ارسال کار خوب خود در پایگاه دانش ساده است. از فرم زیر استفاده کنید

دانشجویان، دانشجویان تحصیلات تکمیلی، دانشمندان جوانی که از دانش پایه در تحصیل و کار خود استفاده می کنند از شما بسیار سپاسگزار خواهند بود.

نوشته شده در http://www.allbest.ru/

معرفی

رشد تعداد خودروها و در نتیجه افزایش تعداد آنها در جاده های شهرهای بزرگ، امروزه به یک مشکل مهم تبدیل شده است. تمرکز زیاد مراکز جذب توده های مردم در مرکز اکثر کلان شهرها منجر به پیچیدگی مدیریت شبکه راه ها و افزایش هزینه های نگهداری آن می شود. بسیاری از شهرهای جهان نمی توانند با چالش های حمل و نقل روزانه کنار بیایند و روز به روز با ترافیک های زیادی روبرو هستند.

در عین حال، نیاز جمعیت به حمل و نقل همچنان در حال افزایش است. در نتیجه، بدون اقدامات مناسب، وضعیت به سمت بن بست پیش می رود. UDS طراحی شده برای بار سبک تر نمی تواند با آن مقابله کند و نیاز به نوسازی و بهینه سازی دارد. امروزه شهر نه تنها به جاده های خوب، خوش طراحی و سپس ساخته شده، بلکه به مدیریت کیفیت آنها نیز نیاز دارد. همچنین، از بسیاری جهات، روش‌های قبلی مدیریت ترافیک در حال منسوخ شدن هستند و نمی‌توانند با شهر در حال رشد هماهنگی داشته باشند و جریان‌های چند جهته نیازمند مدیریت پویا و یکپارچه‌سازی سیستم‌های نوآورانه برای بهبود وضعیت حمل‌ونقل و به‌ویژه در مسکو هستند. کل سیستم ساخت شبکه‌های جاده‌ای و مدیریت آن باید از طریق فناوری‌های جدید تغییر کند، از جمله مدل‌سازی ریاضی، که امکان پیش‌بینی رفتار شبکه‌های جاده‌ای، ایجاد تنظیمات در پیکربندی آن و موارد دیگر را ممکن می‌سازد. به همین دلیل است که نیاز به جایگزین و همچنین هرگونه منبع اطلاعات اضافی در مورد وضعیت ترافیک به شدت در حال افزایش است. جدیدترین مجتمع ها و سیستم های جمع آوری و پردازش داده ها در حال حاضر در حال پیاده سازی هستند.

فصل اول تجزیه و تحلیل مختصری از وضعیت حمل و نقل فعلی در شهر مسکو، تجزیه و تحلیل دریافت و استفاده از داده های متریک وسیله نقلیه با استفاده از سرویس Yandex.Traffic و تجزیه و تحلیل مفید بودن چنین داده هایی و امکان استفاده از آنها ارائه می کند. استفاده کنید. در پایان فصل، اطلاعات نظری در مورد جاده ها، طبقه بندی آنها، و همچنین اینکه جریان های ترافیکی چیست و ویژگی های اصلی آنها و همچنین فرمول مسئله ارائه شده است.

در فصل دوم، یک بخش "تجربی" از شبکه جاده انتخاب شد، مشکلات اصلی آن با استفاده از نقشه گرمای ترافیک Yandex در نظر گرفته شد و همچنین بر اساس فرمول بندی مشکل، اقداماتی برای بهبود وضعیت حمل و نقل در منطقه پیشنهاد شد. این بخش از شبکه راه

فصل سوم با استفاده از مدل سازی کامپیوتری و مقایسه دو مدل UDS و پارامترهای آنها، توجیه دقیق تغییرات پیشنهادی را ارائه می دهد. یک مدل کامپیوتری بر اساس سایت انتخاب شده واقعی ایجاد شد، مشکلات و داده ها مورد تجزیه و تحلیل قرار گرفت و پس از آن یک مدل کامپیوتری با تغییرات پیشنهادی در فصل دوم ایجاد شد. تجزیه و تحلیل مقایسه ای داده های دو مدل انجام شد و به ما این امکان را می دهد که نتیجه بگیریم که تغییرات ایجاد شده منجر به بهبود ترافیک در این منطقه می شود.

هدف این مطالعه جریان های ترافیکی در شبکه راه های شهری است.

موضوع مطالعه امکان استفاده از مدل سازی کامپیوتری برای حل مسائل واقعی عملی است.

یک فرضیه علمی شامل فرض امکان استفاده از داده های واقعی در یک مدل کامپیوتری، همراه با نوسازی بیشتر (مدل) آن و به دست آوردن نتایج بهبودی است که به احتمال زیاد قابل اعتماد و در عمل قابل اجرا هستند.

هدف از این مطالعه در نظر گرفتن یکی از بزرگراه های رادیکال مشکل ساز مسکو، ایجاد یک مدل کامپیوتری از آن، مقایسه رفتار مدل با تصویر در عمل، ایجاد اصلاحات و تغییرات در ساختار شبکه جاده ها و مدل سازی بیشتر است. شبکه جاده ای اصلاح شده به منظور تایید بهبود وضعیت در این منطقه.

قابلیت اطمینان نتایج تحقیق انجام شده در کار با تأیید تجربی فرضیه اصلی، سازگاری نتایج تحقیقات نظری به دست آمده بر اساس تجزیه و تحلیل مدل های ریاضی توسعه یافته برای محاسبه پارامترهای اصلی تضمین می شود. UDS، با نتایج تحقیق.

1 تجزیه و تحلیل وضعیت فعلی و بیان مشکل

1.1 توجیه مربوط بودن مسئله

بر کسی پوشیده نیست که بسیاری از شهرهای بزرگ در سراسر جهان با مشکلات بزرگی در بخش حمل و نقل روبرو هستند. حمل و نقل در یک کلان شهر نقش بسیار مهمی را ایفا می کند، به همین دلیل است که سیستم حمل و نقل یک کلان شهر باید متعادل، به راحتی قابل مدیریت باشد و به سرعت به تمام تغییرات در ترافیک درون شهر پاسخ دهد. در واقع یک کلان شهر یک تراکم شهری با تراکم عظیم خودروها و افراد است که در آن حمل و نقل جاده ای (شخصی و عمومی) چه در جابجایی خود جمعیت و چه در لجستیک عمومی نقش بسزایی دارد. به همین دلیل است که مدیریت شایستگی سیستم حمل و نقل یک کلان شهر نقش بسزایی در فعالیت های آن ایفا می کند.

نیاز جمعیت به حمل و نقل، چه از طریق وسایل حمل و نقل عمومی و چه از طریق خودروهای شخصی، هر روز در حال افزایش است. منطقی است که فرض کنیم با افزایش تعداد حمل‌ونقل در یک کلان شهر، تعداد جاده‌ها، مبادلات و پارکینگ‌ها باید به تناسب افزایش یابد، با این حال، توسعه شبکه حمل‌ونقل جاده‌ای (RTN) همگام با این سرعت نیست. موتورسازی

به یاد بیاوریم که طبق آمار، تعداد خودروهای سرانه به طور پیوسته در حال رشد است (شکل 1.1).

کامپیوتر جریان ترافیک خودرو

شکل 1.1 تعداد اتومبیل به ازای هر 1000 نفر در مسکو

در عین حال، خدمات جاده شهر مسکو برای چنین نرخ رشدی در موتورسازی در شهر آماده نیست. علاوه بر حمل و نقل شخصی در شهر، مشکل حمل و نقل عمومی و حمل و نقل مسافر در مسکو نیز باید حل شود. طبق برنامه حمل و نقل دولتی، تنها 26 درصد از تردد مسافران از طریق حمل و نقل شخصی و 74 درصد از حمل و نقل عمومی انجام می شود. در عین حال، کل حجم تردد سالانه در سال 2011 بالغ بر 7.35 میلیارد مسافر بوده و طبق پیش بینی ها رشد خواهد کرد و در سال 2016 به 9.8 میلیارد مسافر در سال خواهد رسید. قرار است تنها 20 درصد از این تعداد مسافر از حمل و نقل شخصی استفاده کنند. در عین حال، در مجموع، حمل و نقل عمومی شخصی و بالای زمینی بیش از نیمی از ترافیک مسافران در مسکو را تشکیل می دهد. این بدان معناست که حل مشکلات حمل و نقل جاده ای در یک کلان شهر نقش زیادی در عملکرد عادی آن و زندگی راحت ساکنان آن دارد. این داده ها به این معنی است که بدون اتخاذ اقدامات کافی برای بهبود وضعیت حمل و نقل در مسکو، با یک فروپاشی حمل و نقل روبرو خواهیم شد که در سال های اخیر به آرامی در مسکو شکل گرفته است.

همچنین شایان ذکر است که علاوه بر مشکلات مربوط به تردد درون شهری مسافران، مشکل جریان های حمل و نقل نیروی کار آونگی و تردد وسایل نقلیه (عمدتاً بار) در داخل شهر به وضوح قابل مشاهده است. و اگر مشکل حمل و نقل ترانزیتی بار با ممنوعیت ورود و تردد کامیون‌های با ظرفیت حمل بیش از 12 تن در شهر در طول روز تا حدودی حل شود، مشکل جابه‌جایی مسافران از منطقه به شهر بسیار عمیق‌تر می‌شود. حل مشکل تر

این امر توسط چندین عامل تسهیل می شود، در درجه اول مکان مراکز جذب توده های انسانی در محدوده شهر. به طور خاص، محل تعداد زیادی از محل های کار و دفاتر تعداد زیادی از شرکت ها، محل تعداد زیادی از زیرساخت ها، امکانات فرهنگی و خدماتی (به ویژه مراکز خرید، اما روند ساخت آنها در محدوده شهر. به طور پیوسته به نفع موقعیت خود در خارج از جاده کمربندی مسکو کاهش می یابد). همه اینها منجر به این می شود که جریانات عظیمی از مردم هر روز در ساعات شلوغی صبح از منطقه به سمت محدوده شهر حرکت می کنند و در عصر به منطقه برمی گردند. این مشکل به ویژه در روزهای هفته، زمانی که تعداد زیادی از مردم در ساعات شلوغی صبح به محل کار و در ساعات شلوغی عصر به خانه می‌روند، شدیدتر می‌شود. همه اینها منجر به بار عظیمی در مسیرهای خروجی می شود که در این ساعات توسط تعداد زیادی از مسافران که با وسایل حمل و نقل عمومی و شخصی سفر می کنند استفاده می شود. علاوه بر این، در تابستان ساکنان تابستانی به آنها ملحق می‌شوند، که هر آخر هفته ترافیک بزرگی را در بزرگراه‌ها به منطقه و بعد از آخر هفته از آن خارج می‌کنند.

همه این مشکلات نیازمند راه حلی فوری، از طریق ساخت جاده ها و تقاطع های جدید، انتقال مراکز جذب برای توده های انسانی و بهینه سازی مدیریت ساختار شبکه راه های موجود است. همه این تصمیمات بدون برنامه ریزی و مدل سازی دقیق امکان پذیر نیست. زیرا با کمک برنامه های کاربردی و ابزارهای مدل سازی می توان دید با اجرای راه حل های خاص به چه تاثیری می رسیم و بر اساس ارزیابی هزینه آنها و تاثیر مثبت بر جریان ترافیک مناسب ترین ها را انتخاب می کنیم.

1.2 تجزیه و تحلیل وضعیت حمل و نقل فعلی در مسکو با استفاده از وب سرویس Yandex Traffic Jams

با در نظر گرفتن جزئیات بیشتر مشکلات ذکر شده در بالا، ما باید برای جمع آوری اطلاعات در مورد وضعیت حمل و نقل در مسکو به سیستم های تله متری موجود روی آوریم، که می تواند به وضوح مناطق مشکل دار کلان شهر ما را نشان دهد. یکی از پیشرفته ترین و مفیدترین سیستم ها در این زمینه که کارایی خود را به اثبات رسانده است وب سرویس Yandex Traffic Jams است که اثربخشی و محتوای اطلاعاتی خود را به اثبات رسانده است.

با تجزیه و تحلیل داده های ارائه شده توسط سرویس در حوزه عمومی، می توانیم تجزیه و تحلیل داده ها را انجام دهیم و برای مشکلات ذکر شده در بالا توجیه واقعی ارائه کنیم. بنابراین، ما می‌توانیم به وضوح مناطقی را با وضعیت حمل‌ونقل پرتنش ببینیم، روندهای شکل‌گیری ازدحام را به صورت بصری بررسی کنیم و با انتخاب بهینه‌ترین مدل ریاضی برای حل مسئله مدل‌سازی یک منطقه مشکل خاص، راه‌حلی برای مشکل پیشنهاد کنیم و نتایج بیشتری به دست آوریم. که بر اساس آن می توان در مورد امکان بهبود وضعیت حمل و نقل در این مورد خاص نتیجه گیری کرد. به این ترتیب می توان با ارائه راه حل، مدل نظری و مسئله واقعی را با هم ترکیب کرد.

1.2.1 اطلاعات مختصری در مورد سرویس وب Yandex Traffic Jams

ترافیک Yandex یک سرویس وب است که اطلاعات مربوط به وضعیت حمل و نقل در مسکو و سایر شهرهای روسیه و جهان را جمع آوری و پردازش می کند. با تجزیه و تحلیل اطلاعات دریافتی، این سرویس اطلاعاتی در مورد وضعیت حمل و نقل ارائه می دهد (و برای شهرهای بزرگ نیز "امتیاز" برای ازدحام شبکه حمل و نقل ارائه می کند)، به رانندگان اجازه می دهد تا مسیر سفر خود را به درستی برنامه ریزی کنند و زمان مورد انتظار سفر را تخمین بزنند. این سرویس همچنین یک پیش بینی کوتاه مدت از وضعیت ترافیک مورد انتظار در یک زمان خاص، در یک روز خاص از هفته را ارائه می دهد. بنابراین، این سرویس تا حدی در بهینه‌سازی TP دخیل است و به رانندگان اجازه می‌دهد مسیرهای انحرافی را انتخاب کنند که تحت پوشش ازدحام نیستند.

1.2.2 منابع داده

برای وضوح، بیایید تصور کنیم که من و شما در بلوار Strastnoy روبروی Petrovka (کوچک و بدون تلفات) تصادف می کنیم. با ظاهرمان، مثلاً دو ردیف از سه ردیف موجود را مسدود کردیم. رانندگانی که در امتداد ردیف‌های ما حرکت می‌کردند، مجبور می‌شوند دور ما بچرخند و رانندگانی که در ردیف سوم حرکت می‌کنند مجبورند به کسانی که در اطراف ما می‌روند اجازه عبور بدهند. برخی از این رانندگان کاربران برنامه های Yandex.Maps و Yandex.Navigator هستند و دستگاه های تلفن همراه آنها اطلاعات حرکت خودرو را به Yandex.Traffic منتقل می کند. با نزدیک شدن خودروهای کاربران به تصادف ما، سرعت آنها کاهش می یابد و دستگاه ها شروع به "اطلاع رسانی" سرویس در مورد ترافیک می کنند.

