RU2528501C1 - Prediction of motion of traffic participants in megapolis by multifactor simulation of moving traffic - Google Patents
Prediction of motion of traffic participants in megapolis by multifactor simulation of moving traffic Download PDFInfo
- Publication number
- RU2528501C1 RU2528501C1 RU2013125884/11A RU2013125884A RU2528501C1 RU 2528501 C1 RU2528501 C1 RU 2528501C1 RU 2013125884/11 A RU2013125884/11 A RU 2013125884/11A RU 2013125884 A RU2013125884 A RU 2013125884A RU 2528501 C1 RU2528501 C1 RU 2528501C1
- Authority
- RU
- Russia
- Prior art keywords
- cells
- traffic
- movement
- cell
- transport
- Prior art date
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
Description
Изобретение относится к области управления и организации перемещений объектов движения, в частности к способам управления автотранспортными потоками с помощью средств моделирования, и может применяться для прогнозирования автотранспортных потоков при решении транспортных проблем в мегаполисе, в частности, с применением к Московской агломерации.The invention relates to the field of controlling and organizing the movement of objects of motion, in particular to methods of controlling motor flows using simulation tools, and can be used to predict motor flows when solving transport problems in a metropolis, in particular, with application to the Moscow metropolitan area.
В мегаполисах действуют десятки миллионов автомобилей различного типа с различными маршрутами, и картина движения развивается во времени, при этом наиболее интересным является то время, которое характеризуется как пробка. Для борьбы с ними затрачиваются финансовые средства и организуются разнообразные меры для улучшения движения. Поведение такой большой системы объектов является многопараметрической задачей. Отметим, что сегодня имеется значительный объем информации с видеокамер и других средств наблюдения. В чем сегодня необходимость и актуальность создания математической модели поведения транспортных потоков? Принятие управленческих решений (сотен в день) требует расчета их эффективности, сравнения в случае ограниченности ресурсов. Для примера приведем ряд из них: строительство виадуков, стоянок для авто, расширение и трансформация улиц и территорий, реагирование на аварии, организация ремонта дорог, борьба с нарушениями правил парковки, работа светофоров и многое другое. Очевидно, что не нужно требовать детального совпадения реальной транспортной обстановки с той, которая реализуется в модели. Модель должна в статистическом смысле отражать существующее положение дел и претендовать на достоверность сравнительных оценок при различных вариантах управленческих решений.In megacities, there are tens of millions of cars of various types with different routes, and the picture of movement develops over time, while the most interesting is the time, which is characterized as a traffic jam. To combat them, financial resources are spent and various measures are organized to improve movement. The behavior of such a large system of objects is a multi-parameter problem. Note that today there is a significant amount of information from cameras and other surveillance tools. What is the necessity and relevance of creating a mathematical model of the behavior of traffic flows today? Making management decisions (hundreds per day) requires calculating their effectiveness, comparing in case of limited resources. As an example, we will cite a number of them: building viaducts, parking for cars, expanding and transforming streets and territories, responding to accidents, organizing road repairs, combating parking violations, working traffic lights, and much more. Obviously, it is not necessary to require a detailed match of the real transport situation with that implemented in the model. The model should in a statistical sense reflect the current state of affairs and lay claim to the reliability of comparative assessments for various types of managerial decisions.
Математические модели, применяемые для анализа транспортных сетей, весьма разнообразны по решаемым задачам, математическому аппарату, используемым данным и степени детализации описания движения.The mathematical models used for the analysis of transport networks are very diverse in terms of the tasks being solved, the mathematical apparatus, the data used, and the degree of detail of the motion description.
Известна комплексная модель работы транспортной системы крупного города или городской агломерации, позволяющая моделировать передвижения на всех видах транспорта (Моделирование транспортных потоков в крупном городе с применением к Московской агломерации, А.С.Алиев /Институт системного анализа РАН, Москва/, А.И.Стрельников /ЦНИИП градостроительства РААСН/, В.И.Швецов, /Институт системного анализа РАН, Москва/, Ю.З.Шершевский /Гос. институт проектирования городов/, опубликовано в журнале Автоматика и Телемеханика 2005, №11, с.113-125), предназначенная для прогнозирования транспортных и пассажирских потоков. Существенными чертами модели являются: моделирование различия в структуре передвижений в разное время суток, а также в зависимости от дня недели и времени года; последовательное использование концепции обобщенной цены передвижения в качестве критерия оценки путей и межрайонных транспортных дальностей. Модель практически откалибрована для транспортной сети Московской агломерации, включающей г.Москву и пригороды, в которых сконцентрирована значительная часть населения Московской области. Компьютерная реализация осуществлена с использованием интегрированной среды разработчика в области моделирования транспортных потоков TRANSNET. Для прогноза структуры передвижений производится расчет целого набора матриц корреспонденции между расчетными районами города, соответствующих передвижениям разного типа (пешеходным, автомобильным и совершаемым в системе общественного транспорта), с разными целями и в разное время суток. Для учета суточной неравномерности расчеты производятся отдельно для каждого периода суток (например, для утреннего и вечернего часа пик и на средний дневной час). Для моделирования загрузки улично-дорожной сети используется концепция равновесного распределения потоков. Расчет загрузки системы общественного транспорта может производиться по модели оптимальных стратегий, явно использующей систему маршрутов, а также приближенно в сетевой форме (по оптимальным путям). В качестве критерия оценки путей при расчете загрузки и для оценки межрайонных транспортных дальностей при расчете корреспонденции используется обобщенная цена передвижения, которая включает в себя факторы разной природы, такие как время или цена (денежные затраты) передвижения.A comprehensive model of the transport system of a large city or city agglomeration is known, which allows simulating movements in all types of transport (Modeling of traffic flows in a large city with application to the Moscow agglomeration, A.S. Aliev / Institute for System Analysis of the Russian Academy of Sciences, Moscow /, A.I. Strelnikov / Central Research Institute of Urban Planning RAASN /, V.I.Shvetsov, / Institute for System Analysis, Russian Academy of Sciences, Moscow /, Yu.Z. Shershevsky / State Institute for Urban Design /, published in the journal Automation and Telemechanics 2005, No. 11, p. 113- 125), intended naya to predict transport and passenger flows. The salient features of the model are: modeling differences in the structure of movements at different times of the day, as well as depending on the day of the week and time of year; consistent use of the concept of the generalized price of movement as a criterion for assessing routes and inter-district transport distances. The model is practically calibrated for the transport network of the Moscow agglomeration, including Moscow and the suburbs, in which a significant part of the population of the Moscow region is concentrated. Computer implementation was carried out using the integrated developer environment in the field of modeling transport flows TRANSNET. To predict the structure of movements, a whole set of correspondence matrices is calculated between the settlement areas of the city, corresponding to different types of movements (pedestrian, automobile and made in the public transport system), with different goals and at different times of the day. To account for daily irregularities, calculations are made separately for each period of the day (for example, for morning and evening rush hours and for the average daytime). To simulate the load of a road network, the concept of equilibrium flow distribution is used. The calculation of the load of the public transport system can be carried out according to the optimal strategy model, explicitly using the route system, and also approximately in the network form (along the optimal paths). As a criterion for assessing the paths when calculating the load and for assessing inter-district transport distances when calculating correspondence, a generalized price of movement is used, which includes factors of a different nature, such as time or price (money costs) of movement.
