Повышение надежности оценки загрузки городской улично-дорожной сети на основе краткосрочного прогнозирования интенсивности движения

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Повышение надежности оценки загрузки городской улично-дорожной сети на основе краткосрочного прогнозирования интенсивности движения

Скоробогатченко Д.А., Боровик В.С., Боровик В.В.

Предлагается метод повышения надежности определения коэффициента загрузки городской улично-дорожной сети на основе краткосрочного прогнозирования часовой интенсивности движения. В качестве математического инструмента для реализации метода выбран аппарат искусственных нейронных сетей. Прогноз краткосрочной интенсивности движения предлагается осуществлять с учетом времени суток, дня недели и времени года. Фактор сезонности учитывается при расчете, как интенсивности движения, так и параметров пропускной способности городской улично-дорожной сети. В своих расчетах авторы опирались на собранные данные по центральным улицам г. Волгограда. Представлены результаты прогнозирования и оценки загрузки городской улично-дорожной сети на примере одной из центральных улиц г. Волгограда.

Ключевые слова: пропускная способность, интенсивность движения, городская улично-дорожная сеть, прогнозирование искусственные нейронные сети

IMPROVEMENT OF RELIABILITY OF ESTIMATION OF LOADING OF URBAN STREET-ROAD NETWORK BASED ON SHORT-TERM FORECASTING OF MOVEMENT INTENSITY

A method is proposed to improve the reliability of determining the load factor of a city road network based on the short-term forecasting of the hourly traffic intensity. As a mathematical tool for the implementation of the method, the device of artificial neural networks was chosen. The forecast of short-term traffic intensity is proposed to be implemented taking into account the time of the day, the day of the week and the time of the year. The factor of seasonality is taken into account when calculating both the traffic intensity and the parameters of the city's road network traffic capacity. In their calculations, the authors relied on the collected data on the central streets of Volgograd. The results of forecasting and estimating the load of the urban street-road network are presented on the example of one of the central streets of Volgograd.

Keywords: throughput, traffic intensity, urban street-road network, forecasting artificial neural networks

Введение

Эффективная работа автомобильного транспорта в значительной степени определяется транспортно-эксплуатационным состоянием автомобильных дорог [10]. Одним из наиболее существенных транспортно-эксплуатационных показателей является интенсивность движения и пропускная способность дорог. На основании этих показателей рассчитывается коэффициент загрузки автомобильных дорог, представляющий собой основную характеристику технико-экономической эффективности работы городской улично-дорожной сети (УДС) [8].

При этом следует отметить, что значительный рост интенсивности движения и качественное изменение состава транспортного потока, наблюдающиеся в последнее десятилетние привело к тому, что значительная часть УДС крупных городов работает на пределе пропускной способности. Как результат - заторы, значительное снижение скорости транспортного потока, рост аварийности, повышенный износ дорожной инфраструктуры и нагрузка на экологию городской среды.

Одним из способов решения перечисленных проблем с целью выработки мероприятий по улучшению организации движения, повышению безопасности, увеличению средней технической скорости и производительности подвижного состава автомобильного транспорта является изучение и своевременный учет интенсивности, направлений и состава движения. Тем не менее, в настоящее время не достаточное внимание уделяется вопросам, связанным с определением параметров транспортного потока, таких как интенсивность и пропускная способность городской УДС [2]. Так среднегодовую суточную интенсивность движения до сих пор определяют в соответствии с рекомендациями ВСН 42-87 Минтрансстроя [4], согласно которому на эксплуатирующихся дорогах часовая интенсивность определяется непосредственными наблюдениями или по результатам автоматического учета движения. Ситуация ухудшается тем, что во многих крупных городах исчерпаны или близки к исчерпанию возможности экстенсивного развития транспортных сетей. В связи с этим особую актуальность в настоящее время приобретает решение вопросов, связанных оценкой загрузки городской УДС. Управление загрузкой УДС на основе эффективной системы ее прогнозирования и оценки будет способствовать также решению проблем создания «умных городов» [12] и интеллектуальных транспортных систем [14].

Целью данной статьи является разработка метода оценки загрузки городской улично-дорожной сети на основе краткосрочного прогнозирования интенсивности движения транспортных средств с учетом фактора сезонности.