برای شرکت در جمع آوری داده ها، یک راننده به یک ناوبر و برنامه تلفن همراه Yandex.Traffic نیاز دارد. به عنوان مثال، اگر تصادفی در جاده رخ دهد، برخی از راننده های وظیفه شناس، با مشاهده تصادف ما، می توانند با قرار دادن نقطه مناسب در Yandex.Maps تلفن همراه، به سایر رانندگان در مورد آن هشدار دهند.

1.2.3 فناوری پردازش ردیابی

گیرنده‌های GPS هنگام تعیین مختصات خطا می‌دهند که ساخت مسیر را دشوار می‌کند. این خطا می تواند ماشین را چندین متر در هر جهت، به عنوان مثال، روی پیاده رو یا سقف یک ساختمان مجاور "تغییر دهد". مختصات دریافتی از کاربران به نقشه الکترونیکی شهر ختم می‌شود که تمام ساختمان‌ها، پارک‌ها، خیابان‌های دارای علامت‌گذاری جاده‌ها و سایر اشیاء شهر با دقت بسیار بالایی نمایش داده می‌شوند. به لطف این جزئیات، برنامه نحوه حرکت ماشین را در واقع درک می کند. به عنوان مثال، در یک مکان یا مکان دیگر، خودرو نمی توانست وارد خط مقابل شود، یا پیچ بر اساس علامت گذاری جاده بدون "بریدن" گوشه انجام شده است. (شکل 1.2)

شکل 1.2 فناوری پردازش ردیابی

در نتیجه، هر چه تعداد کاربران سرویس بیشتر باشد، اطلاعات دقیق تر در مورد وضعیت ترافیک ارائه می شود.

پس از ترکیب مسیرهای تایید شده، الگوریتم آنها را تجزیه و تحلیل می کند و رتبه های "سبز"، "زرد" و "قرمز" را به بخش های جاده مربوطه اختصاص می دهد.

1.2.4 ادغام داده ها

بعد تجمیع می آید - فرآیند ترکیب اطلاعات. هر دو دقیقه، برنامه جمع‌آوری اطلاعات دریافتی از کاربران موبایل Yandex.Maps را مانند یک موزاییک در یک نمودار جمع‌آوری می‌کند. این نمودار در لایه "ترافیک" (شکل 1.3) Yandex.Maps ترسیم شده است - هم در برنامه تلفن همراه و هم در وب سرویس.

شکل 1.3 نمایش ترافیک در Yandex.Maps

1.2.5 مقیاس نقطه ای

در مسکو، سن پترزبورگ و سایر شهرهای بزرگ، سرویس Yandex.Traffic وضعیت را در مقیاس 10 درجه ای ارزیابی می کند (که در آن 0 امتیاز به معنای ترافیک رایگان و 10 امتیاز به معنای توقف شهر است). با این تخمین، رانندگان می توانند به سرعت بفهمند که چه مقدار زمانی را در ترافیک از دست خواهند داد. به عنوان مثال، اگر میانگین امتیاز در کیف هفت باشد، سفر تقریباً دو برابر بیشتر از ترافیک رایگان طول خواهد کشید.

مقیاس نقطه برای هر شهر متفاوت تنظیم می شود: آنچه در مسکو یک مشکل جزئی است، ترافیک جدی در شهر دیگر است. به عنوان مثال، در سن پترزبورگ، با شش امتیاز، یک راننده تقریباً همان مقدار زمان را از دست می دهد که در مسکو با پنج امتیاز. امتیاز به شرح زیر محاسبه می شود. مسیرهای امتداد خیابان های هر شهر از قبل طراحی شده اند که شامل بزرگراه ها و خیابان های اصلی می شود. برای هر مسیر یک زمان مرجع وجود دارد که طی آن می توان در یک جاده آزاد بدون نقض قوانین رانندگی کرد. پس از ارزیابی حجم کار کلی شهر، برنامه جمع‌آوری محاسبه می‌کند که زمان واقعی چقدر با زمان مرجع تفاوت دارد. بر اساس تفاوت در تمام مسیرها، بار در نقاط محاسبه می شود. (شکل 1.4)

شکل 1.4 نمودار تعمیم یافته عملکرد پورتال Yandex.Traffic

1.3 استفاده از اطلاعات به دست آمده با استفاده از وب سرویس YandexTraffic برای یافتن مناطق مشکل دار در شبکه جاده ها

با جمع بندی اطلاعات دریافتی، می توانیم به این نتیجه برسیم که این سرویس اطلاعات بسیار مفیدی (هم به صورت آنلاین و هم در حالت پیش بینی) در مورد وضعیت حمل و نقل در مسکو و سایر مناطق ارائه می دهد که می تواند برای اهداف علمی، به ویژه برای شناسایی مناطق مشکل ساز استفاده شود. ، خیابان ها و بزرگراه ها، پیش بینی ازدحام. بنابراین، ما می‌توانیم مشکلات اولیه را هم در کل شبکه جاده‌ای به‌عنوان یک کل و هم در بخش‌های جداگانه آن شناسایی کنیم و با تجزیه و تحلیل اطلاعات به‌دست‌آمده با استفاده از این وب سرویس، وجود مشکلات حمل‌ونقل خاصی در شبکه جاده‌ای را اثبات کنیم. بر اساس داده‌های تحلیلی اولیه، می‌توانیم یک تصویر اولیه از مشکلات در شبکه جاده‌ها ایجاد کنیم. سپس با استفاده از ابزارهای مدل سازی و داده های خاص، وجود یک مسئله خاص را تایید یا رد کنید و سپس سعی کنید یک مدل ریاضی از سیستم ترافیک جاده ای با تغییرات ایجاد شده در آن بسازید (تغییر فازهای چراغ راهنمایی، مدل سازی یک مبادله جدید در منطقه مشکل و غیره) و گزینه (هایی) را برای بهبود وضعیت در یک منطقه معین پیشنهاد کنید. سپس مناسب ترین راه حل را از نظر نسبت کارایی و ارزیابی هزینه انتخاب کنید.

1.4 جستجو و طبقه بندی مشکلات با استفاده از سرویس وب Yandex.Traffic

این وب سرویس را می توان یکی از روش های بهبود مدیریت ترافیک (که از این پس کنترل ترافیک نامیده می شود) در مسکو در نظر گرفت. بر اساس اطلاعات پورتال، ما سعی خواهیم کرد مناطق مشکل دار در سیستم ترافیک جاده ای مسکو را ارزیابی کنیم و راه حل های سیستمی برای بهبود سیستم ترافیک جاده ای و همچنین شناسایی روند ازدحام ارائه دهیم.

با توجه به داده های پورتال، ما باید تجزیه و تحلیل روزانه تغییرات ازدحام ترافیک در مسکو را انجام دهیم و مشکل ترین مناطق را شناسایی کنیم. مناسب ترین برای این اهداف ساعات اوج بار است، زمانی که بار در شبکه جاده حداکثر است.

شکل 1.5 میانگین ازدحام بزرگراه های شعاعی اصلی مسکو بر حسب ساعت در روزهای هفته

برای تایید فرضیه ازدحام شبکه جاده ای و وجود مشکل رفت و آمد نیروی کار، داده ها را به عنوان یک ژن کلی تجزیه و تحلیل می کنیم. طرح مسکو با یک "لایه" از راهبندان اعمال شده و همچنین مناطق مشکل دار منفرد و پویایی حرکت آنها را در نظر بگیرید.

اکثریت قریب به اتفاق کارگران در مسکو کار را از ساعت 8:00 - 10:00 به وقت مسکو شروع می کنند، مطابق با قانون کار، روز کاری برای یک هفته کاری پنج روزه (متداول ترین گزینه) 8 ساعت است، بنابراین ما می توانیم فرض کنید که بار اصلی در شبکه جاده ها، مطابق با فرضیه مهاجرت نیروی کار آونگی (MLM)، باید در بازه های زمانی، در ساعات صبح بیفتد: از ساعت 6:00 (منطقه - MKAD) و تا ساعت 10-00 ( نزدیک تر به مکان های اصلی تمرکز مشاغل در مسکو) و از ساعت 16-00 - 18-00 (مرکز) تا 20-00 (مسیرهای شعاعی برای خروج) در عصر.

شکل 1.6 در ساعت 6-00 هیچ مشکلی در سیستم ترافیک جاده وجود ندارد

شکل 1.7 مشکلات هنگام نزدیک شدن به مسکو

بر اساس تجزیه و تحلیل، در ساعت 7:00 برای نزدیک شدن به شهر در معابر اصلی به مرکز مشکل داریم.

شکل 1.8 مشکلات در جنوب مسکو

شکل 1.9 مشکلات در جنوب غربی

تصویر مشابهی بدون استثنا در تمام بزرگراه های شعاعی پایتخت مشاهده می شود. حداکثر سطح در ساعات صبح در ساعت 9:56 به وقت مسکو رسیده بود؛ در این زمان، ازدحام از حومه شهر به مرکز آن منتقل شده بود.

شکل 1.10 9-00 - 9-56 اوج بار صبح در شبکه جاده ها

شکل 1.11 TTR در 16-00

بهبود وضعیت حمل و نقل به طور کلی تا ساعت 15-40 به وقت مسکو مشاهده شد ، وضعیت "در مرکز" تا پایان روز بدتر نشد. وضعیت عمومی از ساعت 16:00 شروع به بدتر شدن کرد، در حالی که وضعیت تقریباً در ساعت 20:00 به وقت مسکو شروع به بهبود کرد. (پیوست اول). در تعطیلات آخر هفته ، عملاً هیچ مشکلی در سیستم ترافیک جاده وجود ندارد و طبق درجه بندی پورتال Yandex.Traffic ، "امتیاز" برای کل دوره مشاهده روزانه از "3" تجاوز نمی کند. بنابراین، می توان با اطمینان بیان کرد که شهر به دلیل تمرکز مراکز جذب توده های انسانی (شغل) در مرکز آن، و تصویر بسیار بهتر در تعطیلات آخر هفته، زمانی که مشکل MTM وجود ندارد، شلوغ است.

با نتیجه گیری میانی می توان با اطمینان گفت که جهت اصلی کار باید کاهش تعداد مراکز جذب توده های انسانی در مرکز شهر و محدود کردن سفر به این منطقه و همچنین افزایش ظرفیت بزرگراه های شعاعی اصلی باشد. در حال حاضر، دولت مسکو با معرفی پارکینگ پولی در مرکز مسکو و معرفی سیستم گذر برای ورود به مرکز شهر برای وسایل نقلیه (از این پس به عنوان وسایل نقلیه) با وزن کل بیش از 3.5 تن گام هایی در این راستا برداشته است. .

شکل 1.12 منطقه پارکینگ پولی در مسکو

با تجزیه و تحلیل یافته ها می توان نتیجه گرفت که دشواری های ترافیکی در روزهای هفته دارای فرمت یک طرفه و پویایی یکسانی از آغاز و پایان (صبح از منطقه، حرکت تدریجی به سمت مرکز شهر و بالعکس در عصر - از مرکز به سمت مرکز شهر) است. منطقه.

بنابراین، با توجه به این روند، می توان نتیجه گرفت که معرفی کنترل ترافیک پویا حیاتی است، زیرا تراکم جاده ها یک طرفه است. با استفاده از سیستم های هوشمند، می توانیم ظرفیت جاده را در یک جهت یا جهت دیگر تغییر دهیم (مثلاً با استفاده از یک خط برگشت پذیر "روشن کردن" آن در جهتی که ظرفیت کافی ندارد)، فازهای چراغ های راهنمایی را تغییر داده و تنظیم کنیم تا به حداکثر برسیم. ظرفیت در مناطق با مشکل . چنین سیستم ها و روش هایی به طور فزاینده ای در حال گسترش هستند (به عنوان مثال، خط برگشت پذیر در خیابان ولگوگرادسکی). در عین حال ، افزایش "کوکورانه" ظرفیت مناطق مشکل غیرممکن است ، زیرا می توانیم با ظرفیت ناکافی به سادگی ازدحام را به وهله اول برسانیم. یعنی راه‌حل مشکلات حمل‌ونقل باید جامع باشد و مدل‌سازی مناطق مشکل‌دار نباید جدا از کل سیستم ترافیک جاده‌ای اتفاق بیفتد و به صورت جامع انجام شود. بنابراین، یکی از اهداف کار ما باید مدل سازی و بهینه سازی یکی از بزرگراه های شعاعی مسکو باشد.

1.5 اطلاعات نظری

1.5.1 طبقه بندی جاده ها در روسیه

فرمان دولت فدراسیون روسیه مورخ 28 سپتامبر 2009 N 767 قوانین طبقه بندی بزرگراه ها در فدراسیون روسیه و طبقه بندی آنها به دسته های بزرگراه را تصویب کرد.

بزرگراه ها بر اساس شرایط ترافیکی و دسترسی به آنها به طبقات زیر تقسیم می شوند:

· بزرگراه؛

· بزرگراه؛

· جاده معمولی (نه بزرگراه).

1.5.2 بزرگراه ها بسته به شدت ترافیک تخمینی

طبق SNiP 2.05.02 - 85 از 1 ژوئیه 2013 به دسته های زیر تقسیم می شوند (جدول 2):

جدول 2

	شدت ترافیک تخمینی، واحد در روز.
IA (بزرگراه)
IB (بزرگراه)
جاده های معمولی (جاده های غیر اکسپرس)
		St. 2000 تا 6000
		St. 200 تا 2000

1.5.3 پارامترهای اصلی TP و رابطه آنها

جریان ترافیک (TP) مجموعه ای از وسایل نقلیه است که به طور همزمان در ترافیک در یک بخش معین از شبکه جاده شرکت می کنند.

پارامترهای اصلی جریان ترافیک عبارتند از:

سرعت جریان؟، شدت جریان l، چگالی جریان c.

سرعت؟ جریان حمل و نقل (TP) معمولاً بر حسب کیلومتر در ساعت یا متر بر ثانیه اندازه گیری می شود. رایج ترین واحد اندازه گیری استفاده شده کیلومتر در ساعت است. سرعت جریان در دو جهت اندازه گیری می شود و در جاده چند بانده سرعت در هر خط اندازه گیری می شود. برای اندازه گیری سرعت جریان در جاده، بخش هایی گرفته می شود. قسمت راه خطی است عمود بر محور جاده که از تمام عرض آن می گذرد. سرعت TP در یک بخش یا بخش اندازه گیری می شود.

یک بخش، بخشی از جاده است که بین دو بخش محصور شده است. فاصله L, m بین مقاطع به گونه ای انتخاب می شود که دقت اندازه گیری سرعت قابل قبولی را تضمین کند. زمان t اندازه گیری می شود، از زمانی که خودرو از بخش عبور می کند - فاصله زمانی. اندازه گیری ها برای تعداد معین n ماشین انجام می شود و میانگین فاصله زمانی محاسبه می شود؟:

محاسبه سرعت متوسط ​​در بخش:

V = L/?.

