Транспорт
Управление процессами перевозок
Соколянский В.В., кандидат медицинских наук, доцент Колесников А.М., соискатель Бусыгин А. С., соискатель (Московский государственный технический университет им. Н.Э. Баумана)
РАЗВИТИЕ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В ГОРОДСКОЙ ИНФРАСТРУКТУРЕ
Проведён анализ и представлена оценка интеллектуальных транспортах систем, применительно к концепции «умных городов». Особый акцент сделан на применение искусственных нейронных сетей в моделях транспортных систем.
Ключевые слова: искусственные нейронные сети, интеллектуальная транспортная система, адаптивный линейный элемент, улично-дорожные сети, транспортный поток, алгоритм Дейкстры, экофреймы.
THE DEVELOPMEN OF INTELLIGENT SYSTEMS IN URBAN INFRASTRUCTURE
Intellectual transport systems with respect to concept of "smart city" have been estimated and review has been carried out.
Keywords: artificial neural networks, intellectual transport systems, adaptive lineal unit, street and road networks, traffic stream, Dijkstra's algorithm, ecofalm.
Главный социально-экономический процесс - урбанизация стремительно меняет картину мира. В XXI веке мегаполисы по праву становится центрами экономического роста, полигоном для апробирования инновационных концепций.
Современная модель «умного города» (smart-city) наряду с оптимизацией использования электричества, воды, и тепла включает модернизацию транспортных сетей и эффективную организацию пространства. Неэффективная, некомпактная транспортная инфраструктура ведёт к огромному расходу разного роста ресурсов, что несовместимо со здоровой экологией.
В настоящее время интеллектуализация транспортных систем осуществляется по нескольким направлениям: интеллектуализация видов транспорта, интеллектуализация перевалочных узлов (стыковых) разных видов транспорта, организация городского транспортного сообщения. Это позволяет создать эффективную систему транспорта: уменьшить загруженность дорог за счёт интеллектуального регулирования трафика, создание дорожных информационных служб.
В качестве индикаторов эффективной системы транспорта обычно выделяют:
- средняя скорость транспортного потока в час-пик;
- среднее время ожидания общественного транспорта на остановках;
- доля транспортных средств, помеченных радиометками;
- доля патрульных машин ДПС, оснащённых пространственными сканерами;
- количество пространственных сканеров и антенн на 1 км;
- доля транспортных средств, работающих на возобновляемых источниках энергии.
По оценке [4], стратегические интересы субъектов транспортного рынка представляются в отношениях, представленных на рис. 1.
Транспортно-экономические связи
Операция перевозочного процесса
Взаимодействие элементов транспортной системы
■ Транспортное предприятие ■ грузовладелец ■ Экономика региона
Рис.1. Распределение стратегических интересов хозяйствующих субъектов в моделях производственно-транспортного планирования, проценты [4]
Развитие транспортных предприятий, в том числе при реализации модели «умных городов», следует рассматривать во взаимодействии уровней, определяемых временным фактором (оперативное, тактическое, стратегическое) и уровнями управления: транспортный узел, регион (субъект федерации или федеральный округ) и национальная транспортная сеть. Взаимодействие интересов и проблем развития уровней очевидны, но по степени энтропии знаний и эффективности управленческих решений по уровням существенно отличаются.
Рис. 2 иллюстрирует распределение эффективности принимаемых решений, находя из энтропии информации и знаний. Так, неполнота знаний, доля неопределённости при принятии решений связаны не только с отсутствием информации, но и с наличием конкуренции между предприятиями видов транспорта, неопределённость стратегических решений этих фирм на рынке транспортных услуг.
Рис.2. Эффективность управленческих и модельных решений в транспортных системах с учётом
неполноты информации и знаний [4]
Необходимо отметить, что самыми эффективными являются решения, принимаемые на оперативном уровне транспортного узла, а на стратегическом уровне- на сети.
По-мнению [4] соответствие моделей уровням формализации транспортной системы по территориальному признаку на местные, и в то же время местные проблемы развития транспортного узла могут иметь сетевое значение.
В результате, формальная модель исследования и оценки рынка может представляться набором множеств вида [4]:
<Ц,П,М>,
где Ц - целевой функционал исследования системы (проблемы), элемент из множества целевых функционалов Ц, Ц £ Ц,
П - подмножество параметров, используемое для представления концептуальной модели системы П, П £ П,
М - формальная модель- вариант реализации концептуальной модели с помощью аппарата математического моделирования, М £ М.
