечении, как при помощи общественного транспорта, так и личных автомобилей. Логично предположить, что с увеличением количества транспорта в мегаполисе, должно пропорционально расти количество дорог, развязок и паркингов, однако развитие улично-дорожной транспортной сети (УДС) не успевает за темпами автомобилизации.

Напомним, что по данным статистики количество автомобилей на душу населения неуклонно растет (Рисунок 1.1).

автомобильный транспортный поток компьютерный

Рисунок 1.1 Количество автомобилей на 1000 человек в Москве

При этом УДС Москвы не готова к таким темпам роста автомобилизации в городе. Помимо личного транспорта в городе, должна быть решена проблема общественного транспорта и пассажироперевозок в Москве. По данным государственной транспортной программы всего 26% пассажиропотока приходиться личный транспорт и 74% на транспорт общественный. При этом, общий годовой объём перевозок в 2011 г. cоставил 7.35 млрд. пассажиров, и по прогнозам будет расти, и в 2016 году составит до 9.8 млрд. пассажиров в год. При этом планируется, что всего 20% от этого числа пассажиров будут использовать личный транспорт. При этом суммарно на личный и надземный общественный транспорт приходиться более половины пассажироперевозок в Москве. Это означает, что решение проблем автомобильного транспорта в мегаполисе играет большую роль для его нормального функционирования и комфортного проживания его жителей. Эти данные означают что без принятия адекватных мер к улучшению транспортной обстановки в Москве наш ждет транспортный коллапс, который итак медленно назревает в Москве последние годы.

Так же стоить заметить, что помимо проблем связанных с внутригородским перемещением пассажиров, четко видна проблема транспортных потоков маятниковой трудовой миграции, и потока автотранспорта (в основном грузового) идущего сквозь город. И если проблема транзитного грузового транспорта частично решается, путем запрета на въезд и перемещение в дневное время в городской черте грузовиков грузоподъёмностью свыше 12 тонн, то проблема перемещения пассажиров из области в городскую черту гораздо более глубока и тяжела в своем решении.

Этому способствуют несколько факторов, прежде всего расположение центров притяжения людских масс в городской черте. В частности расположение огромного числа рабочих мест и офисов большого числа компаний, расположение большого числа объектов инфраструктуры, культуры и обслуживания (в частности торговых центров, однако тенденция к их строительству в городской черте неуклонно снижается в пользу их расположения за МКАДом). Все это приводит к тому, что огромные людские потоки ежедневно в утренний час пик перемещаются из области в городскую черту и в вечернее время назад, в область. Особенно остро эта проблема стоит в будние дни, когда огромное число людей в утренний час пик спешат на работу, а в вечерний домой. Все это приводит к колоссальной нагрузке для вылетных магистралей, используемых в эти часы огромным числом пассажиров, перемещающихся как общественным транспортом, так и личным. Кроме того, в летний период к ним добавляются дачники, каждые выходные создающие огромные заторы на магистралях в область, а по прошествии выходных из нее.

Все эти проблемы требуют незамедлительного решения, путем строительства новых дорог и развязок, переноса центров притяжения людских масс и оптимизации управления уже существующей структурой УДС. Все эти решения попросту не возможны без тщательного планирования и моделирования. Так как при помощи прикладных программ и средств моделирования мы можем увидеть, какого эффекта мы сможем добиться, приводя в жизнь те или иные решения, и выбирать наиболее подходящие исходя из их стоимостной оценки и положительного эффекта влияния на УДС.

1.2 Анализ текущей транспортной обстановки в Москве при помощи веб-сервиса Яндекс Пробки

Рассматривая более подробно проблемы, изложенные выше, мы должны обратиться к существующим телеметрическим системам сбора информации о транспортной обстановке в Москве, которая могла бы наглядно показать проблемные зоны нашего мегаполиса. Одной из наиболее продвинутых и полезных систем в этой области, зарекомендовавшей себя своей эффективностью является веб-сервис «Яндекс Пробки», доказавший свою эффективность и информативность.

Анализируя данные предоставляемые сервисом в открытом доступе, мы можем провести анализ данных и предоставить фактическое обоснование проблем изложенных выше. Таким образом, мы можем наглядно увидеть зоны с напряженной транспортной обстановкой, наглядно рассмотреть тенденции к образованию заторов и предложить решение проблемы путем выбора наиболее оптимальной математической модели для решения задачи моделирования конкретной проблемной области, с дальнейшим получением результатов на основании которых возможно сделать выводы о возможности улучшения транспортной обстановки в данном конкретном случае. Таким образом, мы можем совместить теоретическую модель и реальную проблему, предоставив ее решение.

1.2.1 Краткая справка о веб-сервисе «Яндекс пробки»

Яндекс пробки - веб-сервис, занимающийся сбором и обработкой информации о транспортной ситуации в Москве и других городах России и мира. Анализируя полученную информацию, сервис предоставляет информацию о транспортной обстановке (а для крупных городов еще и выставляет «балл» загруженности транспортной сети), позволяя автомобилистам правильно составить маршрут поездки и оценить предполагаемое время в пути. Так же сервис предоставляет краткосрочный прогноз о предполагаемой транспортной обстановке в конкретное время, в конкретный день недели. Таким образом, сервис частично участвует в оптимизации ТП, позволяя водителям выбирать маршруты объезда не охваченные затором.

1.2.2 Источники данных

Для наглядности представим, что мы с вами -- ДТП на Страстном бульваре перед Петровкой (небольшое и без жертв). Своим появлением мы перегородили, допустим, два ряда из существующих трех. Автомобилисты, которые двигались по нашим рядам, вынуждены объезжать нас, а водители, перемещавшиеся по третьему ряду, -- пропускать объезжающих. Некоторые из этих автомобилистов -- пользователи приложений Яндекс.Карты и Яндекс.Навигатор, и их мобильные устройства передают Яндекс.Пробкам данные о движении автомобиля. По мере приближения машин пользователей к нашему ДТП их скорость будет уменьшаться, и устройства начнут «сообщать» сервису о заторе.

