УДК: 656.1
https://doi.org/10.25198/2077-7175-2024-1-95
EDN: VQABMV


просмотр

ЗАКОНОМЕРНОСТИ ПОКАЗАТЕЛЯ ТРАНСПОРТНОГО ЗАТОРА НА НЕКОТОРЫХ ПЕРЕСЕЧЕНИЯХ УЛИЧНО-ДОРОЖНОЙ СЕТИ

М. Г. Бояршинов1, 2, 3, А. С. Вавилин1, 4
1Пермский национальный исследовательский политехнический университет, Пермь, Россия
2Пермский военный институт войск национальной гвардии Российской Федерации, Пермь, Россия
3e-mail: mgboyarshinov@pstu.ru
4e-mail: vavilin@tbdd.ru

Аннотация. В качестве показателей заторной ситуации используются, как правило, средняя скорость и плотность автомобильного транспорта, не позволяющие отслеживать эволюцию (стадии формирования, развития и завершения) транспортного затора. Авторами предложен и обоснован количественный показатель транспортного затора, позволяющий в автоматизированном режиме выявлять заторную ситуацию на городской улично-дорожной сети с использованием программно-технических комплексов фото- и видеофиксации. Целью настоящего исследования является изучение количественных характеристик предложенного показателя на основных типах пересечений городских улично-дорожных сетей с целью разработки научно-обоснованных рекомендаций по прогнозированию заторных ситуаций, обоснованию и принятию рациональных мер оперативного устранения транспортных заторов. Объектом изучения является транспортный поток на трех типах пересечений улично-дорожной сети города Перми, оборудованных программно-техническими комплексами фото- и видеофиксации. Предмет исследования – закономерности эволюции показателей транспортных потоков, которые можно использовать для оперативного прогнозирования формирования, развития и завершения транспортных заторов. Основой теоретико-методического подхода являются методы математической статистики, использованные для обработки результатов наблюдений транспортных потоков на разных типах пересечений с использованием «скользящего окна», вычисления среднего суточного значения и стандартного отклонения. Исходные данные получены с помощью программно-технических комплексов фото- и видеофиксации нарушений правил дорожного движения, установленных на улично-дорожной сети города Перми. В результате исследования определены рациональные параметры «скользящего окна», обеспечивающие структурирование функции показателя транспортного затора; выявлены факты образования заторных ситуаций; определены особенности эволюции заторов и наличие проблемных направлений движения, для которых целесообразно изменить режим светофорного регулирования. Теоретическая и практическая значимость работы заключается в проверке работоспособности предложенных количественного показателя и критерия транспортного затора, что представляет практический интерес с точки зрения прогнозирования аномалий движения транспортных средств по улично-дорожной сети, корректировке режимов работы светофорных объектов и проч. Использование предложенного показателя транспортного затора возможно для оценки эффективности светофорного регулирования на улично-дорожной сети города Перми. Направление дальнейшего исследования – изучение закономерностей показателя транспортного затора на пересечениях городской улично-дорожной сети, различных типов, не вошедших в настоящее исследование.

Ключевые слова: транспортный поток, транспортный затор, показатель и критерий транспортного затора.

Для цитирования: Бояршинов М. Г., Вавилин А. С. Закономерности показателя транспортного затора на некоторых пересечениях улично-дорожной сети // Интеллект. Инновации. Инвестиции. – 2024. – № 1. – С. 95–115. – https://doi.org/10.25198/2077-7175-2024-1-95.