Фрагмент реализации множеств Ц, П для построения моделей исследования транспортных систем может быть представлены элементами, неполный перечень которых приведён ниже:
Ц - множество целевых функционалов: объём региональных перевозок; объём пассажирских перевозок; грузовые перевозки на международных направлениях; реализация сезонных перевозок; объём переработки и перемещения грузов в транспортных узлах; пропускная и перерабатывающая способность транспортного узла; пропускная способность сети; скорость перевозок; удовлетворённость качеством перевозки клиентов.
П - множество параметров: конфигурация транспортной сети; мощность пропускных и перерабатывающих способностей узлов и направлений; геостратегическое положение транспортного предприятия; положение региона в транспортной системе страны; обеспеченность в транспортных услугах и резервы развития; производственный и социальный потенциал транспортного узла; состояние производственной и ремонтной инфраструктуры; дорожная сеть (автомобильная); состояние автотранспортной инфраструктуры.
Модельный аппарат, т.е. множество М, представляется современным состоянием развития имитационного и математического программирования, теории вероятностей и математической статистики, численных методов, методов прогнозирования, корреляционного, регрессионного, факторного и кластерного анализов, теории оптимизации, теории графов, тории игр, дискретной комбинаторной оптимизации, динамического программирования, включая инструментария для структурного анализа, алгоритмизации и моделирования сложных систем управления, к котором относится транспортная система региона [4].
Говоря о качественном функционировании городского пассажирского транспорта, отметим, что это ведущий социально-экономический показатель жизнедеятельности города, зависящий и от эффективной организации работы отдельных транспортных маршрутов и транспортной сети в целом.
Такое явление, как интеллектуализация транспортного процесса, должна идти в двух направлениях:
Автоматизация самого процесса путём создания диспетчерских центров, баз данных, мониторинг транспортных ситуаций в режиме реального времени, создание информационных баз для пассажиров [1,2].
Создание моделей для прогноза и оценки [1,2] работы и отдельных маршрутов, и системы в целом.
Решению подобного класса задач способствует теория искусственных нейронных систем (ИНС), с учётом тропности этих систем к самообучению и прогнозированию [1,2].
Обычно при выборе типа сети разработчики сначала определяются с архитектурой, определяя количество слоёв ИНС.
При этом такая задача, как расчёт и прогноз распределения пассажирских корреспонден-ций делится на две части [1,2], что позволяет корректно применять двуслойную сеть с прямой передачей информации, в которой первый слой производил расчёт распределения, а второй - прогноз пассажирских корреспонденции.
Некоторые авторы предлагают Применение подобной сети искусственные нейрон типа адаптивный нелинейный элемент (АОАЪШЕ). Это чтобы определяется тем, что адалин является одним из простейших эффективных обучающихся нейронов [5], структурно состоящая из адаптивного линейного ассоциатора и активационной сигннум-функции.
Более того, лучшее по-мнению [5], использовать сеть, где в нулевом слое применяются операторы временной задержки 7-1, которые задерживают сигнал на один такт.
Рис. 3 даёт представление о сети с прямой передачи информации, состоящей из адалин 2П. Первый нейрон ^ данной сети отвечает за процесс распределения пассажиропотоков после чего выходная информация подаётся в виде цепи элементов чистого запаздывания на второй нейрон 23, который производи прогноз распределения пассажирских корреспонден-ций. Сумматоры 12, производят суммирование выходной информации и внешних обучающих сигналов и рассчитывают сигнал ошибки.
Рис. 3. ИНС для моделирования распределения и прогноза пассажирских корреспонденции
Следует отметить, что для сетей с прямой передачей информации в качестве алгоритма самообучения целесообразнее применять распространённый алгоритм Уидроу-Хоффа, обладающий достаточным быстродействием.
Практическим воплощением таких проектов, как «Интеллектуально-транспортная система» (ИТС) является подсистема моделирования движения транспортного потока на улич-но-дорожной сети (УДС) [6-10].
Так, авторы [6-10] её решения выделяют типовой элементарный участок УДС, включающий в себя перегон магистрали регулируемого движения и смежные с ним регулируемые пересечения (рис. 4). При этом базовой для городских условии является задача уточнения оценки параметров движения на таком элементарном участке в зависимости от состава
транспортного потока, интенсивности движения, числа полос и параметров светофорного регулирования на смежном пересечении с учётом сетевых управляющих воздействий.
При этом, УДС представлена как система, и ставится задача выбрать минимально необходимые элементы, из которых она может быть построена. Агрегатное построение модели сети позволяет рассматривать с единых позиций сети разных размеров и различных вариантов организации движения. При таком подходе достигается универсальность описания транспортного потока (ТП) в сети, так как УДС может быть разбита на стандартно описываемые элементы- участки дороги.
Такими элементами в ИТС выбраны линейные участки дороги-
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.