Предъявляемые аналитическими моделями требования к условиям проведения экспериментов (равновесие потока и взаимно однозначная зависимость скорости и плотности) делают область их применения ограниченной.The requirements for experimental conditions presented by analytical models (flow equilibrium and a one-to-one dependence of velocity and density) make their scope limited.
Также известна группа изобретений по патенту RU 2406158 (опубликовано: 10.12.2010 Бюл. №34), относящаяся к системам и/или способам, которые облегчают вероятностное предсказание пункта(ов) назначения. Могут быть получены входные данные, которые могут относиться к пользователю, истории пользователя (например, исторические данные), к отдельным пользователям, топографии географической области (например, данные о свойствах местности), оптимальным маршрутам, распределению времени передвижения, текущему передвижению (например, местоположению, изменению местоположения, времени) и т.д. Предполагается, что входные данные могут быть получены из любого источника (например, компонент местоположения, компонент таймера, хранилище данных, Интернет). Предсказание может быть совершено с использованием одних или более априорных данных и/или одной или более вероятностей. Например, априорными данными могут быть априорные данные о персональных пунктах назначения и/или априорные данные о свойствах местности. Дополнительно, вероятности могут быть вероятностью оптимального движения и/или вероятностью времени передвижения. Следует принимать во внимание, что одни или более априорных данных, одна или более вероятностей или комбинация априорных данных и вероятностей могут использоваться, чтобы сформировать предсказанный(ные) пункт(ы) назначения. В соответствии с различными аспектами заявленной сущности изобретения компонент оценки пункта назначения может вероятностно предсказать пункт назначения для передвижения на основе априорных данных и/или вероятности(ей). Компонент оценки пункта назначения может применяться, чтобы выбрать и/или объединить априорные данные и/или вероятность(и), чтобы вывести предсказанные пункты назначения. Согласно примеру любая комбинация априорных данных и/или вероятностей может применяться компонентом оценки пункта назначения посредством использования правила Байеса. Способ, который способствует определению пункта назначения пользователя, содержит этапы, на которых формируют вероятностную координатную сетку, связанную с географическим местоположением, оценивают данные, связанные с передвижением, чтобы определить одно или более из априорных данных и вероятностей, и предсказывают один или более пунктов назначения, относящихся к передвижению, с помощью координатной сетки посредством вероятностного объединения одних или более априорных данных и вероятностей. Способ дополнительно содержит этапы, на которых: выбирают одно или более из априорных данных и вероятности, чтобы объединить вероятностным образом; предсказывают один или более пунктов назначения в ходе передвижения; предоставляют релевантную информацию, связанную с одним или более предсказанными пунктами назначения; формируют априорные данные на основе одного или более из набора предыдущих пунктов назначения пользователя и вероятности того, что ячейка является пунктом назначения на основе свойств местности в ячейке.Also known group of inventions for patent RU 2406158 (published: 12/10/2010 Bull. No. 34), related to systems and / or methods that facilitate the probabilistic prediction of destination (s). Input data can be obtained that can relate to the user, the user's history (e.g., historical data), to individual users, the topography of the geographic area (e.g., data on terrain properties), optimal routes, travel time distribution, current movement (e.g. location , change of location, time), etc. It is contemplated that input can be obtained from any source (e.g., location component, timer component, data store, Internet). A prediction may be made using one or more a priori data and / or one or more probabilities. For example, a priori data may be a priori data on personal destinations and / or a priori data on terrain properties. Additionally, the probabilities may be the probability of optimal movement and / or the probability of time of movement. It will be appreciated that one or more a priori data, one or more probabilities, or a combination of a priori data and probabilities may be used to form the predicted destination (s). In accordance with various aspects of the claimed subject matter, a destination assessment component may probabilistically predict a travel destination based on a priori data and / or probability (s). The destination estimate component may be used to select and / or combine prior data and / or probability (s) to derive predicted destinations. According to an example, any combination of a priori data and / or probabilities can be applied by the destination estimate component using the Bayesian rule. A method that facilitates determining a user's destination includes the steps of generating a probabilistic coordinate grid associated with a geographic location, evaluating movement-related data to determine one or more a priori data and probabilities, and predicting one or more destinations, related to movement, using a coordinate grid by probabilistic combination of one or more a priori data and probabilities. The method further comprises the steps of: selecting one or more of a priori data and probabilities to combine in a probabilistic manner; predicting one or more destinations during travel; provide relevant information associated with one or more predicted destinations; generate a priori data based on one or more of a set of previous user destinations and the likelihood that the cell is the destination based on the terrain properties in the cell.
