Спросить
Войти
УДК 656.02 DOI: 10.14529/em200218
ПЛАНИРОВАНИЕ ДОРОЖНОГО ТРАФИКА В КОНТЕКСТЕ СИСТЕМЫ «УСТОЙЧИВЫЙ ГОРОДСКОЙ ТРАНСПОРТ»
В.Д. Шепелев, З.В. Альметова, М.А. Корзан, И.Г. Чарбадзе
Южно-Уральский государственный университет, г. Челябинск, Россия
Одним из факторов, оказывающих влияние на пропускную способность узлов улично-дорожной сети (УДС), является наличие грузовых транспортных средств (ТС) в транспортных потоках. Существующие методы оценки воздействия движения грузового транспорта на параметры дорожного трафика основываются на статистических данных. Наше исследование построено на применении нейронных сетей с целью обработки больших данных (BIG DATA) в режиме реального времени, поступающих от камер уличного видеонаблюдения.
В результате интерпретации и анализа больших данных, были установлены закономерности изменения трафика грузовых ТС в течение суток и его влияние на пропускную способность узлов УДС. Представленное исследование позволяет повысить эффективность принятия решений в задачах оптимизации организации дорожного движения.
Введение
С ростом автомобилизации населения города нагрузки на транспортные сети увеличиваются, что приводит к увеличению транспортных заторов, количества ДТП аварий, расхода топлива, выбросов СО2 и задержек в поездках. Доля загрязняющих веществ, выбрасываемых в атмосферу автомобилями может достигать 65-70 %. Кроме того, ежегодно количество выбросов возрастает примерно на 3 % [1].
Классические методы по решению вопросов с заторами, такие как увеличение ширины проезжей части, увеличение платных парковок, строительство подземных (надземных) переходов, практически исчерпали свой ресурс.
Вопросами обеспечения эффективной пропускной способности узлов улично-дорожной сети и исследованиями транспортных потоков в городах занимается большое ученых со всего мира.
Одним из значимых факторов, влияющих на динамические параметры транспортных потоков, является его структура. Авторы [2] в ходе исследования установили, что оценку влияния весогаба-ритных параметров АТС на пропускную способность УДС следует проводить комплексно, учитывая взаимное влияние всех составляющих системы ВАДС.
В ходе проведенного аналитического обзора современной научно-технической, нормативной, методической литературы, группой авторов [3] получены результаты научно-исследовательской работы по обследованию улично-дорожной сети г. Орла. Также авторами предложена и апробирована новая методика проведения исследования и предложены организационно-технические с использованием средств транспортной телематики и организационно-архитектурные мероприятия по увеличению пропускной способности дорожной сети.
Исследователями [4] с целью предотвращения транспортных заторов предлагается такая модель движения транспортных средств в потоке, которая позволяет осуществлять ограничение доступа транспортных средств к месту возникновения затора путем снижения скорости движения на подходе к перекрестку.
В работе [5] выявлено, что самое большое влияние на движение транспортного потока оказывают грузовые автомобили большой грузоподъёмности, и возможным решением для повышения пропускной способности УДС является необходимость регулирования длительности разрешающего сигнала светофора.
С целью повышения пропускной способности элементов УДС города в условиях движения ТП высокой плотности автором [6] предложен метод динамического управления скоростью движения транспортных средств, и оценку пропускной способности УДС предложено проводить методом таксономического анализа.
В работе [7] авторами в ходе исследовательской работы предложена возможность повышения пропускной способности сечения «стоп» регулируемых пересечений с разными схемами организации движения путем изменения продолжительности цикла регулирования
Зарубежными исследователями [8] была применена программа (разработанная для микросимуляций дорожного движения) при проектировании и тестировании модели перекрестка со светофорным управлением. В ходе проведенных модификаций было получено значительное сокращение количества ТС, ожидающих в направлении наибольшего их скопления.
В работе [9] для оптимизации синхронизации сигналов светофора при изолированном пересечении предложен новый метод, основанный на подходе нечеткого программирования. Этот метод и традиционный метод были сопоставлены и проанализированы с помощью программного обеспечения для моделирования.
В исследовании [10] для управления очередью трафика был реализован метод моделирования. В качестве инструмента для моделирования линии очереди трафика было использовано программное обеспечение Arena Simulation.
Авторами [11] обсуждается необходимость двунаправленного сопряжения сетевого моделирования и микросимуляции дорожного движения. Они разработали гибридную симуляционную платформу Veins (Vehicles in Network Simulation), состоящую из сетевого симулятора OMNeT++ и симулятора дорожного движения SUMO.