Чтобы участвовать в сборе данных, автомобилисту необходим навигатор и мобильное приложение «Яндекс.Пробки». Например, если на дороге произойдет ДТП то какой-нибудь сознательный водитель, увидев наше ДТП, может предупредить о нём других автолюбителей, поставив соответствующую точку в мобильных Яндекс.Картах.

1.2.3 Технология обработки треков

GPS-приемники допускают погрешности при определении координат, что затрудняет построение трека. Погрешность может «сместить» автомобиль на несколько метров в любую сторону, например, на тротуар или крышу рядом стоящего здания. Координаты, поступающие от пользователей, попадают на электронную схему города, на которой очень точно отображены все здания, парки, улицы с дорожной разметкой и прочие городские объекты. Благодаря этой детализации программа понимает, как на самом деле двигался автомобиль. Например, в том или ином месте машина не могла выехать на встречную полосу или поворот был совершен по дорожной разметке, не «срезая» угол. (Рисунок 1.2)

Рисунок 1.2 Технология обработки треков

Следовательно, чем больше пользователей у сервиса, тем точнее информация о дорожной ситуации.

После объединения проверенных треков алгоритм анализирует их и выставляет «зеленые», «желтые» и «красные» оценки соответствующим участкам дорог.

1.2.4 Объединение данных

Далее происходит агрегация -- процесс объединения информации. Каждые две минуты программа-агрегатор собирает, как мозаику, информацию, полученную от пользователей мобильных Яндекс.Карт в одну схему. Эта схема отрисовывается на слое «Пробки» (Рисунок 1.3) Яндекс.Карт -- и в мобильном приложении, и на веб-сервисе.

Рисунок 1.3 Отображение пробок в Яндекс.Картах

1.2.5 Шкала баллов

В Москве, Санкт-Петербурге и других крупных городах сервис Яндекс.Пробки оценивает ситуацию по 10-балльной шкале (где 0 баллов -- свободное движение, а 10 баллов -- город «стоит»). С помощью этой оценки водители могут быстро понять, сколько примерно времени они потеряют в пробках. Например, если средний балл по Киеву равен семи, то дорога займет приблизительно в два раза больше времени, чем при свободном движении.

Шкала баллов настроена по-разному для каждого из городов: то, что в Москве -- небольшое затруднение, в другом городе -- уже серьезная пробка. Например, в Санкт-Петербурге при шести баллах водитель потеряет примерно столько же времени, сколько в Москве уже при пяти. Баллы рассчитываются следующим образом. По улицам каждого города заранее составлены маршруты, включающие в себя основные шоссе и проспекты. Для каждого маршрута есть эталонное время, за которое его можно проехать по свободной дороге, не нарушая правил. После оценки общей загруженности города программа-агрегатор рассчитывает, на сколько отличается реальное время от эталонного. На основе разницы по всем маршрутам и вычисляется загруженность в баллах. (Рисунок 1.4)

Рисунок 1.4 Обобщенная схема работы портала Яндекс.Пробки

1.3 Использование информации полученной при помощи веб-сервиса ЯндексПробки для нахождения проблемных зон в УДС

Обобщая полученную информацию, мы можем прийти к выводу о том, что сервис предоставляет весьма полезную информацию (как режиме онлайн, так и в режиме прогноза) о транспортной обстановке в Москве и других регионах, которую можно использовать в научных целях, в частности для идентификации проблемных зон, улиц и магистралей, прогнозировании заторов. Таким образом, мы можем выявить первичные проблемы как во всей УДС в целом, так и на отдельных ее участках, обосновать существование тех или иных транспортных проблем в УДС путем анализа информации полученной при помощи данного веб-сервиса. Исходя из данных первичной аналитики, мы можем построить первичную картину затруднений на УДС. Затем, используя уже средства моделирования и конкретные данные подтвердить или опровергнуть наличие той или иной проблемы, а затем попытаться построить математическую модель УДС с внесенными в нее изменениями (изменить фазы светофора, смоделировать новую развязку на проблемном участке и т.д.) и предложить вариант(ы) улучшения обстановке на заданном участке. После чего выбрать наиболее подходящее с точки зрения соотношения эффективности и стоимостной оценки решение.

1.4 Поиск и классификация проблем при помощи веб-сервиса Яндекс.Пробки

Данный веб-сервис можно рассматривать как один из методов улучшения управления дорожным движением (далее УДД) в Москве. На основе информации портала мы постараемся оценить проблемные зоны в УДС Москвы и предложить системные решения по улучшению УДД, а так же выявить тенденции к образованию заторов.

Рассматривая данные портала, мы должны провести суточную аналитику изменения загруженности дорог в Москве и выявить наиболее проблемные зоны. Наиболее подходящим для этих целей являются часы пик, когда нагрузка на УДС максимальна.

Рисунок 1.5 Средняя загруженность основных радиальных магистралей Москвы по часам в рабочие дни

Для подтверждения гипотезы о перегруженности УДС и наличия проблемы трудовой маятниковой миграции мы проведем анализ данных, как общего ген. плана Москвы с нанесенным «слоем» пробок, так и отдельных проблемных участков и рассмотрим динамику их движения.

Подавляющие большинство рабoчих мест в Москве начинает трудовую деятельность в 8-00 - 10-00 по Московскому времени, в соответствии с трудовым кодексом продолжительность рабочего дня при пятидневной рабочей неделе (самый распространенный вариант) составляет 8 часов, таким образом, мы можем предположить, что основная нагрузка на УДС, в соответствии с гипотезой о маятниковой трудовой миграции (МТМ) должны приходиться на отрезки времени, в утренние часы: с 6-00 (область - МКАД) и до 10-00 (ближе к основным местам сосредоточения рабочих мест в Москве) и с 16-00 - 18-00 (центр) до 20-00 (радиальные магистрали на вылет) в вечерние.