Известный способ не может описать движение большого количества движущихся объектов (машин) в определенных транспортных магистралях, т.к. рассматривает построение маршрутов, в которых конечная точка может выбираться вероятностным образом, т.е учитывается только вероятностная конечная точка маршрута, при этом не учитываются транспортные потоки, смоделированные детальными объектами (машинами), которые движутся в зависимости от различных условий, и среди которых есть маршруты с фиксированной конечной точкой (автобусы).The known method cannot describe the movement of a large number of moving objects (machines) in certain transport highways, because considers the construction of routes in which the endpoint can be selected in a probabilistic way, that is, only the probabilistic endpoint of the route is taken into account, while traffic flows modeled by detailed objects (machines) that move depending on various conditions, and among which there are routes, are not taken into account fixed end point (buses).
Эффективным и информативным способом моделирования движения совокупности транспортных средств по магистрали являются клеточные автоматы. На основе подхода микромоделирования разработан ряд моделей, позволяющих отслеживать динамику как отдельно взятого автомобиля, так и потока в целом, и получать исходные данные для оценки времени передвижения, времени ожидания в пробке, средней скорости и т.д.An effective and informative way of modeling the movement of a set of vehicles along the highway is cellular automata. Based on the micromodeling approach, a number of models have been developed that allow you to track the dynamics of both a single vehicle and the flow as a whole, and obtain initial data for estimating travel time, waiting time in traffic, average speed, etc.
Известен способ прогнозирования перемещений объектов движения в мегаполисе, который наиболее близок предлагаемому изобретению, включающий многофакторное моделирование автотранспортных потоков на основе клеточных автоматов (Долгушин Д.Ю. Автореферат. Многофакторное моделирование автотранспортных потоков на основе клеточных автоматов. Государственное образовательное учреждение высшего профессионального образования "Сибирская государственная автомобильно-дорожная академия (СибАДИ)" 2011 г.). Способ включает построение имитационной модели многополосного движения разнородных потоков автотранспорта, основанной на стохастическом транспортном клеточном автомате. Данная модель позволяет представлять разнородный транспортный поток, образованный автомобилями различных типов (легковыми, грузовыми, автобусами) и обладает переменной разрешающей способностью, делающей возможным варьирование длины ячеек автомата. В модель введены дополнительные правила, позволяющие учитывать эксплуатационное состояние дороги и локальные скоростные ограничения, устанавливаемые знаками дорожного движения. Автомат представлен массивом ячеек. Длина и ширина автомата определяется по длине магистрали и числу полос. Длина ячейки характеризует разрешающую способность автомата и принимается равной определенному значению (значение ширины ячейки не оказывает влияния на обновление автомата и потому опущено). Т.к. время в модели дискретно и один шаг обновления соответствует 1 сек, то возможно моделирование движения машин со скоростью 20, 40, 60 км/ч и т.д. На массиве в произвольном порядке располагаются транспортные средства. Каждая ячейка массива представляет сегмент дорожного полотна. Число ячеек, необходимое для представления автомобиля, различается в зависимости от его типа. Обновление конфигурации автомата проводится последовательно, в два этапа: сначала определяется необходимость и возможность смены полосы для всех автомобилей; затем на каждой полосе проводится независимое обновление в соответствии с правилами для однополосной модели, при этом используется конфигурация, полученная на первом этапе. Оба этапа модифицированы и дополнены в соответствии с задачей учета состояния дороги и ограничений скорости. Представленная модель имитирует движение машин по линейному участку дороги, не связанному с другими магистралями. Для моделирования дорожного движения по сети дорог разработана модель улично-дорожной сетки (УДС). Дороги в ней связываются с помощью регулируемых и нерегулируемых перекрестков, а также узлов, позволяющих представлять нелинейные участки дороги (повороты и т.п.). В качестве основы модели пересечения магистралей применяется Т-образный перекресток - с каждой из четырех "сторон" к нему может примыкать до двух дорог (для каждого направления). Контроль потока транспорта на регулируемых перекрестках осуществляется с помощью светофоров. На нерегулируемых перекрестках или пересечениях с вышедшими из строя светофорами регулирование осуществляется на основе приоритетов первоочередного движения. Нередко на дорогах города встречаются нерегулируемые пересечения с пешеходными переходами. При этом часто такие пересечения имеют место на магистралях с высокой интенсивностью движения, снижая их пропускную способность. Моделирование таких случаев осуществляется с помощью соответствующей модели перехода, работа которого определяется вероятностью появления пешеходов и временем, необходимым для перехода. В случае появления пешехода участок блокируется в течение периода, имитируя ожидание водителей перехода дорожки пешеходами. Для проведения численных экспериментов была разработана программная реализация модели на языке С++. Благодаря объектно-ориентированному подходу основные сущности модели (автомобиль, дорожный сегмент, светофор и т.д.) представлены в виде набора атрибутов и методов, удобном для манипуляций. Собственно автомат реализован в виде массива массивов (англ. array of arrays). Способ позволяет: прогнозировать дорожные ситуации; осуществлять оценку задержек на участках УДС при заданных условиях; осуществлять оценку возможности и целесообразности внесения изменений в структуру УДС; осуществлять оценку влияния автотранспорта на экологическую ситуацию в пределах магистрали.There is a method for predicting the movement of objects of movement in a metropolis, which is closest to the present invention, which includes multifactor modeling of motor flows based on cellular automata (Dolgushin D.Yu. Abstract. Multivariate modeling of motor flows based on cellular automata. State educational institution of higher education "Siberian State Automobile and Highway Academy (SibADI) "2011). The method includes constructing a simulation model of the multi-lane movement of heterogeneous flows of vehicles, based on a stochastic transport cellular machine. This model allows you to represent a heterogeneous traffic flow formed by cars of various types (cars, trucks, buses) and has a variable resolution, making it possible to vary the length of the cells of the machine. Additional rules have been introduced into the model, allowing to take into account the operational condition of the road and local speed limits set by road signs. An automaton is represented by an array of cells. The length and width of the machine is determined by the length of the highway and the number of lanes. The cell length characterizes the resolution of the machine and is taken equal to a certain value (the value of the cell width does not affect the update of