УДК: 656.138
https://doi.org/10.25198/2077-7175-2026-1-90


просмотр

ИНТЕГРАЦИЯ ГЕТЕРОГЕННОЙ МОДЕЛИ ВЫБОРА ВОДИТЕЛЕЙ В РАВНОВЕСНУЮ МОДЕЛЬ ГОРОДСКОЙ ТРАНСПОРТНОЙ СЕТИ С БЫСТРЫМИ ЗАРЯДНЫМИ СТАНЦИЯМИ

Сичжоу Ду
Белорусский национальный технический университет, Минск, Республика Беларусь
e-mail: dusizhuo@gmail.com

Д. С. Саражинский
Белорусский национальный технический университет, Минск, Республика Беларусь
e-mail: sarazhinsky@mail.ru

Д. В. Капский
Белорусский национальный технический университет; Академия управления при Президенте Республики Беларусь, Минск, Республика Беларусь
e-mail: d.kapsky@gmail.com

О. Н. Ларин
Российский университет транспорта, Москва, Россия
e-mail: larin_on@mail.ru

Аннотация. Актуальность исследования обусловлена необходимостью точного прогнозирования нагрузки на инфраструктуру быстрых зарядных станций для электромобилей, что является критически важной задачей для планирования городских транспортных систем. Существующие подходы к моделированию часто опираются на упрощенные функции затрат, игнорируя ключевые психологические факторы и значительную гетерогенность предпочтений водителей, что приводит к неточным результатам. Целью данной работы является разработка и обоснование комплексной методологии, позволяющей интегрировать детализированную гетерогенную поведенческую модель выбора водителей в вычислительно эффективную равновесную модель городской транспортной сети.

В качестве методического аппарата исследования используется синтез двух теоретических компонентов: модифицированной классической модели назначений Франка-Вольфа, адаптированной для сетей с зарядной инфраструктурой, и поведенческой модели дискретного выбора на основе латентных классов. Предложенная методология включает последовательную многоступенчатую процедуру преобразования. Она начинается со спецификации и оценки поведенческой модели на данных социологических опросов, затем выполняет поведенческую фильтрацию для выделения «активной группы» водителей, потенциально готовых к зарядке, и завершается построением и адаптацией поведенчески-согласованных функций затрат для каждого класса пользователей.

Основные результаты работы заключаются в создании законченного алгоритма и инструментария, который преобразует вероятностные оценки индивидуальных предпочтений в детерминированные параметры макромодели. Это позволяет учесть в моделях сетевого равновесия такие факторы, как восприятие запаса хода, чувствительность ко времени ожидания в очереди и привлекательность характеристик зарядных станций. Научная новизна заключается в разработке принципов выделения классо-специфичных функций затрат, которые сводят сложную поведенческую задачу к многоклассовой версии алгоритма Франка-Вольфа, сохраняя при этом ключевую информацию о гетерогенности предпочтений водителей.

Практическая значимость состоит в том, что предложенный подход предоставляет транспортным планировщикам инструмент для прямой калибровки функций затрат на основе эмпирических данных опросов, исключая необходимость в сложной эвристической подгонке параметров. Это открывает возможности для более точного сценарного анализа и оптимизации развития зарядной инфраструктуры. Направления дальнейших исследований включают адаптацию предложенного метода для стохастических моделей равновесия и его верификацию на натурных данных о транспортных потоках.

Ключевые слова: равновесное распределение потоков, алгоритм Франка-Вольфа, электромобили, зарядная инфраструктура, модель латентных классов.

Для цитирования: Интеграция гетерогенной модели выбора водителей в равновесную модель городской транспортной сети с быстрыми зарядными станциями / Ду Сичжоу [и др.] // Интеллект. Инновации. Инвестиции. – 2026. – № 1. – С. 90–105. – https://doi.org/10.25198/2077-7175-2026-1-90.