یعنی سرعت یک جریان ترافیک میانگین سرعت خودروهایی است که در آن حرکت می کنند. برای اندازه گیری سرعت یک TP در یک مقطع، از سرعت سنج های از راه دور (رادار، لامپ - چراغ جلو) یا آشکارسازهای سرعت ویژه استفاده می شود. سرعت V برای n ماشین اندازه گیری می شود و میانگین سرعت در بخش محاسبه می شود:

از اصطلاحات زیر استفاده می شود:

میانگین سرعت موقت V - سرعت متوسط ​​وسایل نقلیه در بخش.

میانگین سرعت مکانی؟ - میانگین سرعت وسایل نقلیه ای که در بخش قابل توجهی از جاده حرکت می کنند. میانگین سرعت جریان ترافیک در سایت در برخی از ساعات روز را مشخص می کند.

زمان سفر مدت زمانی است که ماشین برای طی کردن یک واحد طول جاده لازم است.

مسافت پیموده شده کل مجموع تمام مسیرهای وسیله نقلیه در یک بخش جاده برای یک بازه زمانی معین است.

سرعت حرکت را نیز می توان به موارد زیر تقسیم کرد:

Va لحظه ای - سرعت ثبت شده در بخش های معمولی (نقاط) جاده.

حداکثر Vm - بالاترین سرعت لحظه ای که یک وسیله نقلیه می تواند ایجاد کند.

شدت ترافیک l برابر است با تعداد خودروهایی که از بخش جاده در واحد زمان عبور می کنند. در شدت ترافیک بالا، از فواصل زمانی کوتاه تری استفاده می کند.

شدت ترافیک با شمارش تعداد n خودروی عبوری از یک بخش جاده در واحد زمان T اندازه گیری می شود و پس از آن ضریب l = n/T محاسبه می شود.

علاوه بر این، از اصطلاحات زیر استفاده می شود:

حجم ترافیک تعداد وسایل نقلیه ای است که از یک بخش جاده در یک واحد زمان معین عبور می کنند. حجم با تعداد ماشین ها اندازه گیری می شود.

حجم ترافیک ساعتی تعداد وسایل نقلیه ای است که در طول یک ساعت از یک بخش جاده عبور می کنند.

تراکم جریان ترافیک برابر است با تعداد خودروهایی که در قسمتی از جاده با طول معین قرار دارند. معمولاً از مقاطع 1 کیلومتری استفاده می شود، تراکم خودروها در هر کیلومتر به دست می آید، گاهی اوقات از مقاطع کوتاهتر استفاده می شود. تراکم معمولاً از روی سرعت و شدت جریان ترافیک محاسبه می شود. با این حال، چگالی را می توان به صورت تجربی با استفاده از عکس های هوایی، برج ها یا ساختمان های بلند اندازه گیری کرد. پارامترهای اضافی که چگالی جریان ترافیک را مشخص می کند استفاده می شود.

فاصله فضایی یا فاصله کوتاه lп، m - فاصله بین سپرهای جلوی دو اتومبیل که به دنبال یکدیگر هستند.

میانگین فاصله فضایی lп.ср - مقدار متوسط ​​فواصل lп در سایت. فاصله lп.ср بر حسب متر در هر خودرو اندازه گیری می شود.

محاسبه فاصله مکانی l p.sr, m آسان است، با دانستن چگالی جریان c، cars/km:

1.5.4 رابطه بین پارامترهای جریان ترافیک

رابطه بین سرعت، شدت و تراکم ترافیک را معادله اصلی جریان ترافیک می نامند:

در مقابل

معادله اصلی به سه متغیر مستقل مربوط می شود که مقادیر متوسط ​​پارامترهای جریان ترافیک هستند. با این حال، در شرایط واقعی جاده، متغیرها به هم مرتبط هستند. با افزایش سرعت جریان ترافیک، شدت ترافیک ابتدا افزایش می یابد، به حداکثر می رسد و سپس کاهش می یابد (شکل 1.13). این کاهش به دلیل افزایش فواصل lп بین اتومبیل ها و کاهش تراکم جریان ترافیک است. در سرعت های بالا، اتومبیل ها به سرعت از بخش ها عبور می کنند، اما دور از یکدیگر قرار دارند. هدف کنترل ترافیک دستیابی به حداکثر شدت جریان است نه سرعت.

شکل 1.13 رابطه بین شدت، سرعت و چگالی TP: الف) وابستگی شدت TP به سرعت. ب) وابستگی چگالی TP به سرعت

1.6 روش ها و مدل های مدل سازی حمل و نقل

مدل های ریاضی مورد استفاده برای تجزیه و تحلیل شبکه های حمل و نقل را می توان بر اساس نقش عملکردی مدل ها، یعنی بر اساس وظایفی که در آنها استفاده می شود، طبقه بندی کرد. به طور معمول، 3 کلاس را می توان در بین مدل ها متمایز کرد:

· مدل های پیش بینی

· مدل های شبیه سازی

· مدل های بهینه سازی

زمانی از مدل‌های پیش‌بینی‌کننده استفاده می‌شود که هندسه و ویژگی‌های شبکه راه‌ها و موقعیت اشیاء مولد جریان در شهر مشخص باشد و باید مشخص شود که جریان ترافیک در این شبکه چقدر خواهد بود. به طور جزئی، پیش‌بینی بار ترافیکی شامل محاسبه میانگین شاخص‌های ترافیکی مانند حجم جابجایی‌های بین منطقه‌ای، شدت جریان، توزیع جریان مسافر و غیره است. با استفاده از چنین مدل هایی می توان پیامدهای تغییرات شبکه حمل و نقل را پیش بینی کرد.

برخلاف مدل‌های پیش‌بینی، مدل‌سازی شبیه‌سازی وظیفه مدل‌سازی تمام جزئیات حرکت، از جمله توسعه فرآیند در طول زمان را دارد.

این تفاوت را می توان بسیار ساده فرموله کرد اگر مدل سازی پیش بینی به سؤالات «چقدر و کجا» وسایل نقلیه در شبکه حرکت می کنند، و مدل های شبیه سازی به این سؤال پاسخ می دهند که اگر «چقدر و کجا» مشخص باشد حرکت چقدر جزئیات رخ خواهد داد. بنابراین، این دو جهت مدل سازی حمل و نقل مکمل یکدیگر هستند. از مطالب فوق چنین برمی‌آید که کلاس مدل‌های شبیه‌سازی با توجه به اهداف و وظایف انجام‌شده، طیف وسیعی از مدل‌ها را شامل می‌شود که به مدل‌های دینامیک جریان ترافیک معروف هستند.

مدل های پویا با توصیف دقیق حرکت مشخص می شوند. حوزه کاربرد عملی چنین مدل هایی بهبود سازماندهی ترافیک، بهینه سازی فازهای چراغ راهنمایی و غیره است.

مدل‌های پیش‌بینی جریان و مدل‌های شبیه‌سازی هدف اصلی بازتولید رفتار جریان‌های ترافیکی نزدیک به زندگی واقعی هستند. همچنین تعداد زیادی مدل برای بهینه سازی عملکرد شبکه های حمل و نقل طراحی شده است. در این دسته از مدل ها، مشکلات بهینه سازی مسیرهای حمل و نقل مسافر، توسعه پیکربندی بهینه یک شبکه حمل و نقل و غیره حل می شود.

1.6.1 مدل های جریان ترافیک پویا

اکثر مدل های پویا جریان ترافیک را می توان به 3 کلاس تقسیم کرد:

· ماکروسکوپی (مدل های هیدرودینامیکی)

سینتیک (مدل های دینامیکی گاز)

مدل های میکروسکوپی

مدل‌های ماکروسکوپی مدل‌هایی هستند که حرکت خودروها را با عبارات متوسط ​​(تراکم، سرعت متوسط ​​و غیره) توصیف می‌کنند. در این گونه مدل های حمل و نقل، جریان مشابه حرکت یک سیال است، به همین دلیل است که چنین مدل هایی هیدرودینامیکی نامیده می شوند.

مدل های میکروسکوپی مدل هایی هستند که در آنها حرکت هر وسیله نقلیه به صراحت مدل سازی شده است.

یک مکان میانی توسط رویکرد جنبشی اشغال شده است، که در آن جریان ترافیک به عنوان تراکم توزیع خودروها در فضای فاز توصیف می‌شود. جایگاه ویژه ای در کلاس میکرومدل ها توسط مدل هایی مانند اتوماتای ​​سلولی اشغال شده است، زیرا این مدل ها توصیف گسسته ای بسیار ساده از حرکت خودروها در زمان و مکان را اتخاذ می کنند، به همین دلیل، راندمان محاسباتی بالای این مدل ها وجود دارد. بدست آمده است.

1.6.2 مدل های ماکروسکوپی

اولین مدل بر اساس یک قیاس هیدرودینامیکی است.

معادله اصلی این مدل معادله تداوم است که بیانگر "قانون پایستگی تعداد خودروها" در جاده است:

فرمول 1

چگالی کجاست، V(x,t) میانگین سرعت خودروها در نقطه ای از جاده با مختصات x در زمان t است.

سرعت متوسط ​​به عنوان تابع قطعی (کاهشی) چگالی در نظر گرفته می شود:

با قرار دادن در (1) معادله زیر را بدست می آوریم:

فرمول 2

این معادله انتشار امواج سینماتیک غیرخطی با سرعت انتقال را توصیف می کند

در واقعیت، تراکم خودروها، به عنوان یک قاعده، به طور ناگهانی تغییر نمی کند، بلکه تابع پیوسته مختصات و زمان است. برای حذف جهش ها، یک عبارت مرتبه دوم که انتشار چگالی را توصیف می کند به معادله (2) اضافه شد که منجر به هموارسازی پروفیل موج می شود:

فرمول 3

با این حال، استفاده از این مدلهنگام توصیف موقعیت‌های غیرتعادلی که در نزدیکی ناهمگونی‌های جاده‌ها (رومپ‌های روشن و خاموش، باریک‌شدگی‌ها) و همچنین در شرایط به اصطلاح ترافیک «ایست و رفتن» به وجود می‌آیند، برای واقعیت کافی نیست.

برای توصیف موقعیت‌های غیرتعادلی، به جای رابطه قطعی (3)، پیشنهاد شد از یک معادله دیفرانسیل برای مدل‌سازی دینامیک سرعت متوسط ​​استفاده شود.

نقطه ضعف مدل پین پایداری آن در برابر اختلالات کوچک در تمام مقادیر چگالی است.

سپس معادله سرعت با این جایگزینی به شکل زیر در می آید:

برای جلوگیری از ناپیوستگی، یک عبارت انتشار به سمت راست اضافه می شود، یک آنالوگ ویسکوزیته در معادلات هیدرودینامیکی

ناپایداری یک محلول همگن ثابت در مقادیر چگالی بیش از حد بحرانی این امکان را فراهم می کند تا به طور موثر وقوع تراکم فانتوم - حالت های توقف و حرکت را در یک جریان همگن که در نتیجه اختلالات کوچک ایجاد می شود، شبیه سازی کند.

مدل های ماکروسکوپی توصیف شده در بالا عمدتاً بر اساس قیاس با معادلات هیدرودینامیک کلاسیک فرموله می شوند. همچنین راهی برای استخراج مدل‌های ماکروسکوپی از توصیف فرآیند تعامل بین خودروها در سطح خرد با استفاده از یک معادله جنبشی وجود دارد.

1.6.3 مدل های جنبشی

بر خلاف مدل‌های هیدرودینامیکی که بر حسب چگالی و سرعت جریان متوسط ​​فرموله می‌شوند، مدل‌های جنبشی بر اساس توصیف دینامیک چگالی جریان فاز هستند. با دانستن تکامل زمانی چگالی فاز، می توان ویژگی های ماکروسکوپی جریان - چگالی، سرعت متوسط، تغییرات سرعت و سایر مشخصاتی را که توسط ممان های چگالی فاز در سرعت های مختلف تعیین می شود، محاسبه کرد.

بگذارید چگالی فاز را با f (x, v, t) نشان دهیم. چگالی معمول (هیدرودینامیکی) с(x,t)، سرعت متوسط ​​V(x,t) و تغییرات سرعت И(x,t) با رابطه‌های زیر به گشتاورهای چگالی فاز مربوط می‌شوند:

1) معادله دیفرانسیل که تغییر چگالی فاز با زمان را توصیف می کند، معادله جنبشی نامیده می شود. معادله جنبشی برای جریان ترافیک برای اولین بار توسط پریگوژین و همکارانش در سال 1961 به شکل زیر فرموله شد:

فرمول 4

این معادله یک معادله پیوستگی است که قانون بقای خودروها را بیان می کند، اما اکنون در فضای فاز است.

به گفته پریگوژین، تعامل دو خودرو در جاده به رویدادی اطلاق می‌شود که در آن خودروی سریع‌تر از خودروی کندتر جلویی سبقت می‌گیرد. مفروضات ساده‌سازی زیر معرفی می‌شوند:

فرصت سبقت گرفتن با احتمال معین p پیدا می شود؛ در نتیجه سبقت گرفتن، سرعت خودروی سبقت گیرنده تغییر نمی کند.

· سرعت ماشین جلویی به هیچ وجه در نتیجه تعامل تغییر نمی کند.

· تعامل در یک نقطه اتفاق می افتد (اندازه اتومبیل ها و فاصله بین آنها را می توان نادیده گرفت).

· تغییر سرعت در نتیجه تعامل فوراً رخ می دهد.

· فقط فعل و انفعالات جفتی در نظر گرفته می شوند؛ تعاملات همزمان سه یا چند وسیله نقلیه مستثنی هستند.

1.7 بیان مشکل

در مطالعه حاضر، ما از داده های ثابت در راهبندهای ترافیکی با استفاده از سرویس Yandex.Traffic به عنوان اطلاعات اولیه استفاده می کنیم. با تجزیه و تحلیل اطلاعات دریافتی، به این نتیجه می رسیم که سیستم ترافیک شهر مسکو نمی تواند با ترافیک حمل و نقل مقابله کند. مشکلات شناسایی شده در مرحله تجزیه و تحلیل داده های به دست آمده به ما این امکان را می دهد که نتیجه بگیریم که بیشتر مشکلات در سیستم حمل و نقل جاده ای منحصراً در روزهای هفته اتفاق می افتد و مستقیماً با پدیده "MTM" (مهاجرت نیروی کار در رفت و آمد) مرتبط است. تجزیه و تحلیل مشکلات در تعطیلات آخر هفته و هیچ تعطیلی مشخص نشد. مشکلات در روزهای هفته شامل ظهور بهمنی است که از حومه شهر به مرکز آن گسترش می یابد و وجود اثر معکوس در بعد از ظهر که "بهمن" از مرکز به منطقه می رود. در ساعات صبح، مشکلات در حومه مسکو مشاهده می شود و به تدریج در شهر گسترش می یابد. همچنین شایان ذکر است که "جداسازی" بزرگراه های شعاعی منجر به اثر مطلوب نخواهد شد، زیرا همانطور که از تجزیه و تحلیل مشاهده می شود، "ورودی" به شهر ازدحام در یک بازه زمانی معین را مهار می کند، به همین دلیل بخش مرکزی شهر برای مدتی در حالت بهینه حرکت می کند. سپس، با توجه به مشکلات مشابه، ازدحام در منطقه MKAD-TTK شکل می گیرد، در حالی که ازدحام در ورودی ها همچنان افزایش می یابد. این روند در طول صبح رخ می دهد. در عین حال، جهت مخالف حرکت کاملا آزاد است. از این نتیجه می‌شود که سیستم کنترل چراغ‌های راهنمایی و جهت ترافیک باید پویا باشد و پارامترهای آن را متناسب با وضعیت فعلی جاده تغییر دهد.