Рисунок 1.6 В 6-00 затруднений на УДС не наблюдается

Рисунок 1.7 Наличие затруднений при подъезде к Москве

Исходя из аналитики, в 7-00 мы имеем затруднения на подъезде к городу на основных радикальных магистралях в центр.

Рисунок 1.8 Затруднения на юге Москвы

Рисунок 1.9 Затруднения на юго-западе

Похожая картина наблюдается на абсолютно всех без исключения радиальных магистралях столицы. Максимальный балл в утренние часы был достигнут в 9:56 по московскому времени, заторы к этому времени сместили из окраин города к его центру.

Рисунок 1.10 9-00 - 9-56 утренний пик нагрузки на УДС

Рисунок 1.11 ТТК в 16-00

Улучшение транспортной обстановки в целом наблюдалось до 15-40 по МСК., обстановка « в центр» ухудшений не имела до конца дня. Общая обстановка имела тенденции к началу ухудшений с 16-00, улучшение же обстановки начались примерно с 20-00 по МСК. (Приложение А). В выходные дни проблемы на УДС практически не наблюдаются, а по градации портала Яндекс.Пробки «балл» не превысил «3» за все время суточного наблюдения. Таким образом, мы с уверенностью можем констатировать перегруженность города вследствие сосредоточения центров притяжения людских масс (рабочих мест) в его центре, и значительно лучшую картину в выходные дни, когда проблема МТМ отсутствует.

Делая промежуточные выводы, мы можем с уверенностью сказать, что основным направлением работы должно стать сокращение числа центров притяжения людских масс в центре города и ограничение проезда в данную зону, а так же увеличение пропускной способности основных радиальных магистралей. Уже сейчас правительством Москвы делаются шаги в этом направлении, путем введения платной парковки в центре Москвы и введения пропускной системы въезда в центр города транспортных средств (далее ТС) общей массой свыше 3.5 тонн.

Рисунок 1.12 Зона платной парковки в Москве

Анализируя полученные мы можем сделать вывод о том, что дорожные затруднения имеют однонаправленный формат в будни дни и одинаковую динамику начала и конца (в утренние часы с области, постепенно смещаясь в центр города, и наоборот в вечерние - из центра по направлению в область.

Таким образом, рассматривая данную тенденцию, мы можем сделать вывод о том, что введение динамического управления УДС жизненно необходимо, поскольку загруженность дорог имеет однонаправленный характер. При помощи интеллектуальных систем мы можем менять пропускную способность дороги в том или ином направлении (например, с помощью полосы реверсивного движения «включая» её в сторону, имеющую недостаточную пропускную способность), изменять и подстраивать фазы светофоров для достижения максимальной пропускной способности на участках с затруднениями. Такие системы и способы получают все большее распространение (например, реверсивная полоса на Волгоградском проспекте). Вместе с тем, «слепо» увеличивать пропускную способность проблемных участком нельзя, поскольку мы можем просто отодвинуть затор до первого места с недостаточной пропускной способностью. То есть, решение транспортных проблем должно нести комплексный характер, а моделирование проблемных участков не должно происходить в отрыве от всей системы УДС и проводиться комплексно. Таким образом, одной из целей нашей работы должно стать моделирование и оптимизация одной из проблемных радиальных магистралей Москвы.

1.5 Теоретические сведения

1.5.1 Классификация дорог в России

Постановлением Правительства Российской Федерации от 28 сентября 2009 года N 767 утверждены Правила классификации автомобильных дорог в Российской Федерации и их отнесения к категориям автомобильных дорог.

Автомобильные дороги по условиям движения и доступа к ним разделяются на следующие классы:

· автомагистраль;

· скоростная автомобильная дорога;

· обычная автомобильная дорога (не скоростная автомобильная дорога).

1.5.2 Автомобильные дороги в зависимости от расчетной интенсивности движения

Согласно СНиП 2.05.02 - 85 по состоянию на 1 июля 2013 года подразделяются на следующие категории (таблица 2):

Таблица 2

	Расчетная интенсивность движения, приведенных ед./сут.
IА (автомагистраль)
IБ (скоростная дорога)
Обычные дороги (нескоростные дороги)
		Св. 2000 до 6000
		Св. 200 до 2000

1.5.3 Основные параметры ТП и их взаимосвязь

Транспортный поток (ТП) - это совокупность транспортных средств, одновременно участвующих в движении на определённом участке улично-дорожной сети

Основными параметрами транспортного потока являются:

скорость потока?, интенсивность потока л, плотность потока с.

Скорость? транспортного потока (ТП) принято измерять в км/ч или м/с. Наиболее часто применяют единицу измерения км/ч. Скорость потока измеряют в двух направлениях, а на многополосной дороге скорость измеряют в каждой полосе. Для измерения скорости потока на дороге проводят сечения. Сечение дороги представляет собой линию, перпендикулярную оси дороги, проходящую через все ее ширину. Скорость ТП измеряют на участке или в сечении.

Участок представляет собой отрезок дороги, заключенный между двумя сечениями. Расстояние L, м между сечениями выбирают таким образом, чтобы обеспечить приемлемую точность измерения скорости. Замеряют время t, с прохождения автомобилем участка - временной интервал. Измерения проводят для заданного числа n автомобилей и вычисляют средний временной интервал?:

Вычисляют среднюю скорость на участке:

V = L / ?.

То есть, скорость транспортного потока является средней скоростью движущихся в нем автомобилей. Для измерения скорости ТП в сечении используют дистанционные измерители скорости (радар, лампа - фара) или специальные детекторы скорости. Замеряют скорости V для n автомобилей и вычисляют среднюю скорость на участке:

Используют следующие термины:

Средняя временная скорость V - средняя скорость движения автомобилей в сечении.