Анализ литературных данных и постановка проблемы

Задаче краткосрочного прогнозирования параметров транспортных потоков в отечественной и мировой печати посвящено значительное количество исследований. При этом методы прогноза основываются на учете различных факторов, которые, по мнению их авторов, оказывают существенное влияние на интенсивность движения автотранспорта и пропускную способность УДС. В качестве факторов могут выступать данные о пользователях дорог (демографические показатели, уровень доходов на душу населения и данные анализа выгод пользователей, уровень автомобилизации населения, данные анализа отправных пунктов и пунктов назначения по маршрутам следования автомобилистов и макроэкономические показатели, влияющие на деловую активность), а также данные о сети автодорог [9].

Так в работе [6] предложена методика определения среднегодовой суточной интенсивности по результатам краткосрочных наблюдений, на основе регрессионного анализа. Практическая значимость исследования заключается в подборе уравнения для определения интенсивности движения по результатам краткосрочных наблюдений, позволяющих, с учётом временных факторов, прогнозировать приведенную интенсивность транспортного потока.

В работе [5] предлагается методика определения интенсивности городского движения для условий крупных населенных пунктов. Наиболее интересным исследованием в области анализа и прогнозирования транспортных потоков в сети крупного города является [1]. В качестве исходных данных авторами предложены материалы GPS/ГЛОНАСС о местоположении отдельных транспортных средств. Для оценки параметров транспортных потоков, авторы проецировали данные GPS/ГЛОНАСС на граф транспортной сети города. Эти параметры использовались для краткосрочного (в пределах часа) прогнозирования изменения ситуации в транспортной сети города.

Если анализировать математические подходы к решению задачи прогнозирования и оценки параметров транспортных потоков, то можно выделить регрессионные модели [16], модели, основанные на временных рядах [13], модели, основанные на нейронных сетях [15, 18] и модели, построенные на основе метода опорных векторов [17].

По ряду замечаний, высказанных авторами в работе [1] при оценке пропускной способности выбор математического инструментария был сделан в пользу искусственных нейронных сетей. Поскольку для оценки пропускной способности необходимо осуществлять краткосрочный прогноз интенсивности движения, данный математический аппарат позволяет использовать параметры исследуемого показателя за предыдущие годы, повышая объективность результатов прогноза. Следует отметить, что искусственные нейронные сети достаточно широко применяются для прогнозирования различных процессов, связанных с изменением транспортно-эксплуатационных показателей автомобильных дорог в дорожно-транспортной отрасли [11].

Метод оценки загрузки городской улично-дорожной сети

Предлагаемый метод определения коэффициента загрузки городской улично-дорожной сети с учетом фактора сезонности основан на краткосрочном прогнозировании среднегодовой часовой интенсивности движения. В качестве инструмента для прогнозирования часовой интенсивности предлагается использовать искусственные нейронные сети. Согласно официальному подходу [4], на интенсивность движения оказывают определяющее влияние следующие факторы (см. рис. 1).

Рис. 1. Факторы, учитываемые при построении модели прогнозирования интенсивности движения

В качестве факторов снижающих пропускную способность в зимнее время учитывались состояние покрытия, интенсивность работы дорожных служб и уменьшение ширины крайних полос [3, 7]. В качестве экспериментальной базы, авторами была выбрана ул. Рабоче-Крестьянская г. Волгоград измерения по которой проводились в летний и зимний периоды года (рис. 2).

Рис. 2. Общий тренд изменения часовой интенсивности движения в пределах недели по ул. Рабочее-Крестьянская в различные периоды года

Для моделирования в среде Deductor Studio была реализована нейронная сеть, структура которой экспериментально модифицировалась в зависимости от количества входных сигналов и числа наблюдений.

Общий вид используемой в работе нейронной сети представим на рис. 3. Входные нейроны принимают значения переменных вектора входного воздействия X = (x₁, x₂,..., x_n), где n - число компонентов вектора, равное числу входных параметров характеризующих среднегодовую часовую интенсивность движения (время суток, период года, уровень автомобилизации и т.п.). Соответственно, ему же будет равно число входных нейронов, образующих вход нейронной сети.