این سوال در مورد استفاده منطقی از منابع راه و اجرای چنین فرصت هایی (تغییر فازهای چراغ راهنمایی، معکوس کردن خطوط و ...) مطرح می شود.

در عین حال، غیرممکن است که خود را به این محدود کنیم، زیرا این "ترافیک جهانی" نقطه پایانی ندارد. این اقدامات باید فقط در ارتباط با محدودیت های ورود به مسکو و مرکز، به ویژه برای ساکنان منطقه مسکو اجرا شود. از آنجا که، در واقع، بر اساس تجزیه و تحلیل، تمام مشکلات به جریان های MTM کاهش می یابد، آنها باید به طور شایسته از حمل و نقل شخصی به حمل و نقل عمومی توزیع شوند و جذابیت آن را بیشتر کنند. چنین اقداماتی در حال حاضر در مرکز مسکو (پارکینگ پولی و غیره) معرفی شده است. این کار باعث رفع ازدحام در جاده های شهری در ساعات شلوغی می شود. بنابراین، تمام مفروضات نظری من با یک "ذخیره برای آینده" ساخته شده است، و به شرطی که ازدحام محدود شود (تعداد جریان مسافر به مرکز کاهش می یابد)، جریان مسافر متحرک تر می شود (یک اتوبوس با 110 مسافران 10-14 متر از سطح جاده را اشغال می کنند، در مقابل 80-90 واحد حمل و نقل شخصی، با همین تعداد مسافر 400-450 متر را اشغال می کنند. در شرایطی که تعداد افرادی که وارد می‌شوند بهینه می‌شود (یا حداقل تا حد ممکن بر اساس فرصت‌های اقتصادی و اجتماعی کاهش می‌یابد)، ما می‌توانیم دو فرض را در مورد چگونگی بهبود مدیریت شبکه‌های ترافیکی در مسکو بدون سرمایه‌گذاری اعمال کنیم. مقدار زیادی پول و قدرت محاسباتی، یعنی:

· از داده های تحلیلی و مدل سازی برای شناسایی مناطق مشکل استفاده کنید

· توسعه راه هایی برای بهبود ترافیک جاده ای و مدیریت آن در مناطق مشکل دار

· ایجاد مدل های ریاضی با تغییرات پیشنهادی و تحلیل بیشتر آنها برای کارایی و امکان سنجی اقتصادی، با معرفی بیشتر به کاربرد عملی.

با توجه به موارد فوق، با کمک مدل های ریاضی می توان به سرعت به تغییرات شبکه راه ها پاسخ داد، رفتار آن را پیش بینی کرد و ساختار آن را با آنها تنظیم کرد.

بنابراین، در یک بزرگراه شعاعی، می‌توانیم دلیل عملکرد آن در حالت غیرعادی و ترافیک و ازدحام در طول آن را درک کنیم.

بنابراین، بیان مسئله بر اساس مسئله شامل موارد زیر است:

1. تجزیه و تحلیل یکی از بزرگراه های شعاعی برای وجود دشواری ها از جمله ساعات پیک.

2. ایجاد مدل بخشی از این بزرگراه شعاعی در محل بزرگترین مشکلات.

3. معرفی بهبودهای این مدل بر اساس تجزیه و تحلیل UDS با استفاده از داده های واقعی و داده های مدل سازی و ایجاد مدل با تغییرات ایجاد شده.

2 ایجاد یک نسخه بهبود یافته از UDS

بر اساس فرمول بندی مشکل و تجزیه و تحلیل مشکلات حمل و نقل در مسکو، برای ایجاد یک مدل عملی، بخشی از شاخه یکی از بزرگراه های شعاعی (بزرگراه کشیرسکویه) را در قسمت تقاطع خیابان آندروپوف و کولومنسکی انتخاب کردم. Proezd به ایستگاه "Torgovy Tsentr". دلیل انتخاب عوامل متعددی است و به ویژه:

· تمایل به ایجاد ازدحام در مکان های مشابه با همان گرایش

· تصویر واضح از مشکلات "MTM".

· در دسترس بودن نقاط قابل حل و قابلیت شبیه سازی تنظیم چراغ راهنمایی در یک منطقه معین.

شکل 1.14 منطقه انتخاب شده

منطقه انتخاب شده دارای مشکلات مشخصه ای است که می توان آنها را مدل کرد، یعنی:

· وجود دو نقطه مشکل و تأثیر متقابل آنها

· وجود نقاط مشکل، تغییر که باعث بهبود وضعیت نمی شود (امکان استفاده از همگام سازی).

· تصویر واضحی از تأثیر مشکل MTM.

شکل 1.15 مشکلات 11-00 به مرکز

شکل 1.16 مشکلات از مرکز. 18-00

بنابراین، در این زمینه با مشکلات زیر مواجه هستیم:

· دو گذرگاه عابر پیاده مجهز به چراغ راهنمایی در دشت سیلابی ناگاتینسکایا

· چراغ راهنمایی در تقاطع خیابان آندروپوف و خیابان ناگاتینسکایا

پل مترو ناگاتینسکی

2. ایجاد یک نسخه بهبود یافته از UDS

2.1 تجزیه و تحلیل سایت

طول ترافیک در خیابان آندروپوف 4-4.5 کیلومتر در هر یک از 2 جهت است (صبح به مرکز - از بزرگراه کاشیرسکویه تا دومین گذرگاه عابر پیاده در دشت سیلابی ناگاتینسکایا، در عصر به منطقه - از خیابان نوووستاپوفسکایا تا خیابان ناگاتینسایا). شاخص دوم، سرعت ترافیک در ساعات اوج بار، از 7 تا 10 کیلومتر در ساعت تجاوز نمی کند: طی یک بخش 4.5 کیلومتری در ساعات اوج مصرف، حدود 30 دقیقه طول می کشد. در مورد مدت زمان، ترافیک به سمت مرکز در خیابان آندروپوف از ساعت 7 صبح شروع می شود و تا ساعت 13-14 ادامه دارد و ترافیک به منطقه معمولاً از ساعت 15 شروع می شود و تا ساعت 21-22 ادامه دارد. یعنی مدت زمان هر یک از "ساعت های شلوغی" در آندروپوف 6-7 ساعت در هر یک از 2 جهت است - سطحی غیرقابل تحمل حتی برای مسکو که به ترافیک عادت کرده است.

2.2 دو دلیل اصلی برای تشکیل ترافیک در خیابان آندروپوف

دلیل اول: خیابان مملو از ترافیک "بیش از حد ترافیک" است. از ایستگاه مترو Nakhimovsky Prospekt تا مرکز بخش مسکونی Pechatniki، خط مستقیم 7.5 کیلومتر است. و در جاده ها 3 مسیر از 16 تا 18 کیلومتر وجود دارد. علاوه بر این، دو مسیر از سه مسیر از خیابان آندروپوف عبور می کند.

شکل 2.1

همه این مشکلات ناشی از این واقعیت است که بین پل های ناگاتینسکی و براتیسکی 7 کیلومتر در یک خط مستقیم و 14 کیلومتر در امتداد رودخانه مسکو وجود دارد. به سادگی هیچ پل یا تونل دیگری در این شکاف وجود ندارد.

دلیل دوم: ظرفیت کم خود خیابان. اول از همه، ترافیک توسط یک خط اختصاصی ایجاد شده چند سال پیش کاهش می یابد و پس از آن تنها 2 خط برای تردد در هر جهت باقی مانده است. سه چراغ راهنمایی (حمل و نقل در مقابل خیابان ناگاتینسکایا و دو چراغ عابر پیاده در دشت سیلابی ناگاتینسکایا) نیز تا حد زیادی به ازدحام کمک می کنند.

2.3 تصمیمات استراتژیک در خیابان آندروپوف

برای حل مشکل سرریزها، لازم است 2-3 اتصال جدید بین پل ناگاتینسکی و براتیسکی ایجاد شود. این اتصالات حمل‌ونقل باعث از بین رفتن بیش از حد مجاز می‌شود و امکان مدیریت ترافیک را فراهم می‌کند و جریان «مرکز-حومه» را تحریک نمی‌کند، بلکه جریان «پیرامون-پیرامون» را تحریک می‌کند.

مشکل اینجاست که ساخت چنین امکاناتی بسیار زمان بر و پرهزینه است. و هر یک از آنها میلیاردها روبل هزینه خواهد داشت. بنابراین، اگر بخواهیم چیزی را در اینجا نه در 5 سال، بلکه در یک یا دو سال بهبود دهیم، تنها راه این است که با ظرفیت خیابان آندروپوف کار کنیم. برخلاف ساخت پل‌ها و تونل‌های جدید، این بسیار سریع‌تر (0.5-2 سال) و 2 مرتبه ارزان‌تر (50-100 میلیون روبل) است. زیرا ظرفیت خیابان را می توان از طریق اقدامات «تاکتیکی» محلی ارزان قیمت در مشکل سازترین مناطق افزایش داد. این امر تقاضای موجود را تضمین می کند، همه شاخص های ترافیکی را بهبود می بخشد: کاهش طول ترافیک، کاهش مدت زمان شلوغی، افزایش سرعت.

2.4 اقدامات تاکتیکی در خیابان آندروپوف: 4 گروه

2.4.1 مرحله 1. تنظیم چراغ راهنمایی

3 چراغ راهنمایی در منطقه مشکل وجود دارد: دو چراغ عابر پیاده در دشت سیلابی ناگاتینسکایا و یکی حمل و نقل در تقاطع آندروپوف و خیابان. آیتم های جدید و Nagatinskaya.

دو چراغ راهنمایی عابر پیاده در دشت سیلابی ناگاتینسکایا در حال حاضر در حالت حداکثر "تمدید" کار می کنند (150 ثانیه برای حمل و نقل، 25 ثانیه برای عابران پیاده). بعید است که طولانی شدن چرخه برای حمل و نقل موثر باشد، اما انتظار قابل توجهی را برای عابران پیاده افزایش می دهد. تنها کاری که می توان و باید با تنظیم چراغ راهنمایی انجام داد، همگام سازی هر دو چراغ راهنمایی عابر پیاده است تا وسایل نقلیه زمان کمتری را برای شتاب گیری و ترمزگیری صرف کنند. این امر در ساعات شلوغی صبحگاهی تأثیر کمی به سمت مرکز خواهد داشت. چراغ راهنمایی عابر پیاده در زمان های دیگر و به سمت منطقه در عصر تاثیر چندانی بر ترافیک در هر دو جهت ندارد. اما با چراغ راهنمایی در تقاطع آندروپوف و خیابان. موارد جدید و وضعیت ناگاتینسایا جالب تر است. در ساعات شلوغی عصر به وضوح جریان را به سمت منطقه حفظ می کند. سپس حمل‌ونقل در امتداد انبوهی از خیابان‌های جایگزین (خاکریز ناگاتینسکا، خیابان نوینکی، خیابان ناگاتینسکایا، کولومنسکی پروئزد، کاشیرسکویه شوسه و پرولتارسکی پرسپکت) حرکت می‌کند.

بیایید به نحوه عملکرد فعلی چراغ راهنمایی نگاه کنیم و به این فکر کنیم که چه کاری می توان انجام داد.

شکل 2.2 فازهای چراغ راهنمایی

شکل 2.3 حالت موقت فعلی چراغ راهنمایی

اولاً، چرخه تقاطع با خیابان اصلی بسیار کوتاه است - فقط 110-120 ثانیه. در اکثر بزرگراه ها، زمان چرخه در ساعات اوج مصرف 140-180 ثانیه است، در لنینسکی حتی 200 ثانیه است.

ثانیاً، حالت عملکرد چراغ راهنمایی بسته به زمان روز بسیار ناچیز است. در همین حال، جریان عصر اساساً با صبح متفاوت است: جریان رو به جلو در امتداد آندروپوف از منطقه بسیار کوچکتر است و جریان گردش به چپ از آندروپوف از مرکز بسیار بیشتر است (مردم به پشت آب ناگاتینسکی به خانه باز می گردند).

ثالثاً به دلایلی زمان فاز فوروارد در طول روز کاهش یافته است. اگر جریان رو به جلو در امتداد Novinki و Nagatinskaya حتی در ساعات شلوغی و حتی بیشتر از آن در روز با مشکلات جدی روبرو نشود، این چه فایده ای دارد؟

راه حل خود را نشان می دهد: رژیم روزانه را با صبح برابر کنید، و در عصر - فاز 3 را کمی "امتداد دهید" (آندروپوف در هر دو جهت)، و به شدت فاز "پنکه" 4 را گسترش دهید (آندروپوف از مرکز مستقیم، راست و ترک کرد). این عملاً هم حرکت مستقیم آندروپوف و هم "جیب" را برای کسانی که منتظر چرخش هستند آزاد می کند.

شکل 2.4 عملیات چراغ راهنمایی مبتنی بر زمان پیشنهادی

در مورد ساعت شلوغی صبح، "کشیدن" آندروپوف در این تقاطع در صبح به مرکز اکنون بی معنی است. این جریان از تمام طول «فاز سبز» استفاده نمی‌کند، زیرا به دلیل ترافیک پیش از باریک شدن روی پل از 4 خط به 2، نمی‌تواند به سرعت از تقاطع عبور کند.

2.4.2 پارتیشن بندی مجدد

علامت گذاری روی آندروپوف دو مشکل دارد:

- خط اختصاصی در بخش های 3 خطی خیابان آندروپوف

- علامت گذاری نادرست در تقاطع با خیابان ناگاتینسایا و خیابان نوینکی

بر کسی پوشیده نیست که خط اختصاصی ظرفیت خیابان آندروپوف را به شدت کاهش داده است. این در مورد حرکت هم به مرکز و هم در منطقه صدق می کند. علاوه بر این، ترافیک مسافران در امتداد خط اختصاصی حداقل است و حتی در ساعات اوج مصرف از چند صد نفر تجاوز نمی کند. این تعجب آور نیست: خط اختصاصی در امتداد خط مترو "سبز" قرار دارد و تقریباً هیچ نقطه جذابی در فاصله ای از مترو در امتداد خود خیابان وجود ندارد. ظرفیت حمل هر یک از خطوط عمومی حدود 1200 نفر در ساعت است. این بدان معناست که خط اختصاصی برخلاف هدف خود افزایشی نداشته، بلکه ظرفیت حمل خیابان آندروپوف را کاهش داده است.

اجازه دهید اضافه کنم: جریان مسافر در حمل و نقل زمینی در خیابان آندروپوف شانس کاهش بیشتری دارد. از این گذشته ، در حال حاضر در سال 2014 آنها قصد دارند ایستگاه مترو Technopark را در دشت سیلابی Nagatinskaya باز کنند. این امر به اکثر بازدیدکنندگان مرکز خرید مگاپولیس و کسانی که در تکنوپارک کار می‌کنند اجازه می‌دهد بدون انتقال به حمل‌ونقل زمینی از مترو استفاده کنند.

