МОДЕЛЮВАННЯ ДИНАМІКИ ТРАНСПОРТНИХ ПОТОКІВ НА ОСНОВІ ТЕОРІЇ МАСОВОГО ОБСЛУГОВУВАННЯ ДЛЯ ІНТЕГРАЦІЇ В ІНТЕЛЕКТУАЛЬНІ ТРАНСПОРТНІ СИСТЕМИ

Автор(и)

  • Мирончук Катерина В'ячеславівна Національний університет біоресурсів і природокористування України image/svg+xml
  • Вайганг Ганна Олександрівна

DOI:

https://doi.org/10.31548/itees.2024.02.047

Ключові слова:

моделювання транспортних потоків, теорія масового обслуговування, інтелектуальні транспортні системи, динаміка руху, оптимізація транспортних потоків, адаптивне управління, міська мобільність, математичне моделювання, транспортна інфраструктура, зниження заторів

Анотація

Стаття присвячена дослідженню моделювання динаміки транспортних потоків у міських умовах з використанням теорії масового обслуговування (ТМО). Метою дослідження є розробка методологічного підходу до формалізації динамічних процесів транспортних потоків, що дозволяє адаптувати їх до сучасних інтелектуальних транспортних систем (ІТС). Запропоновано математичні моделі, які враховують стохастичну природу транспортних потоків і ключові показники ефективності, такі як середній час очікування, довжина черг та пропускна здатність. Проведено симуляцію різних сценаріїв транспортної інфраструктури з інтеграцією моделей у інтелектуальні транспортні системи (ІТС). Результати досліджень підтверджують, що застосування ТМО в умовах нерівномірного розподілу транспортних потоків дозволяє суттєво зменшити затримки, оптимізувати маршрути та підвищити ефективність використання дорожньої інфраструктури. Отримані результати відкривають перспективи для подальшого вдосконалення міських транспортних систем шляхом інтеграції алгоритмів машинного навчання та аналізу великих даних, що дозволяє враховувати складну поведінку учасників дорожнього руху. Впровадження моделей ТМО в ІТС сприяє підвищенню ефективності транспортних мереж, забезпечуючи стійкий розвиток міської інфраструктури. Запропоновані підходи є універсальними та можуть бути застосовані для вирішення актуальних проблем мобільності в умовах сучасних міських агломерацій

Посилання

1. Gogilidze, E., & Gogilidze, N. (2023). Intelligent transport systems: Challenges and achievements. Georgian Scientists. https://doi.org/10.52340/gs.2023.05.04.34.

2. Adolphs, M., Feistner, S., & Jahnke, V. (2024). Queueing theory. In Springer Texts in Business and Economics. Springer. https://doi.org/10.1007/978-3-031-47206-0_4.

3. Ross, S. M. (2024). Introduction to probability models (13th ed.). Academic Press. https://doi.org/10.1016/B978-0-44-318761-2.00013-0.

4. Li, Y., Chen, W., Peeta, S., He, X., Zheng, T., & Feng, H. (2017). An extended microscopic traffic flow model based on the spring-mass system theory. Modern Physics Letters B, 31(09), 1750090. https://doi.org/10.1142/S0217984917500907.

5. Liao, J., Zheng, N., Cui, Z., & Shan, W. (2023). Aggregated modeling for multimodal traffic flow and dispatching control in urban road networks with ride-sharing services. Journal of Transportation Engineering, Part A: Systems, 149(8). https://doi.org/10.1061/JTEPBS.TEENG-7835.

6. Jiao, H. Y., Liang, F. C., & Rao, Y. (2015). The traffic flow model of intelligent transportation system. Applied Mechanics and Materials, 713-715, 2000–2003. https://doi.org/10.4028/www.scientific.net/AMM.713-715.2000.

7. Meng, M., Shao, C., Zeng, J., & Dong, C. (2014). A simulation-based dynamic traffic assignment model with combined modes. Promet – Traffic & Transportation, 26(1), 65–73. https://doi.org/10.7307/ptt.v26i1.1252.