прогнозирование интенсивность движение нейронный

Рис. 3. Общая структура применяемой в системе нейронной сети

Сеть представлена только одним выходным нейроном Y, который будет принимать различные конечные значения в зависимости от значения интенсивности. Выходной нейрон служит для вывода результатов обработки нейронной сетью входного вектора. Все значения нормализованы в интервале от 0 до 1. Как следствие в качестве активационной функции была выбрана сигмоидальная функция.

В общем случае сеть представлена m-слоями скрытых нейронов. Именно скрытые нейроны выполняют преобразование данных в нейронной сети.

Для учета смещения (сигнала поляризации) в нейронную сеть добавляются единичные входы, а все первые элементы векторов - активационных функций приравниваются к единице.

В качестве алгоритма обучения выбран метод обратного распространения ошибки. Процедуры вычисления выходного значения y_i сетью, стандартные, поэтому мы не приводим их в работе. В качестве алгоритма обучения нейронной сети выбран градиентный спуск. Результаты прогнозирования интенсивности движения сетью после обучения в летний период года представим на рис. 4.

Аналогичные результаты получены при применении обучения на данных по интенсивности, собранных в зимний период.

Очевидно, что прогноз среднегодовой часовой интенсивности движения достаточно близко аппроксимирует фактические данные, полученные в результате наблюдений на дороге. Следовательно, качество результатов расчета коэффициента загрузки, основанного на прогнозных данных по интенсивности будет достаточно высоким. Методика расчета пропускной способности и коэффициента загрузки дороги принималась в соответствии с нормативными документами [8].

Рис. 4. Результаты прогноза часовой интенсивности движения по ул. Рабоче-Крестьянская за месяц летнего периода в сравнении с фактическими данными, реализованного после обучения НС

Данные расчета прогноза коэффициента загрузки дороги в сравнении с фактическими результатами для ул. Рабоче-Крестьянская в различные периода года представим на рис. 5-6.

Рис. 5. Данные прогноза коэффициента загрузки ул. Рабочее-Крестьянская в зимний период в сравнении с фактически полученными результатами

Рис. 6. Данные прогноза коэффициента загрузки ул. Рабочее-Крестьянская в зимний период в сравнении с фактически полученными результатами в условиях воздействия неблагоприятных погодно-климатических факторов

Обсуждение результатов

Авторами разработан метод оценки загрузки городской улично-дорожной сети, основанный на краткосрочном прогнозировании среднегодовой часовой интенсивности движения. В качестве инструмента реализации предлагается применение искусственных нейронных сетей в среде Deductor Studio. Расчеты прогнозируемой пропускной способности показали хорошую сходимость с фактически полученными данными, что говорит о работоспособности предложенной модели. По результатам проделанной работы можно сделать следующие выводы:

1. Предложенный метод отличается высокой адаптивностью и, после некоторой настройки и обучения искусственной нейронной сети может применяться ко всем дорогам городской улично-дорожной сети.

2. Авторский подход позволяет учесть изменения в пропускной способности городской УДС не только в течении часа или дней недели, но так же отражает сезонные изменения, в том числе при проявлении неблагоприятных погодно-климатических факторов.

3. Высокая сходимость результатов прогнозирования с фактически полученными данными свидетельствует о том, что на основании предлагаемого метода возможно планирование мероприятий по организации движения и управлению городскими транспортными потоками.

4. Предлагаемый подход может быть использован при реализации технологий создания «умных городов», интеллектуальных транспортных систем и разработки интернет сервисов и мобильных приложений для участников дорожного движения, позволяющих анализировать развитие транспортной ситуации при планировании перемещений по городу.

В рамках дальнейших исследований авторами ведется разработка создание единого подхода к прогнозированию интенсивности и оценке пропускной способности городской УДС на основе включения дополнительных факторов при моделировании.