Средняя пространственная скорость? - средняя скорость проезда автомобилями значительного участка дороги. Она характеризует среднюю скорость транспортного потока на участке в некоторое время суток.

Время поездки - время, требуемое автомобилю на прохождение единицы длины дороги.

Суммарный пробег - сумма всех путей автомобилей на участке дороги за заданный интервал времени.

Так же скорость движения можно подразделить на:

Мгновенную Va - скорость, фиксируемая в отдельных типичных сечениях (точках) дороги.

Максимальную Vм - наибольшая мгновенная скорость движения, которую может развить транспортное средство.

Интенсивность движения л, равна числу автомобилей, проходящих сечение дороги за единицу времени. При высоких интенсивностях движения использует более короткие интервалы времени.

Интенсивность движения измеряется путем подсчета числа n автомобилей, проходящих через сечение дороги за заданную единицу времени T, после чего вычисляют частное л = n/T.

Дополнительно используют следующие термины:

Объем движения - число автомобилей, пересекших сечение дороги в заданную единицу времени. Объем измеряется числом автомобилей.

Часовой объем движения - число автомобилей, прошедших через сечение дороги в течение часа.

Плотность с транспортного потока равна числу автомобилей, расположенных на участке дороги заданной длины. Обычно используются участки размером 1 км, получают плотность автомобилей на километр, иногда используют более короткие участки. Плотность обычно рассчитывают по скорости и интенсивности движения транспортного потока. Однако плотность можно измерить экспериментально, используя аэрофотосъемку, башни или высокие здания. Используют дополнительные параметры, характеризующие плотность транспортного потока.

Пространственный интервал или кратко интервал lп, м - расстояние между передними бамперами двух, следующих друг за другом, автомобилей.

Средний пространственный интервал lп.ср - среднее значение интервалов lп на участке. Интервал lп.ср измеряют в метрах на один автомобиль.

Пространственный интервал l п.ср, м легко рассчитать, зная плотность с, авт./км потока:

1.5.4 Взаимосвязь между параметрами транспортного потока

Соотношение между скоростью, интенсивностью и плотностью потока называется основным уравнением транспортного потока:

V ?с

Основное уравнение связывает между собой три независимые переменные, являющиеся средними значениями параметров транспортного потока. Однако в реальных дорожных условиях переменные связаны между собой. При увеличении скорости транспортного потока интенсивность движения сначала возрастает, достигает максимума, а затем снижается (Рисунок 1.13). Снижение обусловлено увеличением интервалов lп между автомобилями и снижением плотности транспортного потока. При большой скорости автомобили быстро проходят участки, но расположены далеко друг от друга. Целью же управления движением является достижение максимальной интенсивности потока, а не скорости.

Рисунок 1.13 Взаимосвязь между интенсивностью, скоростью и плотностью ТП: а) зависимость интенсивности ТП от скорости; б) зависимость плотности ТП от скорости

1.6 Методы и модели транспортного моделирования

Математические модели, используемые для анализа транспортных сетей можно классифицировать, основываясь на функциональной роли моделей, то есть на тех задачах, в решении которых они применяются. Условно среди моделей можно выделить 3 класса:

· Прогнозные модели

· Имитационные модели

· Оптимизационные модели

Прогнозные модели используются тогда, когда известна геометрия и характеристики УДС и размещение потокообразующих объектов в городе, и требуется определить, какими будут транспортные потоки в этой сети. Детально, прогноз загрузки УДС включает в себя расчет средних показателей движения, таких как объемы межрайонных перемещений, интенсивность потока, распределение пассажиропотоков и т.д. При помощи таких моделей можно прогнозировать последствия изменений в транспортной сети.

В отличие от прогнозных моделей, имитационное моделирование имеет задачу смоделировать все детали движения, включая развитие процесса во времени.

Это отличие можно сформулировать очень просто, если прогнозное моделирование отвечает на вопросы «сколько и куда» будут перемещаться ТС в сети, а имитационные модели отвечают на вопрос о том, как детально будет происходить движение, если известно «сколько и куда». Таким образом, эти два направления транспортного моделирования являются взаимодополняющими. Из выше сказанного следует, что к классу имитационных моделей по их целям и выполняемым задачам можно отнести широкий спектр моделей, известных под названием модели динамики транспортного потока.

Для динамических моделей характерна детализация описания движения Область практического применения таких моделей - улучшение организации движения, оптимизация светофорных фаз и т.д.

Модели прогноза потоков и имитационные модели ставят основной целью приближенное к реальному воспроизведение поведения транспортных потоков. Так же существует большое количество моделей предназначенных для оптимизации функционирования транспортных сетей. В этом классе моделей решаются задачи оптимизации маршрутов пассажирских перевозок, выработки оптимальной конфигурации транспортной сети и т.д.

1.6.1 Динамические модели транспортного потока

Большинство динамических моделей транспортных потоков условно можно разделить на 3 класса:

· Макроскопические (гидродинамические модели)

· Кинетические (газодинамические модели)

· Микроскопические модели

Макроскопическими моделями называют модели описывающие движение автомобилей в усредненных терминах (плотность, средняя скорость и другие). В таких моделях транспортных поток подобен движению жидкости, поэтому такие модели называют гидродинамическими.

Микроскопическими моделями являются те модели, в которых явно моделируется движение каждого автомобиля.

Промежуточное место занимает кинетический подход, при котором транспортный поток описывается как плотность распределения автомобилей в фазовом пространстве. Особое место в классе микромоделей занимают модели типа клеточных автоматов, благодаря тому, что в данных моделях принято сильно упрощенное дискретное во времени и пространстве описание движение автомобилей, из-за этого достигается высокая вычислительная эффективность данных моделей.