the machine and therefore is omitted). Because Since the time in the model is discrete and one update step corresponds to 1 second, it is possible to simulate the movement of cars at a speed of 20, 40, 60 km / h, etc. On the array in a random order are vehicles. Each cell in the array represents a segment of the roadway. The number of cells needed to represent a car varies depending on its type. Updating the configuration of the machine is carried out sequentially, in two stages: first, the need and the possibility of changing the lane for all cars are determined; then, on each lane, an independent update is carried out in accordance with the rules for a single-band model, using the configuration obtained in the first stage. Both stages are modified and supplemented in accordance with the task of taking into account the condition of the road and speed limits. The presented model simulates the movement of cars along a linear section of the road that is not connected with other highways. To simulate traffic on a network of roads, a model of street-road network (UDS) has been developed. Roads in it are connected with the help of regulated and unregulated intersections, as well as nodes that allow representing non-linear sections of the road (turns, etc.). A T-junction is used as the basis of the highway intersection model - up to two roads (for each direction) can adjoin it from each of the four “sides”. Traffic control at regulated intersections is carried out using traffic lights. At unregulated intersections or intersections with failed traffic lights, regulation is based on the priorities of the priority traffic. Often on the city roads there are unregulated intersections with pedestrian crossings. Moreover, such intersections often take place on high-traffic highways, reducing their throughput. Modeling of such cases is carried out using the appropriate crossing model, the operation of which is determined by the probability of pedestrians and the time required for crossing. In the case of a pedestrian, the site is blocked for a period, simulating the expectation of drivers crossing the track by pedestrians. To conduct numerical experiments, a software implementation of the model in C ++ was developed. Thanks to the object-oriented approach, the main entities of the model (car, road segment, traffic light, etc.) are presented in the form of a set of attributes and methods convenient for manipulation. Actually, the automaton is implemented as an array of arrays (English array of arrays). The method allows: to predict traffic situations; to evaluate delays in the sections of the UDS under the given conditions; assess the feasibility and feasibility of making changes to the structure of the MAC; assess the impact of vehicles on the environmental situation within the highway.
Недостатком известного способа является то, что для адекватного моделирования более сложных аспектов динамики транспортного потока необходимы дополнительные правила и корректировка предложенных.The disadvantage of this method is that for adequate modeling of more complex aspects of the dynamics of the traffic flow, additional rules and adjustment of the proposed ones are necessary.
Техническим результатом заявляемого изобретения является повышение достоверности и точности прогнозирования.The technical result of the claimed invention is to increase the reliability and accuracy of forecasting.
Указанный технический результат достигается за счет того, что в способ прогнозирования перемещений объектов движения в мегаполисе путем многофакторного моделирования перемещаемого транспортного потока, включающий структурную разбивку транспортного потока на различные типы объектов движения, к которым относятся грузовой автотранспорт, легковой автотранспорт и автобусы, построение привязанной к реальной геометрии города улично-дорожной сетки (УДС) с разбивкой ее на ячейки, параметры каждой из которых обеспечивают размещение в ней легкового транспортного средства, оценивают данные по перемещению объекта движения в другую ячейку, которые связаны с состоянием ячейки, типом объекта движения, правилами движения и реагирования на сигналы светофора, нерегулируемые перекрестки и пешеходные переходы с последующим заданием каждому объекту в рамках сетки маршрута и времени его начала с определенной ячейки в соответствии с начальным распределением объектов движения по ячейкам сетки, обновление конфигурации модели путем перемещения объектов по сетке, введен ряд отличительных признаков, а именно:The specified technical result is achieved due to the fact that in the method for predicting the movement of traffic objects in a megalopolis by multivariate modeling of a transported traffic stream, including structural breakdown of the traffic flow into various types of traffic objects, which include freight vehicles, passenger cars and buses, the construction tied to real the geometry of the city of a street-road grid (UDS) with a breakdown of it into cells, the parameters of each of which ensure the placement of le vehicle, evaluate data on the movement of the object of movement to another cell, which is associated with the state of the cell, the type of object of movement, the rules of movement and response to traffic signals, unregulated intersections and pedestrian crossings, with subsequent assignment to each object within the grid of the route and its start time from a certain cell in accordance with the initial distribution of objects of movement among the grid cells, updating the configuration of the model by moving objects on the grid, introduced a number of distinguishing s features, namely:
- для каждого транспортного средства определяют набор маршрутов с начальной и конечной точкой в течение суток, для чего- for each vehicle, a set of routes with a start and end point during the day is determined, for which
- при осуществлении структурной разбивки транспортного потока учитывают также такси, служебные автомобили различных организаций и не отнесенные к определенному типу прочие автотранспортные средства,- when carrying out a structural breakdown of the traffic flow, taxis, company cars of various organizations and other vehicles not classified as a specific type are also taken into account,
- кроме того грузовой автотранспорт подразделяют на внутренний и внешний транспорт, а легковой - на транспорт, въезжающий в мегаполис и личный легковой транспорт,- in addition, freight transport is divided into internal and external transport, and passenger - into transport, entering the metropolis and personal passenger transport,
- осуществляют классификацию ячеек, которые подразделяют на ячейки движения, в которых может находиться объект и объект планирует двигаться дальше в соответствии со своим маршрутом,- carry out the classification of cells, which are divided into motion cells, which may be an object and the object plans to move on in accordance with its route,
- ячейки парковки, которые заняты под парковку,- parking cells that are occupied by parking,
- ячейки светофоры, нахождение в которых запрещено,- Traffic light cells, the presence of which is prohibited,
- ячейки, где движение запрещено, и- cells where traffic is prohibited, and
