Нейросетевое моделирование пропускной способности улично-дорожной сети

Проблемы увеличения количества личных транспортных средств в городских агломерациях, а также возрастание грузоперевозок приводят к необходимости применения интеллектуальных транспортных систем для построения стратегий по уменьшению заторов и предотвращению аварий. Важным параметром транспортной системы, показывающим эффективность использования существующей городской инфраструктуры, является пропускная способность планируемого маршрута. Статья посвящена созданию модели пропускной способности городского маршрута на основе пропускной способности его элементов, а именно перегонов и перекрестков. Подход к созданию такой модели – математическое ремоделирование, где в качестве унифицированного класса выбрана классическая нейронная сеть обратного распространения, аппроксимирующая модели различных классов. Для формирования наборов данных при обучении модели предлагается использовать индекс пропускной способности маршрута. На численных примерах показана возможность применения предложенного подхода. Оценена пропускная способность трех планируемых маршрутов и выбран оптимальный, критерием эффективности которого является отношение объема транспортного потока к пропускной способности. Перспективной задачей представленного исследования является анализ чувствительности созданной модели для выявления параметров элементов маршрута, оказывающих наибольшее влияние на пропускную способность, и управления ими с целью повышения общей эффективности системы.

1. Schrab K., Neubauer M., Protzmann R., Radusch I., Manganiaris S., Lytrivis P. Modeling an ITS Management Solution for Mixed Highway Traffic With Eclipse MOSAIC. IEEE Transactions on Intelligent Transportation Systems. 2023;24(6):6575–6585. https://doi.org/10.1109/TITS.2022.3204174

2. National Academies of Sciences, Engineering, and Medicine. Highway Capacity Manual 7th Edition: A Guide for Multimodal Mobility Analysis. Washington, DC: The National Academies Press; 2022. 1286 p. https://doi.org/10.17226/26432

3. Abdel-Aal M.M.M., El-Maaty A.E.A., Abo Samra H.A. Factors Affecting Road Capacity Under non-Ideal Conditions in Egypt. Nova Journal of Engineering and Applied Sciences. 2018;7(1):1–13.

4. Feng X., Zhang Y., Qian S., Sun L. The Traffic Capacity Variation of Urban Road Network due to the Policy of Unblocking Community. Complexity. 2021;2021(1). https://doi.org/10.1155/2021/9292389

5. Geistefeldt J., Brilon W. A Comparative Assessment of Stochastic Capacity Estimation Methods. In: Transportation and Traffic Theory 2009: Golden Jubilee. Boston, MA: Springer; 2009. pp. 583–602. https://doi.org/10.1007/978-1-4419-0820-9_29

6. Sysoev A., Anikienko T., Blyumin S. Highway Capacity Estimation: International Regulation and Neurostructural Remodeling Approach. Periodica Polytechnica Transportation Engineering. 2020;48(2):180–188. https://doi.org/10.3311/PPtr.12880

7. Brilon W., Geistefeldt J., Zurlinden H. Implementing the concept of reliability for highway capacity analysis. Transportation Research Record. 2007;(2027):1–8. https://doi.org/10.3141/2027-01

8. Sysoev A., Voronin N. Approach to Sensitivity Analysis of Stochastic Freeway Capacity Model Based on Applying Analysis of Finite Fluctuations. In: Proceedings – 2019 1st International Conference on Control Systems, Mathematical Modelling, Automation and Energy Efficiency, SUMMA 2019, 20–22 November 2019, Lipetsk, Russia. IEEE; 2019. pp. 621–626. https://doi.org/10.1109/SUMMA48161.2019.8947493

9. Wu N., Giuliani S. Capacity and Delay Estimation at Signalized Intersections Under Unsaturated Flow Condition Based on Cycle Overflow Probability. Transportation Research Procedia. 2016;15:63–74. https://doi.org/10.1016/j.trpro.2016.06.006

10. Ковригин А.А., Маршалкович А.С. Оценка воздействия от выбросов движущегося автотранспорта для обеспечения экологической безопасности жизнедеятельности горожан. Строительство: наука и образование. 2016;(3). URL: https://elibrary.ru/download/elibrary_27184770_47207620.pdf

11. Седых В.А., Беляева Л.Н., Климов Д.С. Состояние атмосферного воздуха города Липецк. Проблемы региональной экологии. 2019;(3):77–80. https://doi.org/10.24411/1728-323X-2019-13077

12. Пыталева О.А., Фридрихсон О.В., Бердашкевич С.М. Исследование экологического аспекта при организации транспортных потоков в городах (на примере города Магнитогорска). Современные проблемы транспортного комплекса России. 2016;6(1):58–64. https://doi.org/10.18503/2222-9396-2016-6-1-58-64

13. Баканов К.С. и др. Дорожно-транспортная аварийность в Российской Федерации за 6 месяцев 2024 года: информационно-аналитический обзор. Москва: ФКУ «НЦ БДД МВД России»; 2024. 37 с.

14. Корчагин В.А., Погодаев А.К., Клявин В.Э., Суворов В.А. Метод объективной оценки уровня обеспечения безопасности движения. Наука и техника в дорожной отрасли. 2017;(1):10–12.

15. Корчагин В.А., Погодаев А.К., Клявин В.Э., Суворов В.А. Метод комплексной оценки уровня безопасности дорожного движения на дорожной сети. Вестник Московского автомобильно-дорожного государственного технического университета (МАДИ). 2016;(2):88–94.

16. Saraev P.V., Blyumin S.L., Galkin A.V., Sysoev A.S. Neural Remodelling of Objects with Variable Structures. In: Proceedings of the Second International Scientific Conference "Intelligent Information Technologies for Industry" (IITI’17): Volume 1, 14–16 September 2017, Varna, Bulgaria. Cham: Springer; 2018. pp. 141–149. https://doi.org/10.1007/978-3-319-68321-8_15

17. Hou C.K.J., Behdinan K. Dimensionality Reduction in Surrogate Modeling: A Review of Combined Methods. Data Science and Engineering. 2022;7(4):402–427 https://doi.org/10.1007/s41019-022-00193-5

18. Stavropoulos P., Papacharalampopoulos A., Sabatakakis K., Mourtzis D. Metamodelling of Manufacturing Processes and Automation Workflows towards Designing and Operating Digital Twins. Applied Sciences. 2023;13(3). https://doi.org/10.3390/app13031945

19. Saraev P.V. Mathematical Remodeling of Technological Processes Using Factor Space Partitioning. In: 2018 International Russian Automation Conference, RusAutoCon, 09–16 September 2018, Sochi, Russia. IEEE; 2018. pp. 1–5. https://doi.org/10.1109/RUSAUTOCON.2018.8501713

20. Sysoev A. Sensitivity Analysis of Mathematical Models. Computation. 2023;11(8). https://doi.org/10.3390/computation11080159

21. Sysoev A., Galkin A., Khabibullina E. Hybrid Model of Controlling Traffic Flows Within Regional Intelligent Transportation System. In: Reliability and Statistics in Transportation and Communication: Selected Papers from the 20th International Conference on Reliability and Statistics in Transportation and Communication, RelStat2020, 14–17 October 2020, Riga, Latvia. Cham: Springer; 2021. pp. 528–537. https://doi.org/10.1007/978-3-030-68476-1_49