1.6.2 Макроскопические модели

Первая из моделей основанная на гидродинамической аналогии.

Основным уравнением данной модели является уравнение непрерывности, выражающее «закон сохранения количества автомобилей» на дороге:

Формула 1

Где - плотность, V(x,t) - средняя скорость автомобилей в точке дороги с координатой x в момент времени t.

Предполагается, что средняя скорость является детерминированной (убывающей) функцией плотности:

Поставляя в (1) получаем следующее уравнение:

Формула 2

Это уравнение описывает распространение нелинейных кинематических волн со скоростью переноса

В реальности плотность автомобилей, как правило, не меняется скачками, а является непрерывной функцией координат и времени. Для устранения скачков в уравнение (2) был добавлен член второго порядка, описывающий диффузию плотности, который приводит к сглаживанию профиля волны:

Формула 3

Однако использование данной модели не адекватно реальности при описании неравновесных ситуаций, возникающих вблизи неоднородностей дороги (съезды и выезды, сужения), а также в условиях так называемого «stop-and-go» движения.

Для описания неравновесных ситуаций вместо детерминированного соотношения (3) было предложено использовать дифференциальное уравнение для моделирования динамики средней скорости.

Недостатком модели Пейна является устойчивость к малым возмущениям при всех значениях плотности.

Тогда уравнение скорости при такой замене приобретает вид:

Для предотвращения разрывов в правую часть добавляется диффузионный член, аналог вязкости в уравнениях гидродинамики

Неустойчивость стационарного однородного решения при значениях плотности, превышающих критическое, позволяет эффективно моделировать возникновение фантомных заторов - режимов stop-and-go в однородном потоке, возникающих в результате малых возмущений.

Описанные выше макроскопические модели сформулированы в основном на основе аналогий с уравнениями классической гидродинамики. Существует еще способ вывода макроскопических моделей из описания процесса взаимодействия автомобилей на микроуровне с использованием кинетического уравнения.

1.6.3 Кинетические модели

В отличие от гидродинамических моделей, сформулированных в терминах плотности и средней скорости потока, кинетические модели основаны на описании динамики фазовой плотности потока . Зная эволюцию во времени фазовой плотности, можно рассчитать также и макроскопические характеристики потока - плотность, среднюю скорость, вариацию скоростей и другие характеристики, которые определяются моментами фазовой плотности по скоростям различного порядка.

Обозначим фазовую плотность как f (x, v, t). Обычная (гидродинамическая) плотность с(x, t), средняя скорость V (x, t) и вариация скоростей И(x, t) связаны с моментами фазовой плотности соотношениями:

1) Дифференциальное уравнение, описывающее изменение фазовой плотности со временем, называется кинетическим уравнением. Впервые кинетическое уравнение для транспортного потока было сформулировано Пригожиным и соавторами в 1961 г. в следующем виде:

Формула 4

Данное уравнение является уравнением непрерывности, выражающим закон сохранения автомобилей, но теперь уже в фазовом пространстве.

Согласно Пригожину под взаимодействием двух автомобилей на дороге понимается событие, при котором более быстрый автомобиль догоняет более медленный движущийся впереди автомобиль. Вводятся следующие упрощающие предположения:

· возможность для обгона находится с некоторой вероятностью p, в результате обгона скорость обгоняющего автомобиля не меняется;

· скорость впереди идущего автомобиля в результате взаимодействия в любом случае не меняется;

· взаимодействие происходит в точке (размерами автомобилей и расстоянием между ними можно пренебречь);

· изменение скорости в результате взаимодействия происходит мгновенно;

· Рассматриваются только парные взаимодействия, одновременные взаимодействия трех и более автомобилей исключаются.

1.7 Постановка задачи

В ходе текущего исследования в качестве основной информации мы используем статические данные о заторах с помощью сервиса «Яндекс.Пробки». Анализируя полученную информацию, мы приходим к выводу о том, что УДС города Москвы не справляется с транспортным трафиком. Затруднения, выявляемые на стадии анализа полученных данных, позволяют, сделают вывод о том, что большинство затруднений на УДС имеют место быть исключительно в будни дни, и напрямую связаны с феноменом «МТМ» (маятниковой трудовой миграции), поскольку в ходе анализа затруднений в выходные и праздничные дни выявлено не было. Затруднения же в будни дни несут вид лавины, растекающейся из окраин города к его центру, и наличие обратного эффекта во второй половине дня, когда «лавина» идет от центра в область. В утренние часы затруднения начинают наблюдаться на окраинах Москвы, постепенно растекаясь в город. Так же стоит заметить, что «развязка» радиальных магистралей не приведет к желаемому эффекту, поскольку, как видно из анализа, «вход» в город сдерживает заторы на определенном временном интервале, благодаря чему центральная часть города еще какое-то время едет в оптимальном режиме. Затем, при наличии все тех же затруднений, заторы образуются в зоне «МКАД-ТТК», при этом заторы на входах продолжают увеличиваться. Такая тенденция имеет место быть все утреннее время. В тоже время противоположное направление движения полностью свободно. Из этого следует вывод о том, что система управления светофорным хозяйством и направлением движения должна быть динамической, изменяя свои параметры под текущую ситуацию на дороге.

Встает вопрос о рациональном использовании дорожного ресурса и реализации таких возможностей (изменение светофорных фаз, реверсивные полосы и др.).