- новые ячейки, которые создают путем управленческих решений,- new cells that are created through management decisions,
- при этом ячейки движения временно могут быть объявлены ячейками парковки,- in this case, traffic cells may be temporarily declared parking cells,
- далее создают базы данных по ячейкам с описанием их параметров,- then create a database of cells with a description of their parameters,
- в параметры включают номер ячейки, однозначно идентифицирующий ее на карте города, номер сопряженной ячейки, в которую может перейти объект движения, информацию о том занята или свободна ячейка и алгоритм перемещения, для ячеек светофоров включают информацию о том, сколько шагов по времени она закрыта и для каких ячеек, а для ячеек, пограничных с ячейками светофорами, включают информацию о закрытии или открытии светофора,- the parameters include the cell number that uniquely identifies it on the city map, the number of the conjugate cell into which the object of movement can go, information about whether the cell is busy or free, and the movement algorithm, for traffic light cells include information about how many time steps it is closed and for which cells, and for cells bordering the cells with traffic lights, include information about the closing or opening of the traffic light,
- оценку данных, связанных с передвижением осуществляют по параметрам ячеек,- assessment of data associated with movement is carried out according to the parameters of the cells,
- с помощью параметров определяют правила нахождения в ячейках объектов движения, формируя функцию распределения для каждого типа объекта движения в зависимости от времени суток, используя входные данные и вероятностные оценки на основе метода Монте-Карло,- using the parameters determine the rules for finding objects of movement in the cells, forming a distribution function for each type of movement object depending on the time of day, using input data and probabilistic estimates based on the Monte Carlo method,
- кроме этого учитывают возможность попадания объекта движения в аварию в соответствии с функцией распределения аварийных случаев, которую формируют с учетом годовой статистики и фактора погоды,- in addition, take into account the possibility of a traffic object in an accident in accordance with the emergency distribution function, which is formed taking into account annual statistics and the weather factor,
- причем маршрут объекта движения представляют в виде определенной последовательности номеров ячеек,- moreover, the route of the object of movement is represented in the form of a certain sequence of cell numbers,
- при этом в расчете за нулевую точку принимают время, когда движение имеет минимальное напряжение,- in this case, when calculating the zero point, take the time when the movement has a minimum voltage,
- выбор шага обновления по времени осуществляют, поделив размер ячейки на максимально разрешенную скорость в мегаполисе.- the choice of the update step in time is carried out by dividing the cell size by the maximum allowed speed in the metropolis.
Определение для каждого транспортного средства набора маршрутов с начальной и конечной точкой в течение суток позволяет отразить существующее положение дел и обеспечить достоверность сравнительных оценок при различных вариантах управленческих решений и выработки обоснованных стратегий развития.Determining for each vehicle a set of routes with a starting and ending point during the day allows reflecting the current state of affairs and ensuring the reliability of comparative assessments for various options for management decisions and developing sound development strategies.
Разбивка объектов движения на: маршрутные автобусы /троллейбусы, такси, служебные автомобили различных ведомств и организаций, грузовой внутренний транспорт, грузовой внешний транспорт, легковой транспорт, въезжающий в Москву, личный легковой транспорт, как правило, со спальных районов и прочие автотранспортные средства связана с тем, чтобы повысить достоверность описания их движения. Так, например, маршрутные автобусы /троллейбусы движутся по определенному маршруту и имеют определенные временные устои, которые пытаются выполнять. В периоды пробок по определенным маршрутам могут реализоваться отклонения, что и учитывает модель. Такси обычно группируются по районам, при этом функция распределения строится по данным парков и разыгрывается по методу Монте-Карло как по времени, так и по набору маршрутов. Служебные автомобили различных ведомств и организаций, как правило, имеют определенные места парковок и для ряда объектов можно установить функцию распределения, а для остальных применить на первых порах равномерную функцию по маршрутам и т.д.The breakdown of traffic objects into: shuttle buses / trolleybuses, taxis, company cars of various departments and organizations, freight inland transport, freight external transport, passenger transport entering Moscow, personal passenger transport, as a rule, from sleeping areas and other motor vehicles in order to increase the reliability of the description of their movement. So, for example, shuttle buses / trolleybuses move along a certain route and have certain temporary foundations that they are trying to fulfill. During periods of traffic jams, certain deviations may occur, which is what the model takes into account. Taxis are usually grouped by district, and the distribution function is built according to the parks and is played using the Monte Carlo method both in time and in a set of routes. Service vehicles of various departments and organizations, as a rule, have certain parking places and for some objects you can set the distribution function, and for the rest apply at first the uniform function along the routes, etc.
Формирование ячеек указанных типов необходимо для соответствия с детальным планом города. Так, например, ячейки, которые заняты под парковку отражают детализацию дворов и специально организованных парковок. Ячейки движения могут на какой-то отрезок времени быть объявлены ячейками парковки, в частности, если это конечная точка маршрута или происходит авария. Нахождение в ячейках светофорах запрещено, и правило прохода через эти ячейки определяется специальным алгоритмом. Ячейки, где движение запрещено, нужны для создания непрерывной картины города при видеоизображении, а также они являются возможным материалом для создания других ячеек. Новые ячейки, которые могут создаваться за счет новых управленческих решений, нужны, например, при формировании новой развязки.The formation of the cells of these types is necessary to comply with the detailed plan of the city. So, for example, the cells that are occupied by parking reflect the detail of the yards and specially organized parking lots. Traffic cells can be declared parking cells for a certain period of time, in particular if this is the end point of the route or an accident occurs. Traffic lights are not allowed in the cells, and the rule of passage through these cells is determined by a special algorithm. Cells where traffic is prohibited are needed to create a continuous picture of the city in the video image, and they are also possible material for creating other cells. New cells that can be created through new managerial decisions are needed, for example, when forming a new denouement.