Исследователи в работе [12] предложили решение для моделирования близлежащих транспортных потоков на основе встроенных датчиков киберфизической системы автономных транспортных средств. Их модель позволяет выбрать оптимальную скорость, оптимальное расстояние для торможения и безопасное расстояние от других транспортных средств. Мезоскопическое моделирование трафика используется для решения крупномасштабных динамических транспортных задач.
В работе [13] авторы представляют обобщенный алгоритм интеллектуального регулирования трафика (G-STRA), который будет учитывать плотность трафика в реальном времени с использованием обработки изображений на каждой полосе, чтобы сократить время ожидания и улучшить общую пропускную способность.
В статье [14] определен целевой функционал на основе аналитических выражений для пропускной способности трафика, заторов и времени ожидания водителей на перекрестке, представлен алгоритм, основанный на принципе оптимальности по Беллману. Авторы считают, что эта динамическая модель будет потенциально применима для адаптивной системы управления движением в реальном времени.
Авторами [15] предложен алгоритм, который корректирует фазы и длительность сигналов светофора в зависимости от состояния дороги в реальном времени на местных и соседних перекрестках. С помощью моделирования SUMO продемонстрирована эффективность предложенного алгоритма с точки зрения пропускной способности и среднего времени в пути.
Целью данного исследования является повышение пропускной способности узлов УДС и планирование дорожного трафика в контексте «умный город» с использованием интеллектуальной системы мониторинга транспортных потоков и дорожно-транспортной инфраструктуры AIMS (Artificial Intelligence Monitoring System)».
Нейронные сети
Умный город включает в себя систему нейросетей, которая позволяет распознавать образ ТС в дорожном потоке и на основе этого вести системный мониторинг дорожного трафика, регулировать движение транспорта посредством регулирования работы светофора и взаимодействия с инфраструктурой. Применение данной технологии является дополнительной возможностью повысить пропускную способность с минимальными затратами и воздействием на окружающую среду.
Для проведения исследования был выбран перекрёсток пр. Победы и ул. Молодогвардейцев (г. Челябинск), движение ТС «прямо» в связи с тем, что данное направление всегда самое нагруженное и обладает наибольшей пропускной способностью транспортных средств.
Использование нейронных сетей глубокого обучения позволяет в режиме реального времени осуществлять сбор, интерпретацию и агрегацию данных по интенсивности и классификации дорожного трафика.
Для выбранной модели был создан собственный датасет, собрано 1000 размеченных изображений. Размечался весь транспорт по 5 категориям: Car, Truck, Tram, Minibus, Bus. Разметка производилась с помощью Yolo_mark [16].
Для обучения нейронной сети:
• была развернута инфраструктура Darknet (инфраструктура нейронной сети с открытым исходным кодом, написанная на C и CUDA);
• установлена CV2 - (Open Computer Vision Library) - библиотека алгоритмов компьютерного зрения, обработки изображений и численных алгоритмов общего назначения с открытым исходным кодом;
• установлены стандартные библиотеки Pythonnumpy, Randomandmath; установлены Cuda и Cudnn - архитектуры параллельных вычислений от NVIDIA, позволяющие существенно увеличить вычислительную производительность, благодаря использованию GPU (графических процессоров);
• использована сеть с архитектурой YOLOv3.
На рис. 1 представлено изображение, как нейронная сеть распознает ТС.
Машинным зрением была определена интенсивность движения всех видов транспорта за каждый разрешающий такт. С помощью метода сбора данных установлено, что на перекрёстке одним из ключевых факторов, влияющих на пропускную способность, является наличие грузового транспорта в общем потоке ТС. Полученные данные суточной интенсивности грузовых ТС по полосам с разрешённым движением «прямо» для каждого направления перекрёстка показывают, что наибольшее количество грузового транспорта приходится на западное и восточное направление перекрёстка - 51 и 29 %, соответственно.
На рис. 2 представлен график изменения суточной интенсивности грузовых ТС по полосам с разрешённым движением «прямо» для каждого направления перекрёстка.
Рис. 1. Снимок с камеры видеонаблюдения
Рис. 2. Интенсивность грузовых ТС по полосам
Анализ графиков рис. 2 позволяет сделать вывод, что максимальный поток грузовых ТС приходится на утреннее и дневное время, что в свою очередь также оказывает влияние и на пропускную способность в соответствующие часы пиковой нагрузки перекрёстка.
Установлена зависимость интенсивности движения от количества грузовых ТС на полосе с разрешённым движением «прямо».
На рис. 3 представлены графики зависимостей интенсивности движения от количества грузового транспорта в восточном направлении перекрёстка (первая полоса).
Изменение интенсивности за час в состоянии затора, при котором было выявлено минимальное количество грузовых ТС (8:00-9:00), показано на рис. 3а, а рис. 3Ь показывает изменение интенсивности за час в состоянии затора, при котором было выявлено максимальное количество грузового транспорта (15:00-16:00). Красная линия характеризует максимальное количество легковых ТС при наибольшем количестве грузового транспорта.