При этом этим невозможно ограничиться, поскольку данный «глобальный затор» не имеет конечной точки. Данные действия должны быть притворены в жизнь только вкупе с ограничением въезда в Москву и центр, в частности для жителей Подмосковья. Поскольку, фактически исходя из анализа, все проблемы сводятся в МТМ потокам, они должны быть грамотно перераспределены с личного транспорта на транспорт общественный, делая его более привлекательным. Такие меры уже вводятся в центре Москвы (платная парковка и т.д.). Это позволит разгрузить дороги города в часы пик. Таким образом, все мои теоретические предположения строятся с «заделом на будущее», и тем условием, что затор станет конечным (уменьшиться количество пассажиропотоков в центр), пассажиропоток станет более мобильным (один автобус с 110 пассажирами занимает 10-14метров дорожного полотна, против 80-90 единиц личного транспорта, с аналогичным количеством пассажиров занимающих 400-450 метров). В ситуации, когда количество въезжающих будет оптимизировано (или хотя бы уменьшено максимально исходя из экономических и социальных возможностей) мы сможем применить два предположения о том, как улучшить управлением УДС в Москве без вложения больших средств и вычислительных мощностей, а именно:

· Использовать аналитические и модельные данные для выявления проблемных зон

· Разработка способов улучшения УДС и ее управления в проблемных зонах

· Создание математических моделей с предложенными изменениями и их дальнейших анализ на предмет эффективности и экономической целесообразности, с дальнейшим введением в практическое использование

Исходя из вышесказанного, при помощи математических моделей мы можем оперативно реагировать на изменения в УДС, прогнозировать ее поведение и подстраивать ее структуру под них.

Таким образом, на радиальной магистрали, мы сможем понять причину того, почему она работает в ненормальном режиме и имеет на своей протяженности пробки и заторы.

Таким образом, постановка задачи исходя из проблемы состоит из:

1. Анализа одной из радиальных магистралей на предмет наличия затруднений, в том числе и часы пик.

2. Создание модели части данной радиальной магистрали в месте наибольших затруднений.

3. Введение в данную модель улучшений на основе аналитики УДС при помощи реальных данных и данных моделирования, и создание модели с внесенными изменениями.

2 Создание улучшенного варианта УДС

Исходя из постановки задачи и анализа транспортных затруднений в Москве, для создания практической модели я выбрал участок ответвления одной из радиальных магистралей (Каширского Шоссе), на участке от пересечения Проспекта Андропова и Коломенского проезда до остановки «Торговый центр». Причиной выбора является множество факторов и в частности:

· Тенденция к образованию заторов в одних и тех же местах с одинаковой тенденцией

· Яркая картина «МТМ» проблем

· Наличие разрешимых точек и возможности моделирования светофорного регулирования на данном участке.

Рисунок 1.14 Выбранный участок

Выбранный участок имеет характерные проблемы, поддающиеся моделированию, а именно:

· Наличие двух проблемных точек и их перекрестного влияния

· Наличие проблемных точек, при изменении которых ситуация не улучшится (возможность применения синхронизации).

· Четкая картина влияния проблемы МТМ.

Рисунок 1.15 11-00 проблемы в центр

Рисунок 1.16 Проблемы из центра. 18-00

Таким образом, на данном участке мы имеем следующие проблемные точки:

· Два пешеходных перехода оборудованных светофорной сигнализацией в нагатинской пойме

· Светофор на пересечении проспекта Андропова и улицы Нагатинская

· Нагатинский метромост

2. Создание улучшенного варианта УДС

2.1 Аналитика участка

Длина заторов на проспекте Андропова - 4-4,5 км в каждом из 2-х направлений (утром в центр - от Каширского шоссе до второго пешеходного перехода в Нагатинской пойме, вечером в область - от Новоостаповской улицы до Нагатинской улицы). Второй показатель, скорость движения в часы пик, здесь не превышает 7-10 км/ч: на проезд участка 4,5 км в часы пик надо около 30 минут. Что касается длительности, пробки в центр на проспекте Андропова начинаются в 7 утра и длятся до 13-14 часов, а пробки в область обычно начинаются в 15 и длятся до 21-22 часов. То есть длительность каждого из «часов пик» на Андропова составляет 6-7 часов в каждом из 2-х направлений - запредельный уровень даже для привычной к пробкам Москвы.

2.2 Две основные причины образования пробок на проспекте Андропова

Причина первая: проспект перегружен лишним «перепробеговым» трафиком. От метро «Нахимовский проспект» до центра жилой части Печатников по прямой 7,5 километров. А по дорогам 3 маршрута от 16 до 18 километров. Причем два из трех маршрутов проходят через проспект Андропова.

Рисунок 2.1

Все эти проблемы вызваны тем, что между Нагатинским и Братеевским мостами по прямой 7 км, а по Москве-реке - 14 км. Никаких других мостов и тоннелей в этом промежутке просто нет.

Причина вторая: малая пропускная способность самого проспекта. Прежде всего, движение замедляет выделенная полоса, созданная несколько лет назад, после чего для движения в каждом направлении осталось лишь по 2 полосы. Очень способствуют заторам и 3 светофора (транспортный перед Нагатинской улицей и два пешеходных в Нагатинской пойме).

2.3 Стратегические решения по проспекту Андропова

Чтобы решить проблему перепробегов, надо построить 2-3 новые связки между Нагатинским и Братеевским мостами. Эти транспортные связи устранят перепробеги и позволят управлять трафиком, стимулируя не поток «центр - периферия», а поток «периферия - периферия».

Проблема в том, что строить такие объекты очень долго и дорого. И обойдется каждый из них в миллиарды рублей. Таким образом, если мы хотим что-то улучшить здесь не через 5 лет, а уже через год-два, единственный способ - работать с пропускной способностью проспекта Андропова. В отличие от строительства новых мостов и тоннелей, это в разы быстрее (0,5-2 года) и на 2 порядка дешевле (50-100 миллионов рублей). Потому что увеличить пропускную способность проспекта можно недорогими локальными "тактическими" мероприятиями в самых проблемных местах. Это позволит обеспечить существующий спрос, улучшить все показатели движения: снизить длину пробок, сократить длительность часов пик, повысить скорость.