Литература

  1. Математические модели и технологии искусственного интеллекта для мониторинга автотранспортных потоков : монография / М. В. Яшина [и др.]. – М. : Общество с ограниченной ответственностью «Техполиграфцентр», 2024. – 176 с.
  2. Поиск равновесий в двухстадийных моделях распределения транспортных потоков по сети / Е. В. Котлярова [и др.] // Компьютерные исследования и моделирование. – 2021. – Т. 13, № 2. – С. 365–379. – https://doi.org/10.20537/2076-7633-2021-13-2-365-379. – EDN: TMSLKI.
  3. Прикладные задачи теории динамических систем и классической механики для моделирования транспортных процессов : монография. В 2-х частях. Часть I. Континуальные и дискретные модели сложных систем динамики и особенности конечномерных аппроксимаций / М. В. Яшина [и др.]. – М. : Московский автомобильно-дорожный государственный технический университет (МАДИ), 2023. – 212 с. – EDN: CWKHKD.
  4. Швецов В. И. Математическое моделирование транспортных потоков // Автоматизация и телемеханика. – 2003. – № 11. – С. 3–46. – EDN: NTKEJT.
  5. Abrantes P. A., Wardman M. R. (2011) Meta-analysis of UK values of travel time: An update. Transportation Research Part A: Policy and Practice. – Vol. 45. – No. 1, pp. 1–17. – https://doi.org/10.1016/j.tra.2010.07.002. (In Eng.).
  6. Beckmann M. J., McGuire C. B., Winsten C. B. (1956) Studies in the Economics of Transportation. – Yale University Press. – 359 р.
  7. Dafermos S. C. (1972) The traffic assignment problem for multiclass-user transportation networks. Transportation Science. – Vol. 6. – No. 1, pp. 73–87. – https://doi.org/10.1287/trsc.6.1.73. (In Eng.).
  8. Egbue O., Long S. (2012). Barriers to widespread adoption of electric vehicles: An analysis of consumer attitudes and perceptions. Energy Policy. – Vol. 48, pp. 717–729. – https://doi.org/10.1016/j.enpol.2012.05.025. (In Eng.).
  9. Franke T., Krems J. F. (2013). Understanding charging behaviour of electric vehicle users. Transportation Research Part F: Traffic Psychology and Behaviour. – Vol. 21, pp. 75–89. – https://doi.org/10.1016/j.trf.2013.01.002. (In Eng.).
  10. Greene W. H. (2011) Econometric Analysis (7th ed.). Prentice Hall. – 1098 р. (In Eng.).
  11. Gross D., et al. (2008) Fundamentals of Queueing Theory (4th ed.). Wiley. – https://doi.org/10.1002/9780470316829. (In Eng.).
  12. Hardman S., et al. (2018). A review of consumer preferences of and interactions with electric vehicle charging infrastructure. Transportation Research Part D: Transport and Environment. – Vol. 62, pp. 508–523. – https://doi.org/10.1016/j.trd.2018.06.010. (In Eng.).
  13. He F., Yin Y., Zhou J. (2015). Deploying public charging stations for electric vehicles on urban road networks. Transportation Research Part C: Emerging Technologies. – Vol. 60, pp. 227–240. – https://doi.org/10.1016/j.trc.2015.08.005. (In Eng.).
  14. Hensher D. A., Rose J. M., Greene W. H. (2015) Applied choice analysis (2nd ed.). Cambridge University Press. – 1188 р. (In Eng.).
  15. Jabeen F., et al. (2013) Electric vehicle battery charging behaviour: Findings from a driver survey. Australasian Transport Research Forum 2013 Proceedings 2 – 4 October 2013, Brisbane, Australia. – PATREC. – 15 р. (In Eng.).
  16. Jensen A. F., Cherchi E., Mabit S. L. (2013). On the stability of preferences and attitudes before and after experiencing an electric vehicles. Transportation Research Part D: Transport and Environment. – Vol. 25, pp. 24–32. – https://doi.org/10.1016/j.trd.2013.07.006. (In Eng.).