8. Kachroo, P., & Ozbay, K. (2018). Traffic flow theory. In P. Kachroo & K. Ozbay (Eds.), Feedback control theory for dynamic traffic assignment (pp. 57–87). Springer. https://doi.org/10.1007/978-3-319-69231-9_3.

9. Moutari, S., & Robinson, S. (2013). An integrated framework for macroscopic traffic flow simulation in road networks. Modern Traffic and Transportation Engineering Research, 2(3), 133–140.

10. Hao, Y., & Li, W. (2020). Deep learning for intelligent transportation systems: A survey of emerging trends. IEEE Transactions on Intelligent Transportation Systems, 21(8), 3152–3168. https://doi.org/10.1109/TITS.2019.2929020.

11. Md Golam Rabiul Alam, et. all. (2021). Queueing theory based vehicular traffic management system through Jackson network model and optimization. In Proceedings of the 2021 IEEE International Conference on Intelligent Transportation Systems (ITSC). https://doi.org/10.1109/ACCESS.2021.3116503.

12. Hadidi, T., Naghawi, H., Jadaan, K. (2022) “Unconventional Intersection Designs for Improving Traffic Operation Along Arterial Roads”, Periodica Polytechnica Transportation Engineering, 50(1), pp. 58–68. https://doi.org/10.3311/PPtr.15732.

13. Veres, M., Moussa, M. (2020). Deep learning for intelligent transportation systems: A survey of Emerging Trends. IEEE Transactions on Intelligent Transportation Systems, 21(8), 3152–3168. https://doi.org/10.1109/TITS.2019.2929020.

14. Filom, S. & Razavi, S. (2024). Advancing Travel Time Prediction in Intelligent Transportation Systems Through Leaning-Based Uncertainty Quantification," 2024 IEEE International Conference on Smart Mobility (SM), 165-170. https://doi.org/10.1109/SM63044.2024.10733522

15. Koko, M. A., Burodo, M. S., & Suleiman, S. (2019). Queuing Theory and Its Application Analysis on Bus Services Using Single Server and Multiple Servers Model. American Journal of Operations Management and Information Systems, 3(4), 81-85. https://doi.org/10.11648/j.ajomis.20180304.12.

16. Chong, L., & Osorio, C. (2018). A simulation-based optimization algorithm for dynamic large-scale urban transportation problems. Transportation Science, 52(3), 637-656. https://doi.org/10.1287/trsc.2016.0717.

17. Vandaele, N., Van Woensel, T., & Verbruggen, A. (2000). A queueing based traffic flow model. Transportation Research Part D: Transport and Environment, 5(2), 121-135. https://doi.org/10.1016/S1361-9209(99)00028-0.

18. Rovetto, C., Cruz, E., Nuñez, I., Santana, K., Smolarz, A., Rangel, J. & Cano, E. (2023). Minimizing Intersection Waiting Time: Proposal of a Queue Network Model Using Kendall's Notation in Panama City. Applied Sciences, 13(18), 10030. https://doi.org/10.3390/app131810030.

19. Wang, P., & Zheng, L. (2022). A Queueing Model for Traffic Flow Control in the Road Intersection. Mathematics, 10(21), 3997. https://doi.org/10.3390/math10213997.

20. Tang, Y., Jiang, Y., Yang, H. & Nielsen, O.A. (2020). Modeling and optimizing a fare incentive strategy to manage queuing and crowding in mass transit systems. Transportation Research Part B: Methodological, Elsevier, vol. 138(C), 247-267. https://doi.org/10.1016/j.trb.2020.05.006.

Завантаження

Опубліковано

2025-01-25

Номер

№ 2 (2024)

Розділ

Усі статті з випуску

Ліцензія

Авторське право (c) 2025 Інформаційні технології в економіці та природокористуванні

Усі матеріали розповсюджуються згідно з умовами міжнародної публічної ліцензії Creative Commons Attribution 4.0 International Public License, що дозволяє іншим поширювати статтю з визнанням авторства та першої публікації в цьому журналі.