2.4 Тактические меры на проспекте Андропова: 4 группы

2.4.1 Этап 1. Светофорное регулирование

На проблемном участке 3 светофора: два пешеходных в Нагатинской пойме и один транспортный на перекрестке Андропова с ул. Новинки и Нагатинской.

Два пешеходных светофора в Нагатинской пойме уже работают в максимально «протянутом» режиме (150 секунд транспорту, 25 пешеходам). Дополнительное удлинение цикла едва ли будет эффективно для транспорта, но увеличит и без того немалое ожидание пешеходами. Единственное, что можно и нужно сделать светофорным регулированием - синхронизировать оба пешеходных светофора, чтобы транспорт тратил меньше времени на разгон-торможение. Это окажет небольшой эффект в сторону центра в утренний час пик. На трафик в обе стороны в остальное время и в сторону области вечером пешеходные светофоры не оказывает большого влияния. А вот со светофором на перекрестке Андропова с ул. Новинки и Нагатинской ситуация интереснее. Он явно держит поток в сторону области в вечерние часы пик. Дальше транспорт разъезжается по массе альтернативных улиц (Нагатинской набережной, улице Новинки, Нагатинской улице, Коломенскому проезду, Каширскому шоссе и Пролетарскому проспекту).

Рассмотрим текущий режим работы светофора и подумаем, что можно сделать.

Рисунок 2.2 Светофорные фазы

Рисунок 2.3 Текущий временной режим работы светофора

Во-первых, уж очень короткий цикл для перекрестка с магистральной улицей - всего 110-120 секунд. На большинстве магистралей время цикла в часы пик 140-180 секунд, на Ленинском и вовсе за 200.

Во-вторых, режим работы светофора от времени суток меняется крайне несущественно. Между тем, вечерний поток принципиально отличается от утреннего: прямоходный поток по Андропова из области гораздо меньше, а левоповоротный поток с Андропова из центра гораздо больше (народ возвращается домой в Нагатинский затон).

В-третьих, зачем-то сокращено время прямоходной фазы днем. Какой в этом смысл, если прямоходный поток по Новинки и Нагатинской и в часы пик не испытывает серьезных проблем, а уж днем и подавно?

Решение напрашивается само собой: дневной режим приравнять к утреннему, а в вечерний - немного «протянуть» фазу 3 (Андропова в обе стороны), и сильно протянуть «веерную» фазу 4 (Андропова из центра прямо, направо и налево). Это позволит эффективно освобождать и прямой ход Андропова, и «карман» для ожидающих поворота.

Рисунок 2.4 Предлагаемый повременный режим работы светофора

Что до утреннего часа пик, «протягивать» Андропова на этом перекрестке утром в центр сейчас бессмысленно. Поток не использует всю длину «зеленой фазы», поскольку не может быстро проехать перекресток из-за пробки перед сужением на мосту из 4-х полос в 2.

2.4.2 Переразметка

С разметкой на Андропова две проблемы:

- выделенная полоса на 3-х полосных участках проспекта Андропова

- неправильная разметка на перекрестке с Нагатинской улицей и улицей Новинки

Ни для кого не секрет, что выделенная полоса резко уменьшила пропускную способность проспекта Андропова. Это касается движения и в центр, и в область. Причем пассажиропоток по выделенной полосе минимален и не превышает нескольких сот человек даже в часы пик. Это неудивительно: выделенная полоса идет вдоль «зеленой» ветки метро, а точек притяжения на удалении от метро вдоль самого проспекта почти нет. Провозная же способность каждой из полос общего пользования около 1200 человек в час. Это значит, что выделенная полоса, вопреки своей задаче, не повысила, а снизила провозную способность проспекта Андропова.

Добавлю: пассажиропоток наземного транспорта на проспекте Андропова имеет шансы снижаться и дальше. Ведь уже в 2014 году в Нагатинской пойме планируют открыть станцию метро «Технопарк». Это позволит большей части посетителей ТЦ «Мегаполис» и работающим в Технопарке пользоваться метро без пересадки на наземный транспорт.

Казалось бы, отменить всю выделенку на Андропова, и дело с концом. Но анализ и многолетние наблюдения показали: выделенная полоса на проспекте Андропова мешает не везде, а только на тех участках, где в одну сторону 3 полосы (2+А) и где это создает «бутылочное горлышко». Там же, где 4 полосы в одну сторону (3+А), выделенная полоса не мешает, а даже позволяет повысить равномерность транспортных потоков и выполняет функцию полосы для правого поворота, разгона-торможения.

Поэтому в первоочередном порядке я предлагаю отменить выделенную полосу на узких участках, где она создает наибольшие проблемы:

· в сторону области на Сайкинском путепроводе и Нагатинском мосту, улице Сайкина

· в сторону центра на всем участке от въезда на Нагатинский мост до Сайкинского путепровода включительно.

Рисунок 2.5 Места, где требуется отмена выделенной полосы

Рисунок 2.6 Переразметка проспекта Андропова

Еще потребуется отменить выделенную полосу в сторону области на участке от Нагатинской улицы до Коломенского проезда: увеличившийся поток в сторону области не сможет вместиться в существующие 2 полосы. Кстати, въезд на выделенную полосу в этом месте разрешен и сейчас, но только для парковки.

Помимо выделенной полосы, проблемы создает бездарная разметка проспекта Андропова в зоне перекрестка с Нагатинской улицей и улицей Новинки.

Во-первых, ширина полос большая, а их количество - недостаточное. При такой ширине проезжей части с каждой стороны легко добавить по полосе.

Во-вторых, разметка, несмотря на уширение створа перекрёстка, зачем-то уводит весь трафик в левоповоротные ряды, откуда едущим прямо приходится «продираться» правее.

