УДК: 519.6: 656.13: 537.8
https://doi.org/10.25198/2077-7175-2024-4-57
EDN: HBPRBA


просмотр

СИСТЕМЫ УПРАВЛЕНИЯ ТРАНСПОРТНЫМ ПОВЕДЕНИЕМ НАСЕЛЕНИЯ ГОРОДСКИХ АГЛОМЕРАЦИЙ. ПАТТЕРНЫ ПОВЕДЕНИЯ, МЕТОДЫ ИХ РАСПОЗНАВАНИЯ

И. Е. Агуреев1, А. В. Ахромешин2
Тульский государственный университет, Тула, Россия
1e-mail: agureev-igor@yandex.ru
2e-mail: aakhromeshin@yandex.ru

Аннотация. В настоящей работе рассматриваются вопросы изучения систем поддержки принятия решений о совершении поездок пассажирами с точки зрения выделения паттернов такого поведения, их классификация и кластеризация. Приведен обзор литературы отечественных и зарубежных авторов, касающийся анализов паттернов транспортного поведения населения и их распознавания. Обоснована актуальность изучения транспортного поведения населения при помощи теории паттернов. Сформирован подход описания паттернов поведения с точки зрения теории макросистем. Указаны примеры мобильных приложений для планирования маршрутов, современные модели исследования транспортного поведения на основе технологий BigData, нейронных сетей, теории парсинга. Решена задача формализации описания транспортного поведения с целью получения инструмента для анализа влияния управляющих воздействий на транспортное поведение. Сделан вывод о необходимости обобщенного представления транспортного поведения, а, следовательно, и его паттерна, в виде логических моделей.

Цель исследования заключается в составлении обобщенного представления транспортного поведения и его паттернов в рамках теории макросистем путем составления цифрового паттерна, который может быть отображен в виде совокупности графических схем и в виде последующего логического описания.

Полученные результаты состоят в детальном обзоре литературы по тематике систем поддержки принятия решений при совершении поездки, определению паттернов поведения пассажиров, влияния поведения индивида на поведение всей транспортной системы в целом. Разработан инструментарий определения паттернов на основе теории макросистем. Выполнен анализ различных использованных исследователями методов обработки данных и визуализации результатов, что дополнительно служит для определения возможностей качественного и количественного описания транспортного поведения. При этом были определены множества состояний элементов транспортной системы, конкретные измеряемые и/или вычисляемые величины, их отношение к микро- или макроуровням описания транспортной системы. Определено, что наиболее удобным и всесторонним инструментом для представления и изучения паттернов является теория транспортных макросистем.

Ключевые слова: транспортное поведение, транспортная система, транспортная мобильность, поведение человека, поездка, паттерн.

Для цитирования: Агуреев И. Е., Ахромешин А. В. Системы управления транспортным поведением населения городских агломераций. Паттерны поведения, методы их распознавания // Интеллект. Инновации. Инвестиции. – 2024. – № 4. – С. 57–75. – https://doi.org/10.25198/2077-7175-2024-4-57.


