Исследование и разработка модулей интеллектуального мониторинга характеристик транспортного потока

ВВЕДЕНИЕ 3
1. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ МОДЕЛИРОВАНИЯ ТРАНСПОРТНЫХ ПОТОКОВ 5
1.1 Классификация систем управления транспортных потоков 5
Макроскопические модели 6
Мезоскопические модели 8
Микроскопические модели 9
1.2 Анализ существующих методов моделирования транспортных потоков, преимущества и недостатки 11
Анализ существующих методов моделирования транспортных потоков 14
1.3 Постановка задач исследования 18
1.4 Выводы к разделу 1 18
2.1 Роль моделирования транспортных потоков в современном мире 20
2.2 Разновидности программного обеспечения транспортного моделирования 22
2.3 Разновидности математических моделей транспортных систем в программном обеспечении 25
2.4 Анализ современного программного обеспечения по моделированию транспортных систем 29
2.5 Выводы к разделу 2 43

Весь текст будет доступен после покупки

Современное общество нуждается в постоянном увеличении объема транспортного сообщения, повышении его надежности, безопасности и качества. Это требует увеличения затрат на улучшение инфраструктуры транспортной сети, превращения ее в гибкую, высокоуправляемую логистическую систему. При этом риск инвестиций значительно возрастает, если не увеличивать закономерности развития транспортной сети, распределение загрузки ее участков. Игнорирование этих закономерностей приводит к частому образованию транспортных пробок, перегрузке/недогрузке отдельных линий и узлов сети, повышению уровня аварийности, экологическому ущербу.
Для поиска эффективных стратегий управления транспортными потоками в мегаполисе, оптимальных решений по проектированию улично- дорожной сети и организации дорожного движения необходимо учитывать широкий спектр характеристик транспортного потока, закономерности влияния внешних и внутренних факторов на динамические характеристики смешанного транспортного потока [1].

Весь текст будет доступен после покупки

1. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ МОДЕЛИРОВАНИЯ ТРАНСПОРТНЫХ ПОТОКОВ

1.1 Классификация систем управления транспортных потоков

Для простоты выбора метода моделирования существуют различные классификации некоторые приведены ниже. Это классификации по следующим признакам:
• по изменяемости данных с течением времени (динамические, статические);
• по методу расчётов (компьютерные, математические);
• по непрерывности (непрерывные, дискретные);
• по наличию вероятностной составляющей (стохастические, детерминированные);
• по типу решаемых задач (прогнозные, имитационные, оптимизационные);
• по уровню детализации (макроскопические, микроскопические, мезоскопические).
В последнее время специалисты всё чаще прибегают к классификациям, которые основаны не на одном признаке, а на их сочетании. Одной из таких является изображённая на рисунке 1 классификация по двум основным признакам: уровню детализации и методу моделирования [1]:
1. макроскопические;
1.1. модели-аналоги;
1.2. модель системной динамики;
2. мезоскопические;
2.1. модели расчёта матрицы межрайонных корреспонденций;
2.2. модели распределения потоков;
3. микроскопические;
3.1. «follow»-модели или модели следования за лидером;
3.2. клеточные автоматы;
3.3. имитационные модели.

Рисунок 1. Классификация методов моделирования транспортного потока (составлено автором)