Литература

  1. Анализ динамической модели «Оптимизация дорожного движения на участке дороги» в среде STATISTICA и ANYLOGIC / В. В. Мокшин [и др.] // Вестник Технологического университета. – 2019. – Т. 22. – № 5. – С. 119–127. – EDN: RUASEA.
  2. Ананьева Е. Ю. Информационные транспортные сервисы: инструмент преодоления заторов // Мир дорог. – 2021. – № 139. – С. 102–104.
  3. Андронов Р. В., Елькин Б. П., Гензе Д. А. Понятие затора и формирование очередей на регулируемом пересечении в условиях плотного транспортного потока // Научно-технический вестник Поволжья. – 2015. – № 1. – С. 39–41. – EDN: TMHTMZ.
  4. Басков В. Н., Игнатов А. В. Зависимость риска возникновения транспортного затора от параметров транспортного потока // Научно-методический электронный журнал «Концепт». – 2015. – № Т. 35. – С. 1–5. – EDN: VCHAFT.
  5. Басков В. Н., Красникова Д. А., Исаева Е. И. Влияние поведенческого фактора водителя на образование транспортного затора // Мир транспорта. – 2019. – Т. 17. – № 4(83). – С. 272–281. – https://doi.org/10.30932/1992-3252-2019-17-4-272-281. – EDN: LQUBOC.
  6. Бояршинов М. Г. Метод нормированного размаха для анализа интенсивности транспортного потока // Вестник НЦБЖД. – 2020. – 4(46). – С. 35–46. – EDN: ZOUVIH.
  7. Бояршинов М. Г., Вавилин А. С. Характеристики транспортного затора на основе данных системы фото- и видеофиксации // Интеллект. Инновации. Инвестиции. – 2023. – № 3. – С. 83–106. – https://doi.org/10.25198/2077-7175-2023-3-83. – EDN: VJFNTJ.
  8. Бояршинов М. Г., Вавилин А. С., Васькина Е. В. Применение вейвлет-анализа для исследования интенсивности транспортного потока // Интеллект. Инновации. Инвестиции. – 2022. – № 4. – С. 88–103. – https://doi.org/10.25198/2077-7175-2022-4-88 – EDN: BBHFDH.
  9. Бояршинов М. Г., Вавилин А. С., Васькина Е. В. Применение показателя Хёрста для исследования интенсивности транспортного потока // Интеллект. Инновации. Инвестиции. – 2022. – № 2. – С. 68–81. – https://doi.org/10.25198/2077-7175-2022-2-68 – EDN: RXHDQO.
  10. Бояршинов М. Г., Вавилин А. С., Шумков А. Г. Использование комплекса фотовидеофиксации нарушений правил дорожного движения для выделения детерминированной и стохастической составляющих интенсивности транспортного потока // Интеллект. Инновации. Инвестиции. – 2021. – № 3. – С. 61–71. – https://doi.org/10.25198/2077-7175-2021-3-61. – EDN: BSXWOY.
  11. Бояршинов М. Г., Вавилин А. С., Шумков А. Г. Фурье-анализ интенсивности транспортного потока // Интеллект. Инновации. Инвестиции. – 2021. – № 4. – С. 46–59. – https://doi.org/10.25198/2077-7175-2021-4-46. – EDN: SJOPEL.
  12. Ветрогон А. А., Крипак М. Н. Транспортное моделирование как инструмент для эффективного решения задач в области управления транспортными потоками // Современные технологии. Системный анализ. Моделирование. – 2018. – № 3(59). – С. 82–91. – https://doi.org/10.26731/1813-9108.2018.1(57).82-91. – EDN: YSFXUL.
  13. Владимиров С. Н. Транспортные заторы в условиях мегаполиса // Известия МГТУ МАМИ. – 2014. – Т. 3. – № 1(19). –С. 77–84. – EDN: STXZCR.
  14. Власов А. А., Горелов А. М. Управление светофорными объектами в условиях транспортных заторов // Вестник Московского автомобильно-дорожного государственного технического университета (МАДИ). – 2014. – № 3(38). – С. 112–117. – EDN: SLPFIR.
  15. Дрю Д. Р. Теория транспортных потоков и управление ими / Пер. с англ. Е. Г. Коваленко и Г. Д. Шермана; Под ред. чл.-кор. АН СССР Н. П. Бусленко. – М.: Транспорт, 1972. – 424 с.
  16. Европейская конференция министров транспорта. Управление заторами в городах / Т. Уорсли, Л. Мартин, Б. Мур и др.; перевод с англ. Ботвиньевой Я. Е. и Донченко В. В. – СПб: Ассоциация транспортных инженеров, 2020. – 336 с.
  17. Караблин О. В. О фрактальном характере автомобильного трафика города // Экономика: вчера, сегодня, завтра. – 2018. – Т. 8. – № 9А. – С. 287–292. – EDN: YSZQDJ.
  18. Кашталинский А. С., Петров В. В. Влияние дорожно-транспортных факторов на неравномерность транспортных потоков в городах // Вестник Иркутского государственного технического университета. – 2016. – № 1(108). – С. 116–123. – EDN: VHISPF.
  19. Корнев А. В., Шабуров С. С. Транспортные заторы. Варианты решения проблемы // Молодежный вестник ИрГТУ. – 2021. – Т.11. – № 1. – С. 58–63. – EDN: PJVUKF.
  20. Костарев А. Ф., Постаногов И. C. Использование технологий bigdata для анализа транспортных потоков на основе данных потока фотофиксации // Вестник НЦБЖД. – 2016. – № 2 (28). – С. 30–35. – EDN: WHFIZH.
  21. Ласкин М. Б., Талавиря А. Ю. Оценка плотности транспортного потока на основе имитационного моделирования пункта взимания платы // Материалы 10 Всероссийской научно-практической конференции по имитационному моделированию и его применению в науке и промышленности «Имитационное моделирование. Теория и практика» (ИММОД-2021), 20–22 октября 2021 г., Санкт-Петербург. – СПб., 2021. – С. 272–278. – EDN: ZOKRTI.