  17. Jiang Y., Xie J., He F. (2020). Path-based traffic assignment for battery electric vehicles with a constrained shortest path algorithm. Transportation Research Part B: Methodological. – Vol. 139, pp. 417–436. (In Eng.).
  18. Kamakura W. A., Russell G. J. (1989). A probabilistic choice model for market segmentation and elasticity structure. Journal of Marketing Research. – Vol. 26. – No. 4, pp. 379–390. – https://doi.org/10.1177/002224378902600402. (In Eng.).
  19. LeBlanc L. J., Morlok E. K., Pierskalla W. P. (1975). An efficient approach to solving the road network equilibrium traffic assignment problem. Transportation Research. – Vol. 9. – No. 5, pp. 309–318. (In Eng.).
  20. Li K., et al. (2023) State-of-charge estimation combination algorithm for lithium-ion batteries with Frobenius-norm-based QR decomposition modified adaptive cubature Kalman filter and H-infinity filter based on electro-thermal model. Energy. – Vol. 263. – 125763. – https://doi.org/10.1016/j.energy.2022.125763. (In Eng.).
  21. Liu B., et al. (2022). An electric vehicle charging station access equilibrium model with M/D/c queueing. International Journal of Sustainable Transportation. – Vol. 17. – No. 3, pp. 228–244. – https://doi.org/10.1080/15568318.2022.2029633. (In Eng.).
  22. McFadden D. (1974) Conditional Logit Analysis of Qualitative Choice Behavior. Frontiers in Econometrics. – рр. 105–142. (In Eng.).
  23. McFadden D., Train K. (2000) Mixed MNL models for discrete response. Journal of Applied Econometrics. – Vol. 15. – No. 5, pp. 447–470. – https://doi.org/10.1002/1099-1255(200009/10)15:5<447::AID-JAE551>3.0.CO;2-1. (In Eng.).
  24. Sheffi Y. (1985) Urban Transportation Networks: Equilibrium Analysis with Mathematical Programming Methods. Prentice-Hall. – 399 р. (In Eng.).
  25. Sovacool B. K., et al. (2018) The demographics of decarbonizing transport: The influence of gender, education, occupation, age, and household size on electric mobility preferences in the Nordic region. Global Environmental Change. – Vol. 52, pp. 86–100. – https://doi.org/10.1016/j.gloenvcha.2018.07.012. (In Eng.).
  26. Train K. E. (2009) Discrete choice methods with simulation (2nd ed.). Cambridge University Press. – 400 р. (In Eng.).
  27. Wardman M. (2004) Public transport values of time. Transport Policy. – Vol. 11(4), pp. 363–377. – https://doi.org/10.1016/j.tranpol.2004.05.001. (In Eng.).
  28. Wardrop J. G. (1952). Some theoretical aspects of road traffic research. Proceedings of the Institution of Civil Engineers. – Vol. 1(3), pp. 325–378. (In Eng.).
  29. Zhu L., Peeta S., He X. (2022) User equilibrium traffic assignment for electric vehicles considering the charging choice. Applied Energy. – Vol. 325. – 119830. (In Eng.).

Для того, чтобы мы могли качественно предоставить вам услуги, мы используем cookies, которые сохраняются на вашем компьютере (сведения о местоположении; ip-адрес; тип, язык, версия ОС и браузера; тип устройства и разрешение его экрана; источник, откуда пришел на сайт пользователь; какие страницы открывает и на какие кнопки нажимает пользователь; эта же информация используется для обработки статистических данных использования сайта посредством интернет-сервиса Яндекс.Метрика). Нажимая кнопку «Согласен», вы подтверждаете то, что вы проинформированы об использовании cookies на нашем сайте. Отключить cookies вы можете в настройках своего браузера.