Макроскопические модели
Этот класс моделей также известен как гидродинамические модели, поскольку здесь проводится аналогия между транспортным потоком и потоком абстрактной жидкости; поток рассматривается как неделимая единица, то есть отсутствует моделирование каждого автомобиля. Модель настраивается путём определения плотности потока, средней скорости, интенсивности потока. В данных моделях имеются некоторые допущения. Например, между скоростью и плотностью есть функциональная зависимость [2]. Это необходимо для учёта уменьшения скорости движения автомобилей с ростом плотности потока. Однако, при таком подходе есть вероятность, что значения плотности или скорости станут отрицательными, что невозможно. Также нельзя не отметить тот факт, что одному значению плотности потока может соответствовать несколько значений скорости (при различных обстоятельствах). Именно эти элементы макроскопического моделирования являются их главными недостатками.
Примером макроскопической модели является модель Лайтхилла-Уизема. Она основана на уравнениях гидродинамики и выполнении закона сохранения массы, данном случае под массой подразумевается количество автомобилей. Приведённая модель является первой гидродинамической моделью. Она не лишена недочётов – модель не работает при экстремально низких и высоких значениях плотности потока; модель неадекватна около так называемых
«бутылочных горлышек» – резко сужающихся частей дороги. Также модель Лайтхилла-Уизема неадекватна при моделировании перекрёстков со светофорами. Однако, на основе этой гидродинамической модели затем были разработаны улучшенные варианты моделирования. В модифицированных моделях было учтено внутреннее давление потока, которое заставляет водителей действовать аналогично движению лидирующего автомобиля [1].
Модель Гриншилдса также основана на уравнениях гидродинамики и выполнение закона сохранения транспортного потока, как и в предыдущем случае, но здесь зависимость плотности скорости потока линейная. Для получения адекватных результатов при определении пропускной способности необходимо правильно задать скорость свободного движения, иначе есть вероятность получения завышенных результатов. Данная модель обладает следующей особенностью: результаты моделирования будут тем точнее, чем ниже будет задана скорость свободного движения. Данная модель позже была доработана Гринбергом. В модели он изменил зависимость плотности потока и скорости движения – она стала логарифмической. Недостаток моделей Гриншилдса и Гринберга – они неадекватны при крайне низком значении плотности потока [2].
Также к макроскопическим моделям можно отнести так называемую системную динамику. В основе этого метода лежат циклы обратной связи [3]. Например, работа светофоров определяет движение транспортного потока, в то время как настройка светофора зависит от движения транспортного потока. Для получения представления о системе здесь используются так называемые причинно-следственные диаграммы [4]. Они позволяют отследить взаимосвязи элементов модели, что позволяет при использовании этого метода моделирования рассматривать различные варианты влияния на систему и оценивать влияние на результат. Системная динамика позволяет реализовывать системы на макроуровне и отлично подходит для прогнозирования различного рода ситуаций в долгосрочной перспективе [5]. Она используется для отслеживания общих тенденций развития модели, что и характерно для макромоделирования.
При помощи вышеописанных моделей решаются различные задачи, в том числе составление расписания для городского общественного транспорта, оценка уровня загруженности транспортной сети и так далее. Данные модели позволяют получить значения таких характеристик транспортных потоков как средняя скорость, уровень загрузки участка транспортной сети и интенсивность движения потока [6].
К недостаткам этих моделей можно отнести статичность результатов и относительно небольшую точность.
Однако, при своих недостатках, макроскопические модели имеют такие плюсы как низкие требования к вычислительным ресурсам при большой скорости расчётов.

Мезоскопические модели
Особенностью данных методов моделирования является комбинирование микро- и макроскопических моделей. Здесь определяется поведение каждой транспортной единицы, но при этом их взаимодействие рассматривается на макроскопическом уровне.
Одной из таких моделей является гравитационная модель. Она описывает взаимодействие двух регионов, которые, собственно, и являются источниками транспортных потоков, или, если использовать терминологию этой области, корреспонденций. Это название было выбрано из-за лежащего в основе этой модели закона всемирного тяготения. Здесь в системе определяются регионы – точки, которые являются источниками и приёмниками транспортных потоков. Между ними задаётся связь, которая по сути является путём. Основными исходными данными для гравитационной модели являются объёмы прибытия и отбытия между районами. Предполагается, что сумма всех отбытий равна сумме всех прибытий, иначе модель будет неадекватна. Принцип данного метода заключается в следующем: транспортный поток из точки А в точку Б пропорционален объёму отбытия из А, объёму прибытия в Б, а также функции тяготения F, которую определяет удалённость точек А и Б друг от друга, а также скоростные и прочие характеристики данного участка пути [7]. Недостатком гравитационной модели является то, что объём корреспонденции рассматривается лишь для двух отдельно взятых районов в отрыве от остальных. Это не позволяет учитывать в модели привлекательность района по причине своего расположения относительно прочих окружающих его районов.
К мезоскопическим моделям, в числе прочих, относят энтропийную модель. В основе метода лежит вероятностное описание поведения транспортных средств [8]. Отдельные участники движения случайным образом распределяются по набору возможных состояний. При моделировании состоянием транспортного средства считается его принадлежность к корреспонденции из i в j. Случайный выбор своего состояния каждым участником движения определяет макроскопическое состояние системы. Реализуемое состояние модели – состояние с наибольшим статистическим весом. Статистические веса состояний отражают сравнительные вероятности реализации различных состояний модели [8]. Состояние с наибольшим статистическим весом является состоянием, при котором достигается максимум некоторой функции в пространстве состояний, называемым энтропией системы.

Весь текст будет доступен после покупки

1. Потапова, И.А. Методы моделирования транспортного потока // И.А. Потапова, И.Н. Бояршинова, Т.Р. Исмагилов – Фундаментальные исследования. – 2016. – № 10–2. – с. 338–342.
2. Семёнов, В.В. Математическое моделирование динамики транспортных потоков мегаполиса / В.В. Семёнов – М.: Институт прикладной математики им. М.В. Келдыша, 2014 – 44 с.
3. Системная динамика [Электронный ресурс] / The AnyLogic Company – Электрон. текстовые дан. – Режим доступа: https://www.anylogic.ru/use-of-simulation/system- dynamics/.
4. Morecroft J., Wiley J. Strategic Modelling and Business Dynamics: A Feedback Systems Approach. – 2017. – 464 p.
5. Маликов, Р.Ф. Практикум по имитационному моделированию сложных систем в среде AnyLogic / Р.Ф. Маликов – Уфа: ФГБОУ ВПО «Башкирский Государственный Педагогический Университет им. М. Акмуллы», 2013. – 297 с.

Весь текст будет доступен после покупки