Таким образом, согласно установленным зависимостям, наличие грузового транспорта в часы пик в восточном направлении перекрёстка на полосе с разрешённым движением «прямо» влияет на
интенсивность легковых транспортных средств, сокращая ее за час - до 9,5 %.
Наличие грузового транспорта в часы «пик» при движении в западном направлении по второй полосе с разрешённым движением «прямо» влияет на снижение количества пропускной способности узла до 30 % (рис. 4).
При движении по третьей полосе проезжей части с разрешённым движением «прямо» в западном направлении рост количества грузового транспорта снижает пропускную способность- до 36 % (рис. 5).
Поток насыщения
Математическая основа задачи оптимизации пропускной способности полос «прямо» на перекрёстке сводится к тому, что необходимо минимизировать (ограничить) проезд грузовых транспортных средств в часы «пик».
Влияние грузового транспорта на пропускную способность рассчитывается по формуле:
Рга = 1-^, (1)
Рис. 3. Зависимости пропускной способности от количества грузовых ТС (первая полоса):
a) состояние затора, при котором наблюдается минимальное количество грузовых ТС;
b) состояние затора, при котором наблюдается максимальное количество грузовых ТС
Рис. 4. Зависимости пропускной способности от количества грузовых ТС (вторая полоса):
a) состояние затора, при котором наблюдается минимальное количество грузовых ТС;
b) состояние затора, при котором наблюдается максимальное количество грузовых ТС
Рис. 5. Зависимости пропускной способности от количества грузовых ТС (третья полоса):
a) состояние затора, при котором наблюдается минимальное количество грузовых ТС;
b) состояние затора, при котором наблюдается максимальное количество грузовых ТС
где лга- количество грузовых транспортных средств, ед; количество легковых транспортных средств, ед.
ßza = 1 - iü = 0,96.
Ширина полосы:
_ 5ц—3,6 w — 9
где Sn - ширина полосы, м.
ZW = + 1=0,98.
Продольный уклон:
f9 = 1-А
где G - процент уклона.
fa = 1~— = 1.
J a топ
Поток насыщения:
$0=$*/а*/в**а, (4)
где Si - идеальный поток насыщения, прив.ед/ч (1900); /а - тип территории (0,9); / - продольный уклон; / - ширина полосы; @га - влияние грузового транспорта
Расчетами получена величина потока насыщения - 1603 прив. ед./ч. Согласно [17], идеальный поток насыщения для одной полосы с шириной от 3,5 м и более составляет 1900 прив. ед./ч (с нулевым количеством грузовых транспортных средств).
Таким образом, полученный в расчётах поток насыщения почти на 20 % ниже, чем должен быть.
На основе полученных данных спрогнозировано возможное увеличение пропускной способности легковых ТС (без учета грузовых ТС).
На рис. 6 показано увеличение пропускной способности 3-й полосы при движении в западном направлении.
Ограничение движения грузового транспорта позволяет увеличить пропускную способность на 240 приведенных автомобилей в час.
В западном направлении при ограничении проезда грузовых ТС по 2-й полосе пропускная способность узла возрастает до 50 %.
На рис. 8 показан график увеличения пропускной способности встречного направления, на «восток».
Таким образом, ограничение на проезд грузовых ТС позволяет существенно увеличить пропускную способность узлов, снизить глубину затора и уменьшит негативное воздействие транспорта на окружающую среду.
На основе полученных данных составлен прогноз влияния грузовых ТС на пропускную способность узла (рис. 9).
На рис. 10 показан график фактической и теоретической глубины затора (при ограничении движения грузового транспорта) по направлениям в часы «пик».
Глубина заторов, при исключении движения грузовых ТС, может уменьшиться на 10-37 %, в зависимости от направления движения. При движении в северном и южном направлениях влияние грузовых ТС на пропускную способность узлов незначительна.
В качестве варианта повышения интенсивности движения в данных условиях можно предложить введение ограничения движения грузовых ТС в часы «пик». Это позволит снизить величину затора на 25-30 % и повысить пропускную способность узлов до 30 %.
Рис. 6. Значения фактической и теоретической пропускной способности (третья полоса)
Рис. 7. График фактической и теоретической пропускной способности (вторая полоса)
Рис. 8. График фактической и теоретической пропускной способности (встречное направление)
Рис. 9. Прогноз пропускной способности при увеличении количества грузовых ТС
U Фактическая глубина И Теоретическая глубина
Ш Ii И Ь
Pob_Mol_E Pob_Mol_S Pob_Mol_N Pob_Mol_W Рис. 10. Фактическая и теоретическая глубина заторов
Второй вариант включает в себя строительство дополнительных полос для движения «прямо». Данное решение обойдётся в 9 0631 921 руб., что приведёт к снижению глубины затора на 20-25 %.