Впрочем, неумелость проектировщиков извинительна: узел сложный, ширина проезжей части «гуляет». Это решение для этого перекрестка тоже появилось не сразу. Оно позволяет число рядов в зоне перекрестков увеличить, а едущих прямо - оставить в своих полосах, «уводя» прямой ход немного правее. Как результат, количество перестроений снизится, скорость проезда перекрестка повысится в обоих направлениях.

Рисунок 2.7 Предлагаемая схема организации движения на перекрестке Андропова - Нагатинская - Новинки

Рисунок 2.8 Предлагаемая схема движения на перекрестке

Локальные уширения

Следующим этапом предлагается выполнить самое нужное сейчас уширение в сторону центра на участке от Нагатинского метромоста до съезда на улицу Трофимова. Это позволило бы вернуть личному транспорту 3 полосы, отдав 4-ю транспорту общественному - точно так же, как сделано в сторону области на этом участке.

Рисунок 2.9 Локальные уширения

2.4.3 Строительство 2-х внеуличных переходов в Нагатинской пойме

Недавно начато строительство надземного перехода в районе остановки ОТ «Южный речной вокзал» у самого Нагатинского метромоста. После его строительства пешеходный светофор демонтируют.

Рисунок 2.10 План строительства надземного перехода

Это могло бы стать прекрасной новостью, но радоваться нечему: в 450 метрах севернее есть еще один переход напротив ТЦ «Мегаполис». Одновременное строительство 2-х переходов со снятием обоих пешеходных светофоров дало бы отличный эффект для направления в центр: пропускная способность при той же ширине выросла бы на 30-35% за счет отмены разгона-торможения перед светофорами. Но напротив ТЦ «Мегаполис» внеуличный переход строить не собираются, а значит, второй светофор никак не снять. А эффект от одного надземного перехода будет незначительным - не больше, чем от простой синхронизации двух светофоров. Потому что в обоих случаях разгон-торможение сохраняется.

3 Обоснование предложенных решений

На основе аналитики мы вычисляем проблемные точки в той или зоне УДС и, отталкиваясь от фактически возможных решений, применяем их. Поскольку программа позволяет нам не делать громоздких вычислений вручную, мы можем с ее помощь определить оптимальные параметры тех или иных проблемных мест в УДС, и после их оптимизации получить результат компьютерного моделирования, которое может ответить на вопрос, улучшат ли пропускную способность предлагаемые изменения. Таким образом, применяя компьютерное моделирование, мы можем проверить, соответствуют ли предлагаемые изменения на основе аналитики реальной ситуации, и окажут ли изменения ожидаемый эффект.

3.1 Использование компьютерной симуляции

Используя компьютерную симуляцию, мы можем с большой долей вероятности спрогнозировать происходящие процессы на УДС. Таким образом, мы можем провести сравнительный анализ моделей. Смоделировать текущую структуру УДС с ее особенностями, модернизировать и улучшить ее и создать новую модель, в основу которой ляжет УДС с внесенными в нее корректировками. Используя полученные данные, мы на стадии компьютерного моделирования можем получить ответ, имеет ли смысл вносить те или иные изменения в УДС, а так же использовать моделирование для выявления проблемных зон.

Подобные документы

Характеристика основных категорий автомобильных дорог. Определение пропускной способности дороги и коэффициента загрузки движением. Расчет средней скорости движения транспортного потока. Выявление опасных мест дороги методом коэффициентов аварийности.

курсовая работа , добавлен 15.01.2012


Определение необходимости корректировки существующей модели управления и внедрения новых управляющих воздействий и установки дополнительных технических средств организации дорожного движения. Разработка оптимальной модели управления дорожным движением.

дипломная работа , добавлен 16.05.2013


Анализ транспортных систем с помощью математического моделирования. Локальные характеристики автотранспортных потоков. Моделирование транспортного потока в окрестности сужения улично-дорожной сети. Стохастическое перемешивание при подходе к узкому месту.

практическая работа , добавлен 08.12.2012


Классификация методов управления дорожным движением. Автоматизированная система управления дорожным движением "Зеленая волна" в г. Барнауле. Принципы ее построения, структура, сравнительная характеристика. Кольцевая автодорога в г. Санкт-Петербурге.

контрольная работа , добавлен 06.02.2015


Оценка обеспеченности расчетной скорости, безопасности дороги, уровня загрузки дороги движением, ровности покрытия дорог. Определение фактического модуля упругости нежёсткой дорожной одежды. Сущность содержания автомобильных дорог и дорожных сооружений.

курсовая работа , добавлен 08.12.2008


Переход к инновационной модели развития транспортной инфраструктуры. Основные пункты транспортной стратегии Правительства до 2030 года. Анализ и поиск наиболее оптимального решения транспортной проблемы. Рост транспортного сектора в российской экономике.

статья , добавлен 18.08.2017


Особенности транспортной отрасли. Сущность и задачи транспортной логистики. Организация транспортного хозяйства на ОАО "НефАЗ". Планирование деятельности транспортного хозяйства предприятия. Анализ и оценка эффективности деятельности данной организации.

курсовая работа , добавлен 14.01.2011


Определение интенсивности движения - количества транспортных средств, прошедших контрольное сечение дорожного объекта во всех направлениях за единицу времени (час, сутки). Анализ плотности транспортного потока, его распределения и коэффициента загрузки.

лабораторная работа , добавлен 18.02.2010


Организация движения городского пассажирского транспорта при работе адаптивной системы управления дорожным движением. Сравнение временно-зависимой и транспортно-зависимой стратегии. Разработка базы нечетких правил. Построение функции принадлежности.

курсовая работа , добавлен 19.09.2014


Анализ мероприятий, направленных на организацию транспортного рынка. Государственное регулирование транспортной деятельности как сложный комплекс мероприятий, направленный на обеспечение необходимого уровня транспортного обслуживания во всех регионах.