Формирование начальной функции распределения автотранспорта трудоемкая задача, но для нее имеются все данные и возможности уточнений и изменений в процессе эксплуатации модели. В соответствии с общим алгоритмом большое количество объектов должно быть помещено в ячейки в соответствии с начальным распределением. Занимаются места на парковках, части ячеек движения и на въездах в город. Так как задача имеет временную зависимость, то предполагается за нулевую точку отсчета принять, скажем, 3 часа ночи и движением в это время пренебрежем, так как очевидно, что это не влияет на основные характеристики движения, которые и характеризуют транспортную систему.The formation of the initial function of the distribution of vehicles is a laborious task, but for it there is all the data and the possibility of refinements and changes during the operation of the model. In accordance with the general algorithm, a large number of objects should be placed in cells in accordance with the initial distribution. They take up parking lots, parts of traffic cells and at the entrances to the city. Since the task has a time dependence, it is assumed to take, say, 3 a.m. for the zero reference point and neglect the movement at this time, since it is obvious that this does not affect the basic characteristics of the movement that characterize the transport system.
На фиг. проиллюстрирован способ, который позволяет прогнозировать перемещения транспортных средств в потоке применительно к мегаполису и может служить примером конкретной реализации предлагаемого способа. Общая схема расчета транспортных средств подразумевает временной расчет движения объектов (авто) в рамках определенным образом выбранной сетки, ячейки которой имеют градацию и определенные свойства.In FIG. illustrated is a method that allows you to predict the movement of vehicles in the stream in relation to the metropolis and can serve as an example of a specific implementation of the proposed method. The general scheme for calculating vehicles implies a temporary calculation of the movement of objects (cars) within a certain way of the selected grid, the cells of which have gradation and certain properties.
Этап 1. Осуществляют структурную разбивку транспортного потока на различные подсистемы по типам маршрутов и правилам движения. Объекты движения делятся на: грузовой автотранспорт, легковой автотранспорт, автобусы, такси, служебные автомобили различных организаций и не отнесенные к определенному типу прочие автотранспортные средства. Кроме того, грузовой автотранспорт подразделяют на внутренний и внешний транспорт, а легковой - на транспорт, въезжающий в мегаполис и личный легковой транспорт.Stage 1. Carry out a structural breakdown of the traffic flow into various subsystems according to the types of routes and traffic rules. The objects of movement are divided into: freight vehicles, passenger cars, buses, taxis, company cars of various organizations and other motor vehicles that are not assigned to a specific type. In addition, freight transport is divided into internal and external transport, and passenger transport is divided into transport that enters a metropolis and personal passenger transport.
Этап 2. В соответствии с детальным планом города строят сетку, однозначным образом связанную с геометрией города.Stage 2. In accordance with the detailed plan of the city, a grid is constructed that is uniquely related to the geometry of the city.
Этап 3. Формируют ячейки следующих типов:Step 3. Form the cells of the following types:
- ячейки движения, т.е. ячейки, в которых может находиться объект и объект планирует двигаться дальше в соответствии со своим маршрутом. Объект точно знает, в какую следующую ячейку он хочет попасть и каковы правила попадания. Это приближение наиболее точно в условиях пробок;- motion cells, i.e. cells in which the object can be located and the object plans to move further in accordance with its route. The object knows exactly what next cell it wants to get into and what are the rules for getting into it. This approximation is most accurate in traffic conditions;
- ячейки парковки, т.е. те ячейки, которые заняты под парковку, особенно это относится к дворам и специально организованным парковкам. Ячейки движения могут на какой-то отрезок времени быть объявлены ячейками парковки, в частности, если это конечная точка маршрута или происходит авария. Ячейки движения создаются в рамках полосы движения и имеют в длину определенный размер, обеспечивающий размещение в нем легкового транспортного средства;- parking cells, i.e. those cells that are occupied for parking, especially for courtyards and specially organized parking lots. Traffic cells can be declared parking cells for a certain period of time, in particular if this is the end point of the route or an accident occurs. Traffic cells are created within the lane and have a certain length in length, which ensures the placement of a passenger vehicle in it;
- ячейки светофоры. Нахождение в этих ячейках запрещено и правило прохода через эти ячейки определяется специальным алгоритмом;- traffic light cells. The presence in these cells is prohibited and the rule of passage through these cells is determined by a special algorithm;
- ячейки, где движение запрещено. Эти ячейки нужны для создания непрерывной картины города при видеоизображении, а также они являются возможным материалом для создания ячеек первых трех типов;- cells where traffic is prohibited. These cells are needed to create a continuous picture of the city in the video image, and they are also possible material for creating the cells of the first three types;
- новые ячейки, которые могут создаваться за счет новых управленческих решений (скажем, новая развязка);- new cells that can be created through new managerial decisions (say, a new denouement);
- ячейки парковки имеют конкретную нумерацию и подразделяются на легковые и грузовые (автобусные).- parking cells have a specific numbering and are divided into cars and trucks (bus).
Этап 4. Создают базу данных с параметрами ячеек. Далее отметим параметры, которые имеет каждая ячейка:Step 4. Create a database with the parameters of the cells. Next, we note the parameters that each cell has:
- номер ячейки, который однозначно идентифицирует ее на карте города; - the cell number that uniquely identifies it on the city map;
- номер ячейки, в которую может перейти объект (сопряженная ячейка);- number of the cell into which the object can go (conjugate cell);
- заняты ячейки или нет (два параметра);- cells are busy or not (two parameters);
- для ячеек, пограничных с ячейками светофорами, хранится информация, закрыт светофор или нет. При переходе через светофор должно быть два условия: открыт светофор и свободна ячейка, куда переходит объект.- for cells bordering on cells with traffic lights, information is stored whether the traffic light is closed or not. When crossing the traffic light, there must be two conditions: the traffic light is open and the cell where the object goes is free.
В случае, если существует более одного претендента на переход в вакантную ячейку, действует алгоритм очередности.In the event that there is more than one applicant for the transition to a vacant cell, the priority algorithm is applied.
К примеру, ячейки парковки имеют следующие параметры:For example, parking cells have the following parameters:
- номер ячейки;- cell number;
- «свободна - занята»;- "free - busy";
- номер ячейки, куда может переходить объект при получении приказа на начало движения;- the cell number where the object can go when it receives an order to start moving;
-алгоритм перемещения, если в ячейку перехода есть претендент (как правило, номер ячейки конкурента и одноразовая уступка при наличии вакансии).-algorithm of movement, if there is an applicant in the transition cell (as a rule, a competitor's cell number and a one-time assignment in the presence of a vacancy).