به نظر می رسد که کل تخصیص آندروپوف لغو می شود و این پایان کار است. اما تجزیه و تحلیل و مشاهدات طولانی مدت نشان داده است: خط اختصاصی در خیابان آندروپوف در همه جا دخالت نمی کند، بلکه فقط در مناطقی که 3 خط در یک جهت (2 + A) وجود دارد و در آن "گلوگاه" ایجاد می شود. در جایی که 4 خط در یک جهت (3+A) وجود دارد، یک خط اختصاصی تداخلی ایجاد نمی‌کند، بلکه حتی یکنواختی جریان ترافیک را افزایش می‌دهد و به عنوان خطی برای گردش به راست، شتاب و ترمز عمل می‌کند.

بنابراین، به عنوان یک اولویت، پیشنهاد می کنم خط اختصاصی را در مناطق باریک که بیشترین مشکلات را ایجاد می کند لغو شود:

· به سمت منطقه در پل روگذر سایکینسکی و پل ناگاتینسکی، خیابان سایکین

· به سمت مرکز در امتداد کل بخش از ورودی پل ناگاتینسکی تا فراگذر سایکینسکی.

شکل 2.5 مکان هایی که حذف خط مورد نیاز است

شکل 2.6 علامت گذاری مجدد خیابان آندروپوف

همچنین لازم است خط اختصاصی به سمت منطقه را در بخش از خیابان ناگاتینسکایا تا کولومنسکی پروئزد لغو کنید: افزایش جریان به سمت منطقه نمی تواند در 2 خط موجود قرار گیرد. ضمناً ورود به خط اختصاصی در این مکان همچنان مجاز است اما فقط برای پارک.

علاوه بر خط اختصاصی، علامت‌گذاری ناکارآمد خیابان آندروپوف در تقاطع خیابان ناگاتینسکا و خیابان نوینکی نیز مشکلاتی را ایجاد می‌کند.

اولاً عرض نوارها زیاد است و تعداد آنها ناکافی است. با چنین عرضی از جاده، اضافه کردن یک خط در هر طرف آسان است.

ثانیاً، خط‌کشی‌ها، علی‌رغم تعریض تقاطع، به دلایلی تمام ترافیک را به خطوط گردش به چپ منحرف می‌کنند، از جایی که کسانی که مستقیم حرکت می‌کنند باید به سمت راست "هل بزنند".

با این حال، ناتوانی طراحان قابل توجیه است: تقاطع پیچیده است، عرض جاده "پیاده می شود". این راه حل برای این تقاطع نیز بلافاصله ظاهر نشد. این به شما امکان می دهد تعداد ردیف ها را در منطقه تقاطع افزایش دهید و کسانی که مستقیماً در حال رانندگی هستند را در خطوط خود رها کنید و خط مستقیم را کمی به سمت راست "رانندگی" کنید. در نتیجه تعداد تغییر خط کاهش می یابد و سرعت عبور از تقاطع در هر دو جهت افزایش می یابد.

شکل 2.7 طرح مدیریت ترافیک پیشنهادی در تقاطع Andropova - Nagatinskaya - Novinki

شکل 2.8 الگوی ترافیک پیشنهادی در تقاطع

گسترش های محلی

مرحله بعدی برای انجام ضروری ترین تعریض به سمت مرکز در بخش از پل مترو ناگاتینسکی تا خروجی به خیابان تروفیموا پیشنهاد شده است. این امکان بازگشت 3 خط به حمل و نقل خصوصی را فراهم می کند و خط چهارم را به حمل و نقل عمومی می دهد - دقیقاً همان کاری که در این بخش به سمت منطقه انجام شد.

شکل 2.9 گسترش محلی

2.4.3 ساخت 2 گذرگاه خارج از خیابان در دشت سیلابی Nagatinskaya

ساخت یک روگذر اخیراً در منطقه ایستگاه رودخانه جنوبی در نزدیکی پل مترو ناگاتینسکی آغاز شده است. پس از ساخت، چراغ راهنمایی عابر پیاده برچیده می شود.

شکل 2.10 طرح ساخت و ساز برای روگذر

این می تواند خبر خوبی باشد، اما چیزی برای خوشحالی وجود ندارد: در 450 متری شمال، گذرگاه دیگری در مقابل مرکز خرید Megapolis وجود دارد. ساخت همزمان 2 تقاطع با حذف هر دو چراغ راهنمایی عابر پیاده تأثیر بسیار خوبی برای جهت به مرکز می دهد: توان عملیاتی با همان عرض 30-35٪ به دلیل لغو شتاب و ترمز در مقابل افزایش می یابد. چراغ های راهنمایی اما قرار نیست یک تقاطع خارج از خیابان روبه‌روی مرکز خرید مگاپولیس بسازند، یعنی راهی برای حذف چراغ دوم وجود ندارد. و اثر یک روگذر ناچیز خواهد بود - نه بیشتر از همگام سازی ساده دو چراغ راهنمایی. زیرا در هر دو حالت شتاب و شتاب حفظ می شود.

3 توجیه راه حل های پیشنهادی

بر اساس تجزیه و تحلیل، ما نقاط مشکل را در یک منطقه شبکه جاده ای خاص محاسبه می کنیم و بر اساس راه حل های واقعی ممکن، آنها را اعمال می کنیم. از آنجایی که این برنامه به ما امکان می دهد محاسبات دست و پا گیر را به صورت دستی انجام ندهیم، می توانیم از آن برای تعیین پارامترهای بهینه مناطق مشکل خاص در UDS استفاده کنیم و پس از بهینه سازی آنها، نتیجه مدل سازی کامپیوتری را به دست آوریم، که می تواند به این سوال پاسخ دهد که آیا تغییرات باعث بهبود توان عملیاتی خواهد شد. بنابراین، با استفاده از مدل‌سازی رایانه‌ای، می‌توان بررسی کرد که آیا تغییرات پیشنهادی بر اساس تجزیه و تحلیل با وضعیت واقعی مطابقت دارد یا خیر و آیا تغییرات تأثیر مورد انتظار را خواهند داشت.

3.1 استفاده از شبیه سازی کامپیوتری

با استفاده از شبیه‌سازی کامپیوتری، می‌توانیم فرآیندهای رخ داده در شبکه جاده‌ای را با احتمال بالایی پیش‌بینی کنیم. به این ترتیب می توان تحلیل مقایسه ای مدل ها را انجام داد. ساختار فعلی UDS را با ویژگی‌های آن مدل‌سازی کنید، آن را مدرن و بهبود بخشید و با تنظیماتی که در آن انجام شده است، یک مدل جدید بر اساس UDS ایجاد کنید. با استفاده از داده‌های به‌دست‌آمده، در مرحله مدل‌سازی رایانه‌ای می‌توانیم پاسخی به این موضوع داشته باشیم که آیا ایجاد تغییرات خاصی در سیستم جریان ترافیک و همچنین استفاده از مدل‌سازی برای شناسایی مناطق مشکل‌دار منطقی است یا خیر.

اسناد مشابه

ویژگی های دسته بندی اصلی بزرگراه ها. تعیین ظرفیت جاده و ضریب بار ترافیکی. محاسبه میانگین سرعت جریان ترافیک. شناسایی نقاط خطرناک جاده با استفاده از روش نرخ تصادفات.

کار دوره، اضافه شده 01/15/2012


تعیین نیاز به تنظیم مدل کنترلی موجود و معرفی اقدامات کنترلی جدید و نصب وسایل فنی اضافی مدیریت ترافیک. توسعه یک مدل بهینه کنترل ترافیک

پایان نامه، اضافه شده در 2013/05/16


تجزیه و تحلیل سیستم های حمل و نقل با استفاده از مدل سازی ریاضی. ویژگی های محلی جریان ترافیک جاده ای مدل‌سازی جریان ترافیک در مجاورت یک شبکه جاده‌ای باریک. اختلاط تصادفی هنگام نزدیک شدن به یک گلوگاه.

کار عملی، اضافه شده در 12/08/2012


طبقه بندی روش های کنترل ترافیک سیستم کنترل ترافیک خودکار "موج سبز" در بارنائول. اصول ساخت، ساختار، ویژگی های مقایسه ای آن. جاده کمربندی در سن پترزبورگ.

تست، اضافه شده در 2015/02/06


ارزیابی امنیت سرعت طراحی، ایمنی جاده، سطح بار ترافیکی در جاده، یکنواختی سطح جاده. تعیین مدول الاستیسیته واقعی روسازی جاده انعطاف پذیر. ماهیت حفظ جاده ها و سازه های جاده.

کار دوره، اضافه شده در 12/08/2008


انتقال به یک مدل نوآورانه توسعه زیرساخت های حمل و نقل. نکات اصلی استراتژی حمل و نقل دولت تا سال 2030. تجزیه و تحلیل و جستجو برای بهینه ترین راه حل برای مسئله حمل و نقل. رشد بخش حمل و نقل در اقتصاد روسیه.

مقاله اضافه شده در 1396/08/18


ویژگی های صنعت حمل و نقل ماهیت و اهداف لجستیک حمل و نقل. سازماندهی امکانات حمل و نقل در OJSC "NefAZ". برنامه ریزی فعالیت های بخش حمل و نقل شرکت. تجزیه و تحلیل و ارزیابی اثربخشی فعالیت های سازمان.

کار دوره، اضافه شده 01/14/2011


تعیین شدت ترافیک - تعداد وسایل نقلیه ای که از بخش کنترل یک شی جاده در همه جهات در واحد زمان (ساعت، روز) عبور می کنند. تجزیه و تحلیل تراکم ترافیک، توزیع آن و ضریب بار.

کار آزمایشگاهی، اضافه شده در 2010/02/18


سازماندهی ترافیک حمل و نقل مسافر شهری در حین بهره برداری از یک سیستم کنترل ترافیک تطبیقی. مقایسه استراتژی های وابسته به زمان و حمل و نقل. توسعه پایه ای از قوانین فازی. ساخت تابع عضویت.

کار دوره، اضافه شده در 2014/09/19


تجزیه و تحلیل فعالیت های با هدف سازماندهی بازار حمل و نقل. تنظیم دولتی فعالیت های حمل و نقل به عنوان مجموعه ای پیچیده از اقدامات با هدف اطمینان از سطح مورد نیاز خدمات حمل و نقل در تمام مناطق.

مشکلات شهری، مانند راهبندان، را می توان به روشی محافظه کارانه، یعنی با افزایش فیزیکی ظرفیت جاده، یا به روشی «معقول» (از انگلیسی smart) حل کرد. در این مورد، همه حمل و نقل و مردم در یک اکوسیستم متحد می شوند و خود شهر در مورد نحوه توزیع جریان ترافیک "تصمیم می گیرد". در مورد دیدگاه ما از چنین اکوسیستمی ما گفتدر یکی از انجمن های "نوآوری باز". و در این مقاله دقیقاً نحوه عملکرد سیستم‌های مدیریت ترافیک هوشمند و اینکه چرا برای همه ما بسیار مهم هستند بحث خواهیم کرد.

چرا شهرها به سیستم حمل و نقل "هوشمند" نیاز دارند؟

بر اساس گزارش سازمان جهانی بهداشت، بیش از 50 درصد از جمعیت جهان در شهرها زندگی می کنند. کلان شهرها بیشتر از مشکلات حمل و نقل رنج می برند. راه بندان بارزترین و رایج ترین جلوه آنهاست. آنها بر اقتصاد محلی و کیفیت زندگی همه کاربران جاده تأثیر منفی می گذارند و بنابراین، البته، نیاز به حذف دارند.

اگر به عنوان مثال، یک علت معمولی ترافیک را در نظر بگیریم - کار تعمیر - رویکرد محافظه کارانهراه حل آن تغییر مسیر ترافیک به نزدیکترین جاده های موازی خواهد بود. در نتیجه، به احتمال زیاد، آنها به دنبال بزرگراه اصلی اضافه بار خواهند شد و در ساعات شلوغی، حتی یک خط آزاد در نزدیکی منطقه در حال تعمیر باقی نخواهد ماند.

البته مسئولان تلاش خواهند کرد پیش‌بینی کنند که کدام جاده‌ها سریع‌تر ازدحام می‌شوند. برای انجام این کار، آنها وجود چراغ های راهنمایی در تقاطع ها، میانگین تراکم ترافیک و سایر عوامل ساکن را در نظر می گیرند. با این حال، در لحظه‌ای که یک ترافیک 8 نقطه‌ای مرکز شهر را فلج می‌کند، بعید است که بتوان کاری غیر از "کنترل دستی" وضعیت انجام داد، به عنوان مثال، با خاموش کردن چراغ‌های راهنمایی و تعویض فوری آنها با یک کنترل کننده ترافیک

سناریوی دیگری برای توسعه همان طرح وجود دارد. در یک شهر «هوشمند»، داده‌ها نه تنها از منابع سنتی، بلکه از حسگرها و دستگاه‌های نصب شده در داخل خودروها و به عنوان عناصر زیرساخت به دست می‌آیند. اطلاعات مکان وسیله نقلیه امکان توزیع مجدد ترافیک در زمان واقعی را فراهم می کند و سیستم های اضافی مانند چراغ های راهنمایی هوشمند و پارکینگ مدیریت ترافیک کارآمد را امکان پذیر می کند.

رویکرد منطقیبه انتخاب تعدادی از شهرها تبدیل شده و کارایی خود را ثابت کرده است. در دارمشتات، آلمان، حسگرها به اطمینان از ایمنی عابران پیاده و ازدحام ترافیک کمک می کنند. آنها گروه های بزرگی از مردم را که در شرف عبور از جاده هستند شناسایی می کنند و فازهای چراغ راهنمایی را برای آنها تطبیق می دهند. علاوه بر این، آن‌ها تعیین می‌کنند که آیا جریانی از اتومبیل‌ها در این نزدیکی وجود دارد یا خیر، و «دستور می‌دهند» که چراغ‌ها را فقط زمانی که حرکت ماشین‌ها تمام می‌شود، تغییر دهند.

و سیستم توزیع ترافیک در شهر آرهوس دانمارک نه تنها کاهش ترافیک، بلکه کاهش مصرف کلی سوخت را نیز ممکن ساخت. سیستم هوشمند لندن در صورت شلوغی برخی از بخش‌های جاده به رانندگان اطلاع می‌دهد. مدیریت هوشمند ترافیک به سنگاپور کمک کرده تا به یکی از کم تراکم ترین شهرهای بزرگ جهان تبدیل شود.

یک سیستم کنترل ترافیک "هوشمند" از چه چیزی تشکیل شده است؟

ابزار کلیدی یک شهر هوشمند داده است. بنابراین، قلب سیستم بستری است که تمام جریان‌های اطلاعاتی را که در زمان واقعی می‌رسند یکپارچه می‌کند، آنها را تفسیر می‌کند و تصمیم مستقلی در مورد کنترل ترافیک می‌گیرد (یا به فرد مسئول در اتخاذ چنین تصمیمی کمک می‌کند). به عنوان یک قاعده، یک مرکز فرماندهی کنترل ترافیک در اطراف سکو تشکیل می شود.