Литература

  1. Агуреев И. Е., Ахромешин А. В. К вопросу разработки модели транспортной системы индивидуальных перемещений с управлением // Мир транспорта и технологических машин. – 2022. – № 4–2(79). – С. 49–57. – https://doi.org/10.33979/2073-7432-2022-2(79)-4-49-57. – EDN: MTTORB.
  2. Агуреев И. Е., Ахромешин А. В. Математическая модель транспортного поведения на основе теории транспортных макросистем //Мир транспорта. – 2021. – Т. 19. – №. 6 (97). – С. 13–18. – https://doi.org/10.30932/1992-3252-2021-19-6-2. – EDN: MCXWKF.
  3. Агуреев И. Е., Ахромешин А. В. Обзор сервисов для обеспечения транспортной подвижности населения // Информационные технологии в управлении, и автоматизации и мехатронике. – 2022. – С. 22–27. – EDN: GNNXIB.
  4. Агуреев И. Е., Ахромешин А. В. Обоснование выбора теоретического аппарата для описания транспортного поведения жителей города (мегаполиса) //Вестник Сибирского государственного автомобильно-дорожного университета. – 2021. – Т. 18. – №. 6 (82). – С. 746–758. – https://doi.org/10.26518/2071-7296-2021-18-6-746-758. – EDN: KPSSET.
  5. Воробьева О. В., Манжула Е. А., Яшина А. В. Умный горожанин в умном городе: обзор подходов в России и за рубежом // International Journal of Open Information Technologies. – 2019. – Т. 7, № 5. – С. 59–65. – EDN: VDERYG.
  6. Загурская С. Г., Дружинин В. П. Экономика туризма: влияние безопасности на критерии выбора вида транспортного средства пассажирами // Бизнес и дизайн ревю. – 2016. – Т. 1, № 4 (4). – С. 3. – EDN: XENMOX.
  7. Ие О. Н. Возможности парсинга для получения данных о транспортном поведении пассажиров // Актуальные вопросы современной экономики. – 2021. – № 7. – С. 329–339. – https://doi.org/10.34755/IROK.2021.38.45.003. – EDN: HKLPLE.
  8. Огар Т. П. Модель и методы поддержки принятия решений в задачах управления городским пассажирским общественным транспортом // Математические методы в технологиях и технике. – 2022. – № 7. – C. 85–88. – https://doi.org/10.52348/2712-8873_MMTT_2022_7_85. – EDN: TGQHYP.
  9. Огар Т. П., Крушель Е. Г., Степанченко И. В. Построение модели генерации пассажиропотока с учетом различий в поведении пассажиров разных возрастных групп //Тенденции развития логистики и управления цепями поставок в условиях цифровой экономики: материалы II международной научно-практической конференции, проводимой в рамках Международного форума Kazan Digital Week 2021 и посвященной 80-летию академика РАН В. П. Мешалкина. Казань, 2021. – С. 191–196. – EDN: FPKUXJ.
  10. Попков Ю. С. Теория макросистем. – М.: УРСС, 1999. – 320 с.
  11. Шилов Н. Г., Ермолаев В. И. Методологические основы интеллектуальной поддержки социально-ориентированных решений в гибких транспортных системах // Научный вестник Новосибирского государственного технического университета. – 2016. – № 3 (64). – С. 59–72. – https://doi.org/10.17212/1814-1196-2016-3-59-72. – EDN: WWTLWD.
  12. Яковенко Е. А. Анализ потенциала рынка городских пассажирских перевозок посредством изучения структуры и особенностей поведения пассажиров // Организация и безопасность дорожного движения: материалы VI Всероссийской научно-практической конференции, Тюмень, 15 марта 2013 года. – Тюмень: Тюменский государственный нефтегазовый университет, 2013. – С. 206–211. – EDN: SYZDNB.
  13. Яковенко Е. А. О возможностях изучения динамики поведения пассажиров городского пассажирского общественного транспорта в процессе выбора способа перемещения // Нефть и газ Западной Сибири : Материалы Международной научно-технической конференции, посвященной 50-летию Тюменского индустриального института. Том 4. – Тюмень: Тюменский государственный нефтегазовый университет, 2013. – С. 100–105. – EDN: SFTPTD.
  14. Allahviranloo M. (2016) Pattern Recognition and Personal Travel Behavior, Transportation Research Board 95th Annual Meeting. No. 16–3970. (In Eng.).
  15. Allahviranloo M., Regue R., Recker W. (2017) Modeling the activity profiles of a population , Transportmetrica B: Transport Dynamics. – Vol. 5. – No. 4. – pp. 426–449. (In Eng.).
  16. Anagnostopoulou E. et al. (2020) From mobility patterns to behavioural change: Leveraging travel behaviour and personality profiles to nudge for sustainable transportation. J. Intell. Inf. Syst.,Vol. 54. No. 1, pp. 157–178. – https://doi.org/10.1007/s10844-018-0528-1 ( In Eng.).
  17. Arian A. (2018) Exploring Travel Behavior Change Opportunities Through a Spatial-Temporal Dimensioned Persuasion Framework : diss. – The University of Arizona, 2018. (In Eng.).
  18. Espinoza C. et al. (2018) Assessing the public transport travel behavior consistency from smart card data. Transp. Res. Procedia,Vol. 32, pp. 44–53. (In Eng.).
  19. Foell S. et al. (2013) Mining temporal patterns of transport behavior for predicting future transport usage, in Proc. Conf. UbiquitousComput., pp. 1239–1248. – https://doi.org/10.1145/2494091.2497354 (In Eng.).
  20. Hussain H. D. et al. (2017) Analysis of Transportation Mode Choice Using a Comparison of Artificial Neural Network and Multinomial Logit Models. ARPN Journal of Engineering and Applied Sciences, Vol. 12, No. 5, pp. 1483–1493. (In Eng.).
  21. Pishchikova O. (2021) Management in the Model of Transport Behavior of Metropolis Residents Using the Concept of «Mobility as a Service», SHS Web of Conferences. EDP Sciences, Vol. 93. No. 57. p. 04014. – https://doi.org/10.1051/shsconf/20219304014 (In Eng.).
  22. Recker W. (1985) Travel/activity analysis: Pattern recognition, classification and interpretation. Transportation Research Part A: General.Vol. 19, No. 4, pp. 279–296. (In Eng.).
  23. Servizi V. et al. (2021). Transport behavior-mining from smartphones: a review. European Transport Research Review, Vol. 13, No. 57. – https://doi.org/10.1186/s12544-021-00516-z. (In Eng.).
  24. Sun L. et al. (2021) Routine pattern discovery and anomaly detection in individual travel behavior, Networks and Spatial Economics. Vol. 23, No. 1 pp. 1–15. – https://doi.org/10.1007/s11067-021-09542-9 (In Eng.).
  25. Wang D., Xu W., Jia X. (2022) Analysis of Intelligent Transportation System Application Based on Internet of Things and Big Data Technology under the Background of Information Society. Advances in Multimedia. No. 105, рp. 1–11. – https://doi.org/10.1155/2022/6001355 (In Eng.).
  26. Yang L. et al. (2019) Integrated design of transport infrastructure and public spaces considering human behavior: A review of state-of-the-art methods and tools, Frontiers of Architectural Research, Vol. 8, No. 4. pp. 429–453. – https://doi.org/10.1016/j.foar.2019.08.003 (In Eng.).