  22. Макарецкий Е. А., Нгуен Л. Х. Исследование Фурье и вейвлет спектров изображений транспортных средств // Фундаментальные исследования. – 2006. – № 12. – С. 80–81. – EDN: ISDION. Обследование городской транспортной сети с применением измерительного комплекса / А. С. Евтеева [и др.] // Транспортное дело России. – 2018. – № 1. – С. 132–134. – EDN: YWZXUX.
  23. Планирование дорожного трафика в контексте системы «устойчивый городской транспорт» / В. Д. Шепелев [и др.] // Вестник Южно-Уральского Государственного Университета. Серия: Экономика и менеджмент. – 2020. – Т. 14. – № 2. – С. 177–186. – EDN: RESUGN.
  24. Распределение скорости движения автомобилей перед стоп-линией городского регулируемого перекрёстка / А. В. Макаричев [и др.] // Bеcтник Харьковского национального автомобильно-дорожного университета. – 2019. – № 85. – С. 107–116. – https://doi.org/10.30977/BUL.2219-5548.2019.85.0.107. – EDN: YIOWRX.
  25. Сильянов В. В., Елисеева С. А., Уткин А. В. Моделирование цепных критических ситуаций в плотном транспортном потоке // Вестник НЦБЖД. – 2010. – № 5. – С. 65–70. – EDN: NUOATX.
  26. Шамлицкий Я. И., Охота А. С., Мироненко С. Н. Сравнение адаптивного и жесткого алгоритмов управления дорожным движением на базе имитационной модели в среде ANYLOGIC // Программные продукты и системы. – 2018. – № 2. – С. 403–408. – EDN: XYOAXJ.
  27. Щеголева Н. В., Гусев В. А., Ворожейкин М. А. Образование заторов в транспортном потоке // Техническое регулирование в транспортном строительстве. – 2016. – № 5(19). – С. 25–28. – EDN: XHWVXD.
  28. Aftabuzzaman Md. Measuring Traffic Congestion – A Critical Review URL: https://australasiantransportresearchforum.org.au/wp-content/uploads/2022/03/2007_Aftabuzzaman.pdf. (accessed 10.11.2022) (In Eng.).
  29. Black W. R. (2003) Transportation: a geographical analysis. – New York: The Guilford Press, 375 p. (In Eng.).
  30. Boyarshinov M. G., Vavilin A. S. (2021) The deterministic component of the traffic flow intensity. IOP Conference Series: Materials Science and Engineering, International Conference: Actual Issues of Mechanical Engineering (AIME 2020) 27th-29th October 2020, Saint-Petersburg, Russian Federation. – 1111. – 012013. – https://doi.org/10.1088/1757-899X/1111/1/012013. (In Eng.).
  31. Karimi H. R., Pawlus W., Robbersmyr K. G. (2012) Signal Reconstruction, Modeling and Simulation of a Vehicle Full-scale Crash Test Based on Morlet Wavelets. Neurocomputing. Vol. 93. No. 15, pp. 88–99. – https://doi.org/10.1016/j.neucom.2012.04.010. (In Eng.).
  32. Kazhaev A. et al. (2018) Modelling urban route transport network parameters with traffic, demand and infrastructural limitations being considered. IOP Conference Series: Earth and Environmental Science. Vol. 177. Pp. 012018. – https://doi.org/10.1088/1755-1315/177/1/012018. – EDN: YBWTIL (In Eng.).
  33. Kumar P., Kumar S. V., Priya L. (2023) Smart and Safety Traffic System for the Vehicles on the Road, IoT with Smart Systems. Smart Innovation, Systems and Technologies, Springer, Singapore. Vol. 312. pp. 509–522. – https://doi.org/10.1007/978-981-19-3575-6_51. (In Eng.).
  34. Li L. et al. (2012) A Mixed-Fractal Traffic Flow Model Whose Hurst Exponent Appears Crossover, 2012 Fifth International Joint Conference on Computational Sciences and Optimization, 23–26 June 2012. Harbin, China, https://doi.org/10.1109/CSO.2012.103 (In Eng.).
  35. Sathiyaraj R., Bharathi A. (2020) An efficient intelligent traffic light control and deviation system for traffic congestion avoidance using multiagent system, Transport, Vol. 35, No 3. pp. 327–335. – https://doi.org/10.3846/transport.2019.11115. (In Eng.).
  36. Shepelev V. et al. (2020) A study of the travel time of intersections by vehicles using computer vision, Proceedings of the 6th International Conference on Vehicle Technology and Intelligent Transport Systems, Pp. 653–658, https://doi.org/10.5220/0009806206530658. – EDN: FDQOOO (In Eng.).
  37. Shepelev V. et al. (2020) The use of multi-sensor video surveillance system to assess the capacity of the road network, Transport and Telecommunication, Vol. 21, No. 1, pp. 15–31. – https://doi.org/10.2478/ttj-2020-0002. (In Eng.).
  38. Xomidov A., Tursunboyev M. (2022) Eliminating congestion on internal roads, Universum: технические науки, Vol. 2(95). Available at: https://7universum.com/ru/tech/archive/item/13079, (accessed 20.11.2022) (In Eng.).
  39. Yasir R. M. et al. (2022) Traffic Congestion Prediction Using Machine Learning Techniques. https://doi.org/10.48550/arXiv.2206.10983. (In Eng.).