عکس از بزرگراه انگلستان /

یک سیستم اطلاعات جغرافیایی (GIS) توانایی پیوند داده ها را به نقاط خاصی در نقشه راه فراهم می کند. برای کنترل حرکت مستقیم از زیرسیستم های جداگانه ای استفاده می شود. تعداد، پیچیدگی و سطوح تعامل آنها با یکدیگر ممکن است در مدل های مختلف بسته به وظایف محول شده متفاوت باشد.

به عنوان مثال، در لانگ فانگ چینی زیرسیستم های زیر عمل می کنند: تنظیم چراغ راهنمایی، جمع آوری اطلاعات ترافیک، نظارت و هشدار، موقعیت جغرافیایی وسایل نقلیه خدماتی و سایر اجزا. در تیمیشوآرا رومانیایی، علاوه بر عناصری که قبلاً توضیح داده شد، زیرسیستم هایی برای اولویت بندی حمل و نقل عمومی و تشخیص پلاک پیاده سازی شده است.

سیستم توزیع "هوشمند" جریان ترافیک می تواند توسط عناصر مختلفی پیچیده شود، اما نکته اصلی در آن پلت فرم است که تمام زیرسیستم ها را بر اساس داده های دریافتی مدیریت می کند. از این منظر، خودروها جزء مهمی از هر مدل از یک شهر "هوشمند" هستند. آنها نه تنها قادر به دریافت اطلاعات (با استفاده از دستگاه هایی مانند WayRay Navion) ​​و سازگاری با وضعیت ترافیکی خاص هستند، بلکه خود به عنوان ارائه دهندگان اطلاعات معنی دار در مورد ازدحام جاده ها عمل می کنند.

ما پیشنهاد می کنیم نگاهی دقیق تر به ساختار مهم ترین زیرسیستم های یک شهر "هوشمند" بیندازیم.

سیستم نظارت و پاسخ هوشمند

پایش اساس مرکز فرماندهی است. تشخیص به موقع حوادث و واکنش به آنها تضمین کننده ایمنی جاده ها و کاهش ترافیک است. کاربر اغلب نتایج مانیتورینگ را روی یک نقشه با طرح رنگی می بیند که بار ترافیک را در زمان واقعی نمایش می دهد.

منابع داده دوربین‌هایی هستند که به‌طور خودکار وضعیت جاده‌ها را هنگام حرکت خودروها در منطقه تحت پوشش خود تحلیل می‌کنند و همچنین حسگرهای پیزوالکتریک هستند. روش دیگر نظارت در اکوسیستم شهر هوشمند، ردیابی جریان بر اساس سیگنال بی سیم، به عنوان مثال، از دستگاه های بلوتوث است.

چراغ راهنمایی "هوشمند".

اصل عملکرد این زیرسیستم ساده است: چراغ های راهنمایی به اصطلاح "تطبیقی" از وسایلی برای اندازه گیری حجم ترافیک استفاده می کنند که نیاز به تغییر فاز را نشان می دهد. هنگامی که جریان ترافیک دشوار است، فاز سبز چراغ راهنمایی برای خودروها بیشتر از حد معمول فعال است. در دوره‌های اوج ترافیک، چراغ‌های راهنمایی در تقاطع‌ها فازهای خود را همگام می‌کنند تا «خطوط سبز» را برای ترافیک فراهم کنند.

در یک شهر "هوشمند"، سیستم به دلیل مجموعه ای از حسگرها پیچیده تر می شود که داده ها را برای تجزیه و تحلیل به الگوریتم ها منتقل می کند. در تایلر، تگزاس، این راه حل، به عنوان بخشی از یک سیستم مدیریت ترافیک یکپارچه از زیمنس، تاخیر ترافیک را تا 22 درصد کاهش داد. از زمان نصب چراغ های راهنمایی تطبیقی، زمان سفر در یکی از شاهراه های اصلی Bellevue، واشنگتن در ساعات شلوغی 36 درصد کاهش یافته است.

این زیرسیستم در تجسم اصلی خود اینگونه عمل می کند: حسگرهای مادون قرمز نصب شده در یکی از عناصر زیرساخت جاده، به عنوان مثال، در تیرهای چراغ، وقوع یا عدم وجود جریان ترافیک را تشخیص می دهند. این داده ها به عنوان یک سیگنال ورودی به سیستم عمل می کند که سیگنال های خروجی را برای فازهای قرمز، سبز و زرد تولید می کند و زمان چرخه را بر اساس تعداد وسایل نقلیه در هر جاده کنترل می کند.

همین اطلاعات می تواند به عنوان سیگنال خروجی به کاربر جاده منتقل شود. چراغ های راهنمایی تطبیقی ​​می توانند در حالت اضطراری نیز کار کنند، زمانی که تجهیزات فیلمبرداری یک وسیله نقلیه در حال حرکت را به عنوان آمبولانس یا ماشین پلیس با چراغ های هشدار روشن تشخیص می دهند. در این صورت برای خودروهایی که از مسیر وسیله نقلیه رسمی عبور می کنند، چراغ راهنمایی به رنگ قرمز تغییر می کند.

دوربین هایی که حجم ترافیک را تشخیص می دهند نیز می توانند به عنوان منبع داده های ورودی برای سیستم عمل کنند. در یک مدل جامع از یک شهر "هوشمند"، اطلاعات دوربین‌ها در مورد وضعیت جاده به طور همزمان به یک محیط نرم‌افزاری برای پردازش الگوریتمی و به یک سیستم کنترل منتقل می‌شود، جایی که در صفحه‌های مرکز فرماندهی تجسم و نمایش داده می‌شود.

همچنین انواع چراغ های راهنمایی "هوشمند" وجود دارد. به عنوان مثال، فناوری‌های هوش مصنوعی هماهنگی سیگنال‌های ترافیکی را در یک اکوسیستم بهبود می‌بخشد. در این حالت، چرخه توسط سنسورها و دوربین ها نیز راه اندازی می شود. الگوریتم‌های هوش مصنوعی از داده‌های دریافتی برای ایجاد زمان‌بندی چرخه، حرکت موثر ترافیک در طول مسیر و گزارش اطلاعات به چراغ‌های راهنمایی بعدی استفاده می‌کنند. با این حال، چنین سیستمی غیرمتمرکز باقی می‌ماند و هر چراغ راهنمایی «تصمیم‌گیری‌های خود» را در مورد مدت زمان فازها می‌گیرد.

محققان دانشگاه فناوری نانیانگ امسال یک الگوریتم توزیع ترافیک را بر اساس یادگیری ماشین معرفی کردند. مسیریابی در این مورد دارای چندین تفاوت است: بار فعلی در سیستم حمل و نقل و مقدار ناشناخته پیش بینی شده، که مسئول بار اضافی است که می تواند در هر زمان وارد شبکه شود، در نظر گرفته می شود. در مرحله بعد، الگوریتم وظیفه تخلیه شبکه در هر گره یا به عبارت دیگر تقاطع را بر عهده دارد. چنین سیستمی همراه با چراغ های راهنمایی مبتنی بر هوش مصنوعی می تواند راه حلی برای مشکلات رایج شهری باشد.

چراغ های راهنمایی هوشمند نه تنها به دلیل تاثیر آشکار کاهش ترافیک، بلکه به دلیل بازخورد دریافتی توسط دستگاه های کاربر مانند WayRay Navion، نقش مهمی را برای رانندگان ایفا می کنند. برای مثال، رانندگان در توکیو سیگنال‌هایی را از حسگرهای مادون قرمز مستقیماً به ناوبرهای خود دریافت می‌کنند که بر این اساس مسیر بهینه را ایجاد می‌کنند.

پارکینگ هوشمند

کمبود فضاهای پارکینگ یا استفاده ناکارآمد از آنها تنها یک مشکل روزمره نیست، بلکه چالشی برای زیرساخت های شهری و دلیل دیگری برای تراکم ترافیک است. طبق تحقیقات Navigant، انتظار می‌رود تعداد فضای پارک هوشمند در سراسر جهان تا سال 2026 به 1.1 میلیون نفر برسد. آنها با سیستم های خودکار برای جستجوی فضاهای آزاد و اطلاع رسانی به کاربران از پارکینگ های معمولی متمایز می شوند.

به عنوان یکی از راه حل های این مشکل، تیم دانشگاه رایس مدلی را توسعه داده است که از دوربینی استفاده می کند که دقیقه به دقیقه عکس می گیرد تا صندلی های موجود را پیدا کند. سپس با استفاده از یک الگوریتم تشخیص شی مورد تجزیه و تحلیل قرار می گیرند. با این حال، در اکوسیستم شهر هوشمند، این راه حل بهینه نیست.

یک سیستم پارکینگ "هوشمند" نه تنها باید وضعیت هر فضا (" اشغال / آزاد ") را بداند، بلکه بتواند کاربر را به سمت آن هدایت کند. Devavrat Kulkarni، تحلیلگر ارشد تجاری در شرکت فناوری اطلاعات Maven Systems، استفاده از شبکه ای از حسگرها را برای این کار پیشنهاد می کند.

اطلاعات به دست آمده از آنها می تواند توسط یک الگوریتم پردازش شده و از طریق یک برنامه کاربردی یا رابط کاربری دیگر به کاربر نهایی ارائه شود. در زمان پارک کردن، برنامه اطلاعات مربوط به مکان وسیله نقلیه را ذخیره می کند که پیدا کردن خودرو را در آینده آسان تر می کند. این راه حل را می توان محلی، مناسب، به عنوان مثال، برای مراکز خرید فردی نامید.

پروژه های واقعاً بزرگ در این زمینه در حال حاضر در برخی از شهرهای ایالات متحده اجرا می شود. ابتکار عمل برای استقرار شبکه یکپارچه پارکینگ های "هوشمند"، LA Express Park، در لس آنجلس در حال انجام است. استارت‌آپ StreetLine که مسئول اجرای این ایده است، از روش‌های یادگیری ماشینی برای ترکیب چندین منبع داده - حسگرها و دوربین‌های نظارتی - در یک کانال واحد برای انتقال اطلاعات در مورد اشغال فضاهای پارک استفاده می‌کند.

این داده ها در چارچوب سیستم پارکینگ در سطح شهر در نظر گرفته شده و در اختیار تصمیم گیرندگان قرار می گیرد. StreetLine یک SDK، سیستم تشخیص خودکار پلاک خودرو و API برای کار با تمام منابع داده مربوط به پارکینگ ارائه می دهد.

سیستم های پارک هوشمند نیز می توانند برای مدیریت تراکم ترافیک مفید باشند. این تصمیم از قبل بر اساس یک ابزار تنظیم ترافیک - تغییر نرخ تعرفه در مناطق پارکینگ پولی است. این امر امکان توزیع شلوغی پارکینگ ها را در روزهای خاص و در نتیجه کاهش ازدحام ترافیک فراهم می کند.

برای کاربران نهایی، داده‌های مربوط به فضاهای موجود و نرخ‌های ارزان‌تر به برنامه‌ریزی سفرها کمک می‌کند و تجربه کلی رانندگی را بهبود می‌بخشد - از طریق دستگاه‌های پوشیدنی یا داخل خودرو، کاربر راهنمایی عملی برای یافتن جای پارک در زمان واقعی دریافت می‌کند.

آینده کنترل حرکت

سه عنصر اصلی که در نظر گرفته‌ایم، یک اکوسیستم آماده است که می‌تواند وضعیت جاده‌های یک شهر مدرن را تا حد قابل توجهی تسهیل کند. با این حال، زیرساخت های آینده در درجه اول برای حمل و نقل آینده ایجاد می شود. سیستم‌های نظارت خودکار، پارکینگ و کنترل، انتقال به استفاده از خودروهای خودران را تسهیل می‌کنند.

با این حال، همه چیز در اینجا به این سادگی نیست: زیرساخت هایی که اکنون در شهرهای "هوشمند" استفاده می شود ممکن است به سادگی توسط هواپیماهای بدون سرنشین مورد نیاز نباشد. به عنوان مثال، اگر امروز هنوز تغییر فازهای چراغ راهنمایی وجود دارد، به گفته محققان موسسه فناوری ماساچوست، وسایل نقلیه بدون سرنشین اصلاً به سیگنال هایی که ما به آنها عادت کرده ایم - سرعت وسایل نقلیه و توقف در آن ها - نیاز نخواهند داشت. تقاطع ها به طور خودکار با استفاده از سنسورها انجام می شود.

این احتمال وجود دارد که حتی پیشرفته‌ترین سیستم‌های مدیریت ترافیک پس از اینکه هواپیماهای بدون سرنشین اتومبیل‌های سنتی را از جاده‌ها جابجا می‌کنند، دچار نوسازی جهانی شوند و ما شاهد دنیای جدیدی بدون چراغ‌های راهنمایی، دوربین‌های ترافیکی و سرعت‌گیر باشیم. با این حال، انتقال کامل به خودروهای بدون راننده هنوز بعید است. اما رشد تعداد شهرهای "هوشمند" یک چشم انداز بسیار واقعی است.

باپیباخوبباOبهآرآschهnوهفتموOبOساعتnآساعتهnوهفتم, VباتیآرechآیوschوایکسبامنVتیهبهباتیه

آآرم- ایستگاه کاری خودکار؛

ACباUD- سیستم انبوه کنترل ترافیک؛

ACUD- سیستم کنترل ترافیک خودکار؛

ACUD- با– ASUD مبتنی بر کامپیوتر؛

که درپU- پنل کنترل از راه دور؛

جیدر بارهآردر بارهد،جیدر بارهآردر بارهD- م, جیدر بارهآردر بارهD- م1 - نام سیستم های کنترل ترافیک خودکار با استفاده از رایانه؛

DK- کنترل کننده جاده؛

DتوسطU- صفحه نمایش برای کنترل عملیاتی؛

DP- مرکز کنترل؛

Dتیپ- تصادف؛

Dتیبا- شبکه حمل و نقل جاده ای؛

DT- آشکارساز حمل و نقل؛

DU- کنترل اعزام؛

وپ– کنسول مهندسی؛ وآر- حلقه القایی؛ وسی- شبیه ساز مرکز؛

KDA- تجهیزات کنترل و تشخیص؛

بهآرسی- کنترل کننده مرکز منطقه؛ بهتیبا- مجموعه ای از وسایل فنی؛ KU- مدیریت هماهنگ؛ مnباایکس- نمودار یادگاری؛

پبه- برنامه هماهنگی؛

پKU- مانیتورینگ و کنترل پنل؛

پلی اتیلنکه درم- کامپیوتر الکترونیکی شخصی؛

آرU- کنترل دستی؛

بامEپ- بخش نصب و راه اندازی و عملیاتی تخصصی؛

بادر باره- شی چراغ راهنمایی؛

تلویزیونپ- تابلوی تماس عابر پیاده؛

تیE- واحد حمل و نقل (خودرو)؛

تیو- تله متری؛

تیKP- تابلوی امتیاز عمومی؛

تیپ- جریان ترافیک؛

تیبا- سیگنال دهی از راه دور

TSKU- سیستم کنترل هماهنگ از راه دور؛

تیU- کنترل از راه دور؛

Uکه دربه- کنترل مجتمع کامپیوتری؛

UDS- شبکه خیابان و جاده؛

UZن- علائم جاده کنترل شده؛

UNIتیپ- دستگاهی برای ذخیره اطلاعات در مورد جریان ترافیک؛

Uپ- نقطه کنترل؛

Uبابه- نشانگر سرعت توصیه شده رانندگی؛

سیUپ- نقطه کنترل مرکزی

1. مبانی کنترل ترافیک

1.1. جریان حمل و نقل به عنوان یک شیء کنترلی

هدف کنترل سیستم کنترل خودکار یک جریان ترافیک است که با مجموعه ای از ویژگی های مشخص کننده روند حرکت توصیف می شود: شدت، سرعت، ترکیب جریان، فواصل در جریان و برخی شاخص های دیگر.