Анализ вариантов рассмотренных затрат свидетельствует в пользу введения ограничения на движение грузовых ТС, так как на это потребуется меньше в значительной степени временных и финансовых затрат.
Обсуждение и выводы
Разработаны предложения по увеличению пропускной способности УДС и снижению глубины затора.
Использование разработанной интеллектуальной системы мониторинга транспортных потоков и дорожно-транспортной инфраструктуры AIMS (Artificial Intelligence Monitoring System) позволяет оценить эффективность решений по организации дорожного движения в режиме реального времени, прогнозировать суммарные выбросы токсичных выхлопных газов от автотранспорта с учетом атмосферных и климатических условий. Также программа предупредит о превышении предельно допустимых концентраций вредных веществ в УДС.
Установлена зависимость влияния грузовых ТС на пропускную способность УДС. При использовании данной зависимости становится возможным формирование мониторинга снижения пропускной способности от перспективного роста количества грузовых ТС.
Оценка эффективности внедрения предложения по увеличению пропускной способности и снижению глубины затора произведена путём сравнения с моделью, применяемой до оптимизации, которая отображает реальную ситуацию на перекрёстке.
Результаты исследования могут быть использованы при имитационном моделировании для проведения исследований транспортных потоков,
а также при проектировании и организации дорожного движения.
Шепелев Владимир Дмитриевич, кандидат технических наук, доцент кафедры автомобильного транспорта, Южно-Уральский государственный университет (г. Челябинск), shepelevvd@susu.ru
Альметова Злата Викторовна, кандидат технических наук, доцент кафедры автомобильного транспорта, Южно-Уральский государственный университет (г. Челябинск), almetovazv@susu.ru
Корзан Михаил Алексеевич, магистрант кафедры автомобильного транспорта, Южно-Уральский государственный университет (г. Челябинск), www.mishutka.ru@mail.ru
Чарбадзе Иракли Геронтиевич, магистрант кафедры прикладной математики и программирования, Южно-Уральский государственный университет (г. Челябинск), irakli.charbadze174@gmail.com
Поступила в редакцию 9 февраля 2020 г.
DOI: 10.14529/em200218
ROAD TRAFFIC PLANNING IN THE CONTEXT OF THE SUSTAINABLE URBAN TRANSPORT SYSTEM
V.D. Shepelev, Z.V. Almetova, M.A. Korzan, I.G. Charbadze
South Ural State University, Chelyabinsk, Russian Federation
One of the factors affecting the intersection capacity of nodes in the street-road network are cargo transport vehicles in the traffic flows. The existing methods for assessing the impact of cargo transport vehicles on the road traffic parameters are based on statistical data. The research is based on the use of neural networks to process big data (BIGDATA) from CCTV cameras in real time mode.
As a result of the interpretation and analysis of big data, the patterns of changes in cargo transport vehicles during the day and its impact on the intersection capacity of nodes in the street-road network were established. The presented study allows to improve the decision-making efficiency while optimizing the road traffic planning.
References
Vladimir D. Shepelev, Candidate of Sciences (Engineering), Associate Professor of the Department of Automobile and Tractor Engineering Faculty, South Ural State University, Chelyabinsk, shepelevvd@susu.ru
Zlata V. Almetova, Candidate of Sciences (Engineering), Associate Professor of the Department of Automobile and Tractor Engineering Faculty, South Ural State University, Chelyabinsk, almetovazv@susu.ru
Mikhail A. Korzan, Master&s degree student of the Department of Automobile and Tractor Engineering Faculty, South Ural State University, Chelyabinsk, www.mishutka.ru@mail.ru
Irakli G. Charbadze, Master&s degree student of the Department of Applied Mathematics and Programming, South Ural State University, Chelyabinsk, irakli.charbadze174@gmail.com
Received February б, 2020
ОБРАЗЕЦ ЦИТИРОВАНИЯ
FOR CITATION
Планирование дорожного трафика в контексте системы «Устойчивый городской транспорт» / В.Д. Шепелев, З.В. Альметова, М.А. Корзан, И.Г. Чарбадзе // Вестник ЮУрГУ. Серия «Экономика и менеджмент». - 2020. - Т. 14, № 2. - С. 177-186. DOI: 10.14529/ em200218
Shepelev V.D., Almetova Z.V., Korzan M.A., Charbadze I.G. Road Traffic Planning in the Context of the Sustainable Urban Transport System. Bulletin of the South Ural State University. Ser. Economics and Management, 2020, vol. 14, no. 2, pp. 177-186. (in Russ.). DOI: 10.14529/em200218