Ячейки светофоры имеют:Traffic light cells have:
- информацию, сколько шагов по времени закрыто и для каких ячеек.- information on how many time steps are closed and for which cells.
Остальные ячейки имеют номера для создания геометрической картины или в случае новых пополняют имеющиеся выше подсистемы ячеек.The remaining cells are numbered to create a geometric picture or, in the case of new ones, replenish the existing subsystem of cells.
Этап 5. Формируют начальное распределение транспортного потока. За нулевую точку отсчета принимают три часа ночи. В соответствии со структурной разбивкой транспортного потока каждому объекту выбирают определенную ячейку сетки.Step 5. Form the initial distribution of the transport stream. For a zero reference point they take three in the morning. In accordance with the structural breakdown of the transport stream, a specific mesh cell is selected for each object.
Этап 6. Задают каждому объекту маршрут и время его начала с определенной ячейки сетки. Расчет имеет суточную продолжительность. В соответствии со структурной разбивкой транспортного потока на различные подсистемы по типам маршрутов и правилам движения в каждой подсистеме формируют функцию распределения, которая позволяет (иногда используя вероятностные зависимости) задать маршрут. Шаг расчета выбирается как деление размера ячейки на максимальную разрешенную скорость, при этом переход в следующую ячейку осуществляется по определенному алгоритму. В основе алгоритма находится анализ таких факторов как состояние ячейки, в которую планирует перейти объект, состояние светофорной ячейки, возможность попасть в аварию. Попадание в аварию объекта определяется в соответствии с функцией распределения аварийных случаев, которая учитывает годовую статистику с учетом факторов погоды. Таким образом, на каждом временном шаге известно количество аварий, которое должно произойти, и оно разыгрывается в соответствии с данными по плотности аварий в городе. При этом ячейки, в которых произошли аварии (как минимум два объекта), объявляются ячейками парковки на определенное время, а также близлежащие ячейки с ними по мере освобождения их на последующих шагах по времени. В этом случае, когда последующий объект натыкается на аварийную ячейку по своему маршруту, ему предоставляется право при наличии нескольких полос видоизменить маршрут для объезда, используя те же алгоритмы перехода в последующие ячейки.Step 6. Set a route for each object and its start time from a specific grid cell. The calculation has a daily duration. In accordance with the structural breakdown of the traffic flow into various subsystems according to route types and traffic rules, a distribution function is formed in each subsystem, which allows (sometimes using probability dependencies) to set a route. The calculation step is selected as dividing the cell size by the maximum allowed speed, while the transition to the next cell is carried out according to a certain algorithm. The algorithm is based on the analysis of factors such as the state of the cell into which the object is planning to go, the state of the traffic light cell, the possibility of an accident. An accident in an object is determined in accordance with the emergency distribution function, which takes into account annual statistics taking into account weather factors. Thus, at each time step, the number of accidents that should occur is known, and it is played out in accordance with the data on the density of accidents in the city. At the same time, the cells in which the accident occurred (at least two objects) are declared parking cells for a certain time, as well as nearby cells with them as they are freed up at subsequent time steps. In this case, when the subsequent object comes across an emergency cell along its route, it is given the right, if there are several lanes, to modify the route for a detour using the same algorithms for switching to subsequent cells.
Этап 7. Обновляют конфигурацию модели путем перемещения объектов по сетке.Step 7. Update the configuration of the model by moving objects on the grid.
Алгоритм перехода из одной ячейки в другую прост. На следующем временном шаге, если ячейка пуста, то объект может переместиться в нее, если нет претендентов на ее занятие другим объектом. Если этот претендент уже ждал один шаг, то он занимает эту ячейку и наш наблюдаемый объект вынужден перейти в эту ячейку только на следующем временном шаге. При всей этой процедуре необходимо учитывать также состояние светофорной ячейки, если она есть на пути перехода и запрещает переход в последующую ячейку в течение того времени, когда светофор закрыт.The transition from one cell to another is simple. At the next time step, if the cell is empty, then the object can move into it if there are no applicants for its occupation by another object. If this applicant has already been waiting for one step, then he occupies this cell and our observed object is forced to move to this cell only at the next time step. With this whole procedure, it is necessary to take into account the state of the traffic light if it is on the transition path and prohibits the transition to the next cell during the time when the traffic light is closed.
Таким образом, если наблюдать какой-либо объект из определенной подсистемы, его история жизни будет состоять из следующей последовательности. В какой-то момент времени в ячейку, где он находится, приходит приказ к началу движения в определенную точку, причем маршрут рассчитывается и представляет собой определенную последовательность номеров ячеек. По этому маршруту есть определенное количество светофорных ячеек, режим работы которых задан. В процессе пути ряд ячеек может быть занят из-за аварий или парковки другим объектом. В этом случае представляется объезд, т.е. эту ячейку или ряд ячеек заменяют на другие. Переход из одной ячейки в другую определяется алгоритмом, описанным выше. После прихода в конечную ячейку маршрута объект может стать на парковку до следующей команды (в ряде случаев возвращение обратно) и завершает свой жизненный цикл либо выходом из системы через шлюзы, либо возвращаясь на место парковки на ночь.Thus, if you observe an object from a certain subsystem, its life story will consist of the following sequence. At some point in time, the cell where it is located receives an order to start moving to a certain point, and the route is calculated and represents a certain sequence of cell numbers. On this route there is a certain number of traffic light cells, the operation mode of which is set. During the journey, a number of cells may be occupied due to accidents or parking by another object. In this case, a detour is presented, i.e. this cell or a number of cells is replaced by others. The transition from one cell to another is determined by the algorithm described above. After arriving in the final cell of the route, the object can become in the parking lot until the next command (in some cases, returning back) and completes its life cycle either by exiting the system through the gateways or returning to the parking place at night.