جریان حمل و نقل دارای ویژگی های خاصی است که باید هنگام انتخاب کنترل در سیستم مورد توجه قرار گیرد. بنابراین، اجازه دهید به برخی از مهم ترین ویژگی های جریان ترافیک نگاهی بیندازیم.

1 . 1 . 1. باVآخخیابانVآ تیransاز آن به بعدtnOجیO توسطتیOبهآ

اولاً، بررسی میدانی از ترافیک وسایل نقلیه در شهرها نشان می دهد که ویژگی های جریان ترافیک در طول روز تغییرات قابل توجهی را تجربه می کنند که ناشی از جریان ناهموار خودروها به شبکه حمل و نقل است. این ماهیت دینامیکی رفتار شیء کنترلی است.

ثانیاً، اندازه‌گیری دوره‌ای روزانه پارامترهای جریان مشابه در فواصل زمانی ثابت روز، ماهیت آماری فرآیند حرکت خودرو را نشان می‌دهد. رفتار احتمالی شی کنترلی به این دلیل است که جریان ترافیک از شرکت کنندگان در ترافیک فردی با استفاده از انواع مختلف وسایل نقلیه و اهداف سفر متفاوت (در زمان و مکان) شکل می گیرد.

ثالثاً این الگوهای آماری حرکت به دلیل وجود روندهای قطعی در حرکت وسایل نقلیه پایدار هستند. در واقع، اکثریت قریب به اتفاق سفرها دوره ای و اغلب هستند

در مسیرهای منظم (سفرهای کاری، حمل و نقل عمومی، حمل و نقل بار) انجام می شود. رفتار جمعی جریان که حاصل تعامل شرکت کنندگان با اهداف مختلف و ویژگی های روانی متفاوت است، از قانون اعداد زیاد تبعیت می کند و ویژگی های احتمالی حرکت وسیله نقلیه را پایدار می کند. عدم وجود هرج و مرج در شبکه حمل و نقل است که عملکرد سیستم های کنترل خودکار را ممکن می کند، که به نوبه خود به تثبیت حتی بیشتر فرآیندهای ترافیکی کمک می کند.

چهارم اینکه مهمترین خاصیت جریان های ترافیکی که تا حد زیادی اصول کنترل را تعیین می کند، اینرسی آنهاست. اینرسی به عنوان یک ویژگی یک شی کنترل به طور پیوسته درک می شود

حرکت از حالتی به حالت دیگر در زمان و مکان. در واقع، پارامترهای حرکت واحدهای حمل و نقل، که در یک نقطه زمانی معین اندازه‌گیری می‌شوند، به دلیل اینکه هر واحد دارای سرعت محدود و کاملاً تعریف شده‌ای است و در این بازه قابل تشخیص است، نمی‌تواند به طور قابل توجهی در یک دوره زمانی کوتاه تغییر کند. در بخش محدودی از شبکه حمل و نقل این ویژگی قبل از هر چیز در این واقعیت آشکار می شود که میانگین پارامترهای جریان (شدت، سرعت، چگالی، فواصل) به طور مداوم در زمان و مکان تغییر می کند. وجود "پک ها" در جریان ها نیز نتیجه تغییرپذیری کم در ساختار جریان هنگام عبور از تقاطع های مجاور است، یعنی. نتیجه اینرسی در تغییر فواصل بین اتومبیل های متوالی. اینرسی جسم کنترلی امکان پیش بینی تغییرات در ویژگی های آن را در فواصل زمانی کوچک نشان می دهد.

پنجم، تمام خواص ذکر شده در نتیجه حرکت متقابل وسایل نقلیه ظاهر می شود. این وابستگی متقابل عمدتاً در این واقعیت بیان می شود که گاهی اوقات تغییرات جزئی در شرایط ترافیکی در بزرگراه ها و تقاطع های فردی (باریک شدن جاده، تغییر شرایط آب و هوایی، نقض چراغ های راهنمایی) منجر به تغییر شدید ماهیت ترافیک نه تنها در این می شود. منطقه، بلکه در بزرگراه ها و چهارراه های دور از شهر. اتصال گره‌های حمل‌ونقل تنظیم‌شده تأثیر بسیار قوی‌ای در حالت‌های اشباع شبکه دارد، زمانی که ازدحام ترافیکی که در یک تقاطع جداگانه روی می‌دهد در بخش قابل‌توجهی از شبکه پخش می‌شود. اتصال به شبکه پیچیده و گاهی غیرقابل پیش بینی است. هرچه ویژگی اتصال قوی‌تر باشد، بخش‌های بزرگ‌تری از شبکه باید در هنگام حل مسئله کنترل در نظر گرفته شود، و این کار دشوارتر است، زیرا شی کنترلی باید به عنوان تقاطع‌های منفرد، بلکه به عنوان تمام گره‌های انتقال به هم پیوسته درک شود.

عامل وابستگی متقابل نیز خود را در شرایط حرکت محدود وسایل نقلیه در طول کشش ها و از طریق تقاطع های شبکه نشان می دهد. به منظور اطمینان از حرکت ایمن و سریع خودروها در جریان ترافیک، رانندگان مجبور به انجام مانورهای مختلفی هستند که با توجه به وضعیت واقعی ترافیک تعیین می شود. در نتیجه، الگوهای حرکت وسایل نقلیه منفرد را می توان به عنوان پیامد کل فعل و انفعالات در جریان در نظر گرفت. ویژگی‌های تعامل حاصل، پارامترهای اولیه سیستم هستند که توسط آن موضوع تخصیص یک کنترل خاص تصمیم‌گیری می‌شود.

جنبش.

1 . 1 . 2. باOخیاباناوههیچ کداممن تیransاز آن به بعدtnOجیO توسطتیOبهآ

بیایید نگاهی دقیق تر به موارد ترافیکی معمولی بیندازیم. مطالعات تجربی و نظری زمینه را برای تمایز سه حالت کیفی متفاوت فراهم می‌کند که ما موافقت می‌کنیم که آنها را نام ببریم. باVOبOدnسمتر, جیآردرppoشمامتر و شماخوبودennسمتر .

در دبی‌های پایین، زمانی که ظرفیت جاده عامل محدودکننده حرکت بدون مانع نیست، سرعت وسایل نقلیه نزدیک به سرعت حرکت آزاد است. تعامل بین واحدهای حمل و نقل در حالت حرکت آزاد آنقدر کم است که می توان از آن غفلت کرد. وضعیت جریان حمل و نقل آزاد نه تنها با حرکت مستقل واحدهای حمل و نقل فردی مشخص می شود، بلکه با فواصل بین واحدها در جریان در این مورد نیز مشخص می شود. کارهای تجربی متعدد و همچنین قضایای حدی

صف می گویند که توزیع فواصل در یک جریان آزاد نزدیک به نمایی است و بنابراین، تعداد ورود واحدهای انتقال جریان در یک بازه زمانی معین یا مکانی توسط قانون پواسون توصیف می شود. حالت آزاد جریان در یک شبکه حمل و نقل واقعی در امتداد با ترافیک نادر در بخش هایی با فاصله بیش از 800 متر از تقاطع های عرضه مشاهده می شود.

اگر حالت حرکت گروهی را در نظر بگیریم، تصویر متفاوتی به وجود می آید. حرکت گروهی وسایل نقلیه در شدت ترافیک کمی بیشتر اتفاق می افتد، زمانی که ظرفیت جاده و تقاطع تأثیر قابل توجهی بر شرایط ترافیکی دارد. رانندگان خودروهای تندرو برای حفظ سرعت مجبور به سبقت گرفتن و تغییر مسیر می شوند.

و سایر مانورها در حالت حرکت آزاد، سبقت گرفتن در ترافیک عملاً بدون تعامل بین واحدهای حمل و نقل انجام می شود. حرکت گروهی با حداکثر تعامل واحدها در طول حرکت، حداکثر شدت مانورهای اجباری مشخص می شود. در نتیجه، کل جریان ترافیک به مجموعه‌ای از صف‌ها تقسیم می‌شود که سرعت خودروهای سربی با سرعت آهسته را دارند. در عین حال، سرعت واحدهای حمل و نقل سریع کاهش می یابد. اکنون حرکت وسایل نقلیه را نمی توان با قانون پواسون توصیف کرد، زیرا فواصل بین اتومبیل های متوالی در صف نزدیک به فواصل ایمنی است، یعنی. از توزیع نمایی پیروی نکنید. یک مثال معمولی از یک جریان گروهی، حرکت وسایل نقلیه مشاهده شده در بخش کشش واقع در 20 تا 30 متر پشت تقاطع است که آن را تغذیه می کند. در یک جریان در حال ظهور بسته می شود

پس از عبور واحدهای حمل و نقل از تقاطع، همانطور که در امتداد کشش حرکت می کنند، نسبتاً آهسته "از هم می پاشند" و جریان در بخش مورد نظر هنوز شکل گروهی مشخصی دارد.

وقتی شدت ترافیک افزایش می‌یابد و به ظرفیت جاده می‌رسد، شرایط برای سبقت گرفتن از وسایل نقلیه سریع‌السیر سخت‌تر می‌شود، صف‌هایی که در حالت ترافیک گروهی ایجاد می‌شوند طولانی‌تر شده و عملاً در یک صف واحد ادغام می‌شوند. در این حالت، سرعت وسایل نقلیه در جریان تراز می شود و نزدیک به سرعت کندترین وسایل نقلیه است، فواصل بین واحدهای حمل و نقل در جریان نزدیک به قطعی می شود، برابر با فواصل حرکت ایمن. ما این حالت حرکت را اجباری می نامیم.

یکی دیگر از ویژگی های شی کنترل، وجود یک روند توسعه در آن است. تغییرات کمی در شیء کنترلی

با رشد طبیعی موتورسازی، ساخت تقاطع‌های کنترل‌شده جدید، ساخت مبادلات در سطوح مختلف، بهبود ویژگی‌های دینامیکی وسایل نقلیه، بازنگری در سازمان‌دهی ترافیک در محدوده تنظیم‌شده (معرفی و لغو آن) همراه است. حرکات چرخشی، معرفی خیابان های یک طرفه، ممنوعیت عبور و مرور در برخی خیابان ها برای حمل و نقل بار، ممنوعیت و مجوز پارکینگ و غیره. این تغییرات کمی معمولاً منجر به تغییر در ساختار جریان‌ها، میزان اتصال تقاطع‌های مجزای شبکه، مقیاس شبکه تنظیم‌شده می‌شود که ممکن است به پیکربندی مجدد کیفی بدنه کنترل نیاز داشته باشد و منجر به تجدیدنظر شود. از نوع الگوریتم های کنترل برای یک تقاطع خاص. بنابراین، سیستم کنترل حرکت باید در رابطه با شی کنترل "انعطاف پذیر" باشد.

1 . 1 . 3. آرآباو غیرههدهلenنه Vآرهمترenneسایکس وnteآرVآلov

اکثر محققین با توجه به جریان ترافیک در قسمتی از بزرگراه به طول قابل توجه، از توزیع های ترکیبی فرم برای توصیف فواصل زمانی استفاده می کنند.

اف (د تی ) =

آ L- ب 1 اس +

ب L- ب 2 اس

+ سی L- ب 3 اس

که در آن هر یک از سه عبارت توصیف، بخش خاصی از جریان را توصیف می کند:

ü آ L- ب 1 اس

ü ب L- ب 2 اس

- حرکت آزادانه؛

- تا حدی مرتبط با

ü سیL- ب 3 اس - قسمت متصل شده از TP.

هر یک از سه ضریب آ, که در, با به معنای نسبت شدت ترافیک است که در یکی از سه حالت است، بنابراین مجموع آنها

توزیع (1.1) TP را در بزرگراه های پیوسته به خوبی توصیف می کند. با توجه به مشکل توصیف TP در شهری

در خیابان های مجهز به چراغ راهنمایی، تحلیل مناسب تر است

توزیع فواصل زمانی در بسته‌های اتومبیل با دور شدن تقاطع علامت‌دار. این رویکرد ارتباط تنگاتنگی با حل مسئله از هم پاشیدگی تدریجی بسته ها و به تبع آن امکان سازماندهی هماهنگ کنترل ترافیک دارد.

آزمایش‌های انجام‌شده توسط برخی از محققان نشان می‌دهد که توزیع نرمال‌شده Erlang برای توصیف بازه‌های زمانی درون انفجارها مناسب‌تر است.

اف (د تی ) =

ل ( ک + 1)

ک

Lل ( ک + 1) د تی . (1.2)

انتظارات ریاضی:

با پراکندگی:

م ک

D ک =

1 . (1 . 3)

1 . (1 . 4)

l 2 ( ک + 1)

این توزیع با این واقعیت پشتیبانی می شود که با توجه به متفاوت ک، می توانید هر درجه ای از پیامد را دریافت کنید، بنابراین، میزان اتصال جریان را در داخل بسته منعکس کنید. اثر متلاشی شدن بسته، وابستگی میانگین شدت ترافیک l در بسته ها و ترتیب توزیع را تعیین می کند. ک از فاصله بسته تا تقاطع خروجی. مطالعات تجربی نشان داده است که کاهش l و ک همانطور که بسته از صحنه دور می شود، به خوبی با وابستگی نمایی تقریب می شود

- اچ L

ل n (L n ) = ل + ( ل n ac

L ج ) L 1

n . (1.5)

ک = [

ک ج + (ک

بر با

- ک ج

) L - اچ 2 L n

که در آن l میانگین شدت ترافیک در کل جریان است.

ل n آ با –

شدت درون بسته هنگام خروج از تقاطع؛

L n - فاصله

بسته ها از تقاطع؛

ک n آ با - حداکثر منافذ توزیع

Erlanga برای بسته، فقط بالای چهارراه. ک ج

- سفارش

توزیع ارلنگ بر روی جریان پس از توزیع نهایی و

ادغام بسته؛

اچ 1 , اچ 2 – ضرایب پراکندگی بسته برای

ل n (ل n )

و ک ;

در پرانتز - یک قسمت صحیح از عبارت.

آزمایش‌ها نشان می‌دهند که برای بسته‌ای که به تازگی از یک تقاطع خارج شده است، مقدار ک=9.

مطالعات عملی با استفاده از سیستم های کنترل خودکار در شهرهای خارکف، مینسک، کراسنویارسک، نیژنی نووگورود و غیره انجام شده است.

80 - 90، امکان به دست آوردن داده های آماری معرف جریان ترافیک را فراهم کرد.