Список литературы

1. Агафонов А.А., Мясников В.В. Оценка и прогнозирование параметров транспортных потоков с использованием композиции методов машинного обучения и моделей прогнозирования временных рядов // Компьютерная оптика. 2014. № 3, Т. 38. С. 539-549

2. Акулов В.В. Анализ методов учёта интенсивности движения на автомобильных дорогах // Интернет-журнал «НАУКОВЕДЕНИЕ». 2012. №4. [Электронный ресурс]. режим доступа: https://naukovedenie.ru/PDF/1trgsu412.pdf (Дата обращения 23.10.2017)

3. Боброва Т.В., Слепцов И.В. Моделирование решений по снегоочистке городской улично-дорожной сети в многоагентной системе // Вестник СибАДИ. 2013. №5 (33). С. 51-57.

4. ВСН 42-87 Инструкция по проведению экономических изысканий для проектирования автомобильных дорог. - М.: ЦБНТИ Минавтодора РСФСР, 1989.

5. Гасанов Т.Г., Батманов Э.З., Гусейнов М.Р. Определение интенсивности городского движения в условиях республики Дагестан // Вестник Московский автомобильно-дорожного государственного технического университета (МАДИ). 2014. № 3(34). С. 98-102

6. Ермаченко К.А., Шакина Е.И. Прогнозирование транспортных потоков на улицах Читы при кратковременных обследованиях // Аспирант. Приложение к журналу Вестник забайкальского государственного университета. 2013. № 1 (13). С. 86-91.

7. Исаков В.Г., Дягелев М.Ю. Применение метода анализа иерархий в оценке пропускной способности проезжей части городских дорог в зимнее время // Вестник ИЖГТУ им. М.Т. Калашникова, 2011, № 2. С. 170-172

8. Методические рекомендации по оценке пропускной способности автомобильных дорог: ОДМ 218.2.020-2012: утв. Минтрансом РФ 17.02.2012: ввод в действие с 01.03.2012. - М.: 2012. 135 с.

9. Пингасов Д.В. Прогноз транспортных потоков в регионах Сибирского федерального округа Российской Федерации // Автоматизированные технологии изысканий и проектирования, № 4(43), Изд-во ООО «КРЕДО- ДИАЛОГ», 2011, с. 82-84.

10. Скоробогатченко Д.А. Модель для оценки эксплуатационного состояния автомобильных дорог с учетом информации качественного характера // Вестник Волгоградского государственного архитектурно-строительного университета. Серия: Строительство и архитектура. 2011. № 21. С. 60-66.

11. Щербаков М.В, Скоробогатченко Д.А., Авдеев А.А., Аль-Гунаид М.А. Проблемы проектирования систем прогнозирования эксплуатационного состояния автомобильных дорог на основе нечетких нейронных сетей // Известия Волгоградского государственного технического университета. 2011. Т. 10. № 3 (76). С. 82-87.

12. Batty M. Smart cities of the future / M. Batty, K.W. Axhausen, F. Giannotti, A. Pozdnoukhov, A. Bazzani, M. Wachowicz, G. Ouzounis, Y. Portugali // The European Physical Journal Special Topics. 2012. Vol. 214, Issue 1. P. 481-518.

13. Box, G.E. Time Series Analysis: Forecasting and Control / G.E. Box, G.M. Jenkins, G.C. Reinsel. 4th edition. Wiley, 2008. 784 p.

14. Hall R. Handbook of transportation science / R.W. Hall. - Dordrecht: Kluwer Academic Publishers, 2003. 737 p.

15. Min, W. Real-time road traffic prediction with spatiotemporal correlations / W. Min, L. Wynter // Transportation Research Part C: Emerging Technologies. 2011. Vol. 19, Issue 4. P. 606-616.

16. Sun, H. Short term traffic forecasting using the local linear regression model / H. Sun, H. Liu, H. Xiao, R. He, B. Ran // Journal of Transportation Research Board. 2003. Vol. 1836. P. 143-150.

17. Zhang, X. Forecasting Approach for Short-term Traffic Flow based on Principal Component Analysis and Combined Neural Network / X. Zhang, G. He // Systems Engineering: Theory & Practice. 2007. Vol. 27(8). P. 167-171.

18. Zheng, W. Short-term freeway traffic flow prediction: bayesian combined neural network approach / W. Zheng, D.-H. Lee, Q. Shi // Journal of Transportation Engineering. 2006. Vol. 132, N 2. P. 114-121.

Размещено на Allbest.ru