Таким образом, каждое транспортное средство в течение суток имеет набор маршрутов с начальной и конечной точкой. В течение расчета проводится около 10000 шагов по времени с огромным количеством авто. Предлагаемый способ на основе описанной выше модели может широко использоваться как при анализе конкретных решений, так и для выработки обоснованных стратегий развития.Thus, each vehicle during the day has a set of routes with a start and end point. During the calculation, about 10,000 time steps are taken with a huge number of cars. The proposed method based on the model described above can be widely used both in the analysis of specific solutions, and for the development of sound development strategies.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2013125884/11A RU2528501C1 (en) | 2013-06-04 | 2013-06-04 | Prediction of motion of traffic participants in megapolis by multifactor simulation of moving traffic |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2013125884/11A RU2528501C1 (en) | 2013-06-04 | 2013-06-04 | Prediction of motion of traffic participants in megapolis by multifactor simulation of moving traffic |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2528501C1 true RU2528501C1 (en) | 2014-09-20 |
Family
ID=51582960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2013125884/11A RU2528501C1 (en) | 2013-06-04 | 2013-06-04 | Prediction of motion of traffic participants in megapolis by multifactor simulation of moving traffic |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2528501C1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2767833C1 (en) * | 2019-03-28 | 2022-03-22 | Ниссан Мотор Ко., Лтд. | Behavior prediction method, behavior prediction equipment and vehicle control equipment |
| US11361663B2 (en) * | 2015-09-22 | 2022-06-14 | Ford Global Technologies, Llc | Formulating lane level routing plans |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1174843B1 (en) * | 1995-06-13 | 2005-11-09 | Matsushita Electric Industrial Co., Ltd. | Automotive navigation apparatus and recording medium storing program therefor |
| RU2406158C2 (en) * | 2005-09-29 | 2010-12-10 | Майкрософт Корпорейшн | Methods of predicting destinations from partial trajectories employing open- and closed-world modeling methods |
| RU2411587C2 (en) * | 2006-10-13 | 2011-02-10 | Аисин Ав Ко., Лтд. | Device to distribute information on transport traffic |
| DE102010041513A1 (en) * | 2010-09-28 | 2012-03-29 | Robert Bosch Gmbh | Method and device for determining at least one exit probability from a terrain area recognizable as open terrain in a digital map |
-
2013
- 2013-06-04 RU RU2013125884/11A patent/RU2528501C1/en active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1174843B1 (en) * | 1995-06-13 | 2005-11-09 | Matsushita Electric Industrial Co., Ltd. | Automotive navigation apparatus and recording medium storing program therefor |
| RU2406158C2 (en) * | 2005-09-29 | 2010-12-10 | Майкрософт Корпорейшн | Methods of predicting destinations from partial trajectories employing open- and closed-world modeling methods |
| RU2411587C2 (en) * | 2006-10-13 | 2011-02-10 | Аисин Ав Ко., Лтд. | Device to distribute information on transport traffic |
| DE102010041513A1 (en) * | 2010-09-28 | 2012-03-29 | Robert Bosch Gmbh | Method and device for determining at least one exit probability from a terrain area recognizable as open terrain in a digital map |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11361663B2 (en) * | 2015-09-22 | 2022-06-14 | Ford Global Technologies, Llc | Formulating lane level routing plans |
| RU2767833C1 (en) * | 2019-03-28 | 2022-03-22 | Ниссан Мотор Ко., Лтд. | Behavior prediction method, behavior prediction equipment and vehicle control equipment |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Modeling and optimization of multimodal urban networks with limited parking and dynamic pricing | |
| Lu et al. | A bi-criterion dynamic user equilibrium traffic assignment model and solution algorithm for evaluating dynamic road pricing strategies | |
| JP2016513805A (en) | Lane-level vehicle navigation for vehicle routing and traffic management | |
| Tsitsokas et al. | Modeling and optimization of dedicated bus lanes space allocation in large networks with dynamic congestion | |
| Barceló et al. | Parallelization of microscopic traffic simulation for ATT systems analysis | |
| Sadek et al. | A prototype case-based reasoning system for real-time freeway traffic routing | |
| Sykes | Traffic simulation with paramics | |
| Harris et al. | A mesoscopic simulation model for airport curbside management | |
| Al-Dabbagh et al. | The impact of road intersection topology on traffic congestion in urban cities | |
| Bagloee et al. | Transit priority lanes in the congested road networks | |
| Tang et al. | Modeling parking search on a network by using stochastic shortest paths with history dependence | |
| Mahut et al. | Traffic simulation with dynameq | |
| Tayan et al. | Analysis of a transportation system with correlated network intersections: A case study for a central urban city with high seasonal fluctuation trends | |
| RU2528501C1 (en) | Prediction of motion of traffic participants in megapolis by multifactor simulation of moving traffic | |
| Svistunova et al. | Improving the efficiency of traffic management in a metropolis based on computer simulation | |
| Polishchuk et al. | Analyzing operation efficiency of a city transportation system by the u-statistics methods. I. Interactive evaluation of continuous monitoring results | |
| Yang et al. | A hybrid methodology for freeway work-zone optimization with time constraints | |
| Mizuta | Evaluation of metropolitan traffic flow with agent-based traffic simulator and approximated vehicle behavior model near intersections | |
| Pop | Decision making in road traffic coordination methods: a travel time reduction perspective | |
| Torrisi et al. | The microsimulation modeling as a tool for transport policies assessment: an application to a real case study | |
| Valencia et al. | A micro simulation approach for a sustainable reduction traffic jam | |
| Naumova | Application of Mathematical Modeling methods for Operational Optimization of Urban traffic in an accident on a section of the Road network | |
| Karoń et al. | Problems of modelling of ITS services in transportation models | |
| ERRAMPALLI et al. | Evaluation of bus priority system with microscopic simulation model | |
| Filippov et al. | Optimization of Traffic Stream Using Simulation Tools |