تجزیه و تحلیل توزیع فواصل در شدت های مختلف و همچنین حداقل فواصل مجاز بین خودروها حاکی از وجود سه گروه خودرو در جریان ترافیک است:

ü اتومبیل هایی که آزادانه حرکت می کنند، بدون تأثیر بر یکدیگر در فواصل زمانی بیش از 8 ثانیه؛

وسایل نقلیه نیمه متصل در حال حرکت در فواصل 1.5 -

8.0 ثانیه; توزیع فواصل به گونه ای است که رانندگان خودروهای فردی فرصت مانور در جریان را دارند.

ü بخش متصل به جریان؛ در این مورد در تمام مدت

فقط فواصل کوچکی از مرتبه 1.0 - 1.3 ثانیه مشاهده می شود.

در عمل، حرکت آزادانه خودروها با نرخ حداکثر 300 خودرو در ساعت در هر خط مشاهده می شود. وسایل نقلیه نیمه متصل با نرخ حدود 300 تا 600 وسیله نقلیه در ساعت در هر خط مشاهده می شوند. ترافیک مرتبط با نرخ بیش از 600 وسیله نقلیه در ساعت در هر خط رخ می دهد.

یکی از وظایف مهم سیستم حمل و نقل اطمینان از حداکثر کارایی در مدیریت مجموعه حمل و نقل و جاده است. برای این کار باید از راهکارهای مدرن استفاده کرد که شامل ابزارهای نمایش اطلاعات می شود. این مقاله چندین پروژه را توصیف می کند که در آن از دستگاه های Mitsubishi Electric برای نشان دادن اطلاعات ترافیک استفاده شده است.

عمر مفید یک مرکز کنترل ترافیک به طور متوسط ​​حداقل 10 سال است. بدیهی است که در این مدت، توسعه دهندگان ITS به ناچار با مشکل ارتقاء اجزایی که عمر سرویس خود را تمام کرده اند، مواجه خواهند شد. اما بازسازی زیرساخت های موجود چندان آسان نیست. ایجاد دستگاه‌های جهانی یک رویکرد کلیدی است که به شما امکان می‌دهد با قوانین در حال تغییر بازی و توسعه فناوری سازگار شوید.

چگونه می توان اصل جهانی بودن را در سیستم های نمایش اطلاعات مورد استفاده در مراکز کنترل پیاده سازی کرد؟ یک راه حل برای این مشکل، رویکرد مدولار به تجهیزات است: نمایشگر نه به عنوان یک کل واحد، بلکه به عنوان یک سیستم فرعی متشکل از اجزای قابل تعویض در نظر گرفته می شود.

در حال حاضر، اکثر مراکز کنترل مدرن از مکعب های DLP طرح ریزی عقب استفاده می کنند که بر اساس فناوری DMD (توسعه یافته توسط Texas Instruments) ساخته شده اند.

با پیروی از اصل تطبیق پذیری، میتسوبیشی مجموعه ای از نمایشگرها و تجهیزات مرتبط را ایجاد کرده است که از آخرین فناوری ها بر اساس معماری مشترک و مجموعه ای از اجزای یکسان استفاده می کنند. به طور خاص، سیستم های سری 70 و 120 از مکعب های DLP و نمایشگرهای LCD با قاب نازک در اندازه ها و پیکربندی های مختلف تشکیل شده اند. همانطور که در مورد تعیین پیکربندی یک رایانه شخصی، هنگام سفارش تجهیزات، کاربر می تواند اجزایی را که باید سیستم را تشکیل دهند - با امکان ارتقاء آن در صورت تغییر نیازها، مشخص کند. یک مثال واحد طرح ریزی است. دو سال پیش، میتسوبیشی الکتریک خط جدیدی از پروژکتورهای DLP را راه اندازی کرد که جایگزینی دیوارهای تصویری بخار جیوه موجود با جدیدترین سیستم های LED با روشنایی بالا را ممکن می کند. این فناوری کیفیت تصویر را بهبود می بخشد، عمر سرویس سیستم های موجود را به میزان قابل توجهی افزایش می دهد و هزینه های تعمیر و نگهداری را به حداقل می رساند.

عمر مفید لامپ های جیوه ای به طور متوسط ​​6000 ساعت است، یعنی کمتر از یک سال کارکرد 24 ساعته. با قیمت متوسط ​​یک لامپ 1000 یورو، این مستلزم هزینه های عملیاتی قابل توجهی است. در مقابل، مکعب های LED مدل 50PE78 میتسوبیشی الکتریک دارای طول عمر مورد انتظار 100000 ساعت یا بیش از 10 سال کارکرد مداوم 24/7 هستند. مکعب‌های LED، همراه با فن‌های خنک‌کننده هوای کم‌نویز نیز برای 100000 ساعت رتبه‌بندی شده‌اند، عملاً نیاز به تعمیر مداوم نمایشگر را برای بیشتر طول عمر نمایشگر از بین می‌برند. علاوه بر این، مکعب‌های DLP با نور پس‌زمینه LED دارای طیف رنگ گسترده‌تری هستند و دمای رنگ ثابتی را در طول عمر خود حفظ می‌کنند. این به نوبه خود به معنای بهبود رندر رنگ و افزایش ثبات است.

پروژه ای در ایتالیا مثال خوبی از نحوه استفاده مهندسان از اجزای نمایشگر انعطاف پذیر برای غلبه بر محدودیت های زیرساختی ارائه می دهد.

Autostrada del Brennero بزرگراه A22 را اداره می کند که از مودنا تا گذرگاه برنر (در مرز ایتالیا و اتریش) امتداد دارد. با توجه به قدیمی بودن سیستم نمایش اطلاعات آنالوگ فعلی در مرکز کنترل و بسیار گران برای نگهداری، شرکت تصمیم گرفت آن را با استفاده از آخرین فناوری های دیجیتال مدرن کند. سیستم کنترلی که در آن زمان با 200 دوربین آنالوگ وجود داشت و پلتفرم نرم افزاری که برای مدیریت آن طراحی شده بود کاملاً کاربردی بود. علاوه بر این، این شرکت به دنبال جلوگیری از هزینه های اضافی و حذف اپراتورها از کار به منظور آموزش مجدد آنها بود. 3P Technologies، یک شرکت یکپارچه‌سازی سخت‌افزار و نرم‌افزار، راه‌حلی را توسعه داده است که آخرین فن‌آوری نمایشگر را با سیستم کنترل و پلتفرم نرم‌افزار موجود ترکیب می‌کند.

اتاق کنترل بزرگراه A22 (شکل 1) در قلب یک سیستم کنترل ترافیک پیشرفته و پیچیده است که شامل تقریباً 200 دوربین مدار بسته، مانیتور و نقاط ارتباطی اضطراری است که توسط کابل فیبر نوری، پیوندهای رادیویی و پیوندهای سیمی به هم متصل شده اند. این سیستم توسط یک پلت فرم نرم افزاری توسعه یافته کنترل می شود که در صورت بروز فاجعه، به اپراتورها اجازه می دهد داده های ورودی یا هر گونه اطلاعات دانلود شده از دوربین ها را کنترل کنند. این سیستم همچنین شامل یک ضبط خودکار نوآورانه از رویدادهای ترافیکی (AID) است که تجزیه و تحلیل داده های دریافتی از دوربین ها و حسگرها و پاسخ خودکار به موقعیت های اضطراری را ممکن می سازد. این سیستم علاوه بر دادن سیگنال صوتی، حادثه را ضبط می کند و رویدادهایی را که اندکی قبل از آن اتفاق افتاده است، ثبت می کند. این به اپراتورها اجازه می دهد تا حادثه را در طول زمان بازسازی کنند.

برنج. 1. اتاق کنترل برای بزرگراه A22

هنگام توسعه پروژه مقاوم سازی، مسئله اصلی صفحه نمایش مورد استفاده برای نظارت بر سیستم بود. این نمایشگر که از صفحه نمایش ال سی دی آنالوگ تشکیل شده بود، قادر به پردازش نوع و حجم اطلاعات مورد نیاز نبود و همچنین کارکرد آن گران بود. سیستم موجود با یک ویدئو دیوار مکعب ال ای دی سری 70 الکتریک میتسوبیشی جایگزین شد که باعث بهبود کیفیت و کارایی کنترل و همچنین کاهش هزینه های نگهداری شد.

پردازنده X-Omnium Bilfinger-Mauell که برای هدایت نمایشگرها استفاده می شود، تطبیق پذیری در نحوه و مکان نمایش محتوا را فراهم می کند. در حالی که قبلا اپراتورها در انتخاب اندازه نمایش محدود بودند، اکنون می توانند محتوا را به عنوان پنجره در هر نقطه از صفحه نمایش دهند. در همین حال، کنترل کننده صفحه لمسی Crestron به اپراتورها اجازه می دهد تا سناریوهای آماده را با استفاده از یک رابط صفحه نمایش لمسی ساده که توسط 3P Technologies توسعه یافته است، فراخوانی کنند.

پنج رمزگشای Bilfinger-Mauell رابطی را برای یک سیستم دوربین آنالوگ موجود فراهم می‌کنند و به اپراتورها این امکان را می‌دهند تا از کنترل‌های آشنای حرکت، شیب و زوم استفاده کنند. توجه به این نکته ضروری است که کنترلر X-Omnium به شما امکان می دهد تا با استفاده از بسته نرم افزاری کنترل ترافیک موجود خود نمایشگر را کنترل کنید.

نمونه دیگری از یک پروژه، مرکز نظارت بر ترافیک سناترا (شکل 2) است که در آندورا، در منطقه پیرنه شرقی در مرز اسپانیا و فرانسه واقع شده است.

برنج. 2. مرکز نظارت بر ترافیک "سناترا"

شاهزاده آندورا به دلیل پیست‌های اسکی متعدد، یکی از محبوب‌ترین مقاصد گردشگری زمستانی در اروپا است. حجم بالای ترافیک (تا 27000 وسیله نقلیه در روز) و نیاز به هوشیاری بیشتر به دلیل شرایط زمستانی، سیستم نمایش مرکز و 60 دوربین شبکه را برای نظارت مطمئن ایمنی 100 کیلومتر جاده اصلی و 150 کیلومتر از جاده های فرعی حیاتی کرده است. مرکز صلاحیت آن مکعب های DLP از میتسوبیشی الکتریک نیز برای این کار استفاده شد.

بیایید به پروژه دیگری بپردازیم. در سال 2015، بزرگراه انگلستان ظرفیت مرکز کنترل منطقه ای شرقی خود را که در جنوب میمز واقع شده است، گسترش داد. در میان هفت مرکز منطقه ای شرکت، مرکز شرقی یکی از بزرگترین مرکزها است. او مسئول مدیریت ترافیک در برخی از شلوغ ترین جاده های اروپا از جمله بخش جنوبی M25 و بخش هایی از M40، M1 و M4 است.

مکان مرکزی در اتاق کنترل (شکل 3)، که 20 ایستگاه کاری اپراتور مجهز را در خود جای می دهد، توسط یک دیوار ویدئویی بزرگ اشغال شده است. بر روی آن، اپراتورها می توانند تصاویر هر یک از 870 دوربین نظارتی موجود در شبکه جاده ها را مشاهده کنند، همچنین جریان های ویدئویی و داده های دریافتی از سایر آژانس های جاده ای را مشاهده کنند و پخش را مستقیماً از هوای دوربین های نصب شده موقت دریافت کنند.

برنج. 3. اتاق کنترل مرکز کنترل ترافیک منطقه ای شرق

مرکز کنترل منطقه ای شرق 24/7 کار می کند. به عنوان بخشی از گسترش مرکز، تصمیم به مدرن سازی دیوار ویدئویی گرفته شد و الکتروسونیک برای اجرای پروژه انتخاب شد. هدف اصلی این پروژه در کنار نصب نمایشگر با کارایی بالاتر، معرفی آخرین فناوری به منظور کاهش چشمگیر هزینه های راه اندازی ویدئو وال بود.

سیستم پیاده سازی شده بر اساس مکعب های ویدئویی DLP میتسوبیشی الکتریک مدل VS-67PE78 با قطر 67 اینچ در پیکربندی 8×3 ساخته شده است. این به شما امکان می دهد وضوح تصویر دیوار اصلی را از XGA به SXGA+ افزایش دهید، روشنایی را بهبود بخشید و عمر مفید را به میزان قابل توجهی افزایش دهید - تا 100000 ساعت برای منابع نور LED و سایر اجزا.

پروژه های شرح داده شده نشان می دهد که هر مهندس طراحی یک سیستم باید اصل جهانی بودن را در اولویت قرار دهد - به ویژه با توجه به انقلاب آینده ارتباطات ماشین به ماشین.

مدیریت ترافیک مجموعه ای از اقدامات با هدف ایجاد الگوهای ترافیکی بهینه است.

فرهنگ لغت ساخت و ساز.

ببینید «مدیریت ترافیک» در فرهنگ‌های دیگر چیست:

مرکز کنترل ترافیک- یک مرکز عملیاتی که مدیریت یکپارچه جریان های حمل و نقل المپیک و هماهنگی کار صندوق حمل و نقل، خدمات حمل و نقل محلی و سازمان های مجری قانون را فراهم می کند. [بخش خدمات زبانی کمیته برگزاری... ... راهنمای مترجم فنی

انگلیسی منطقه تحت پوشش پلیس سلطنتی بوتان ... ویکی پدیا

TSUDD- مرکز کنترل ترافیک TSUDD کنترل ترافیک مرکزی منبع: http://www.logistic.ru/news/2008/4/4/17/108201.html …

دسکتاپ QNX 6 (نوترینو) توسط ... ویکی پدیا

- (DAAT) (تا سال 2003 کالج اتومبیل دونتسک) موسسه آموزش عالی خصوصی. ارائه آموزش در زمینه ها و تخصص های زیر: جهت "حمل و نقل خودرو". صلاحیت مهندس مکانیک... ... ویکی پدیا

این اصطلاح معانی دیگری دارد، به سیدنی (معانی) مراجعه کنید. شهر سیدنی سیدنی ... ویکی پدیا

آکادمی حمل و نقل اتومبیل دونتسک (DAAT) (تا سال 2003 کالج اتومبیل دونتسک) یک موسسه آموزش عالی خصوصی است. ارائه آموزش در زمینه ها و تخصص های زیر: جهت “حمل و نقل خودرو”... ... ویکی پدیا

- (با تلفظ ji de ef، حروف روسی. فایل های داده های جغرافیایی) یا فرمت GDF برای تبادل داده های جغرافیایی. برخلاف فرمت‌های رایج GIS، GDF قوانین دقیقی برای ثبت و ارائه داده‌ها و همچنین جامع... ... ویکی‌پدیا ارائه می‌کند.

استرالیا- (استرالیا) تاریخ استرالیا، نمادهای ایالتی استرالیا، فرهنگ استرالیا قوای مجریه و قانونگذاری استرالیا، آب و هوای استرالیا، منابع طبیعی و حیات وحش استرالیا، بزرگترین مراکز اقتصادی استرالیا... ... دایره المعارف سرمایه گذار

UDD- حمل و نقل کنترل ترافیک ... فرهنگ اختصارات و اختصارات