Розроблення методики прогнозування швидкості автомобіля в інтелектуальній магістральній транспортній системі

Автор(и)

  • Georgii Prokudin Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010, Україна https://orcid.org/0000-0001-9701-8511
  • Myroslav Oliskevych Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010, Україна https://orcid.org/0000-0001-6237-0785
  • Alexey Chupaylenko Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010, Україна https://orcid.org/0000-0002-2004-0355
  • Olexiy Dudnik Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010, Україна https://orcid.org/0000-0002-1980-7168

DOI:

https://doi.org/10.15587/1729-4061.2019.174255

Ключові слова:

транспортний потік, магістраль, клітковий автомат, ковзне вікно, відносна швидкість, інтелектуальна транспортна система

Анотація

Розглядається взаємодія транспортних засобів на автомобільній міжміській дорозі. Модель керування автомобілями є тут ідеалізованою, близькою до автоматизованої інтелектуальної транспортної системи 4-го покоління. Кожен автомобіль має бажану програму руху, незалежну від мотивів водія, яка обґрунтована за мінімальними витратами ресурсів і дотриманням бажаного розкладу. Різноманітність програм впливає на їх небажану зміну. Ставилась мета виявити залежність дійсної швидкості автомобіля від параметрів транспортного потоку. Основною задачею було виявити прямий параметр для зміни програми руху. Обґрунтовано використання імітаційних моделей на основі кліткових автоматів. Розроблено новий клітковий автомат, який є ковзним вікном з початком відліку, яким є автомобіль-спостерігач. Кількість об’єктів в полі поповнюється періодично і є сталою. Усі клітинки зліва і справа початку відліку автомата утворюють інформаційне поле, або загальну довжину автомата. Висота автомата залежить від виду магістралі, яка моделюється. Правила переміщення об’єктів в сітці автомата на кожній ітерації є скінченні, сталі й подібні до автомата Шрекенберга, за виключенням рандомізації, яка в цій моделі зводиться до мінімуму. Такий автомат відображає відносні швидкості автомобілів потоку відносно спостерігача, а також має можливість відтворювати прискорення. На кожній ітерації обчислюється зміна швидкостей автомобілів потоку. Алгоритм імітації запрограмовано на Делфі. Виконано приклад моделювання руху автомобіля на трасі міжнародного значення Е-471. На відрізку цієї траси довжиною 20 км, було змодельовано транспортні потоки з різною густиною і різним розподілом швидкостей. Виявлено квадратичні кореляційні залежності вимушеної зміни бажаної швидкості автомобіля-спостерігача від середньої зміни швидкостей автомобілів потоку. Ступінь узгодження теоретичної залежності з емпіричними даними є дуже високий. На основі отриманих залежностей було обґрунтовано вибір прямого діагностичного параметра транспортного потоку

Біографії авторів

Georgii Prokudin, Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010

Доктор технічних наук, професор

Кафедра «Міжнародні перевезення і митний контроль»

Myroslav Oliskevych, Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010

Кандидат технічних наук, доцент

Кафедра «Міжнародні перевезення і митний контроль»

Alexey Chupaylenko, Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010

Кандидат технічних наук, доцент

Кафедра «Міжнародні перевезення і митний контроль»

Olexiy Dudnik, Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010

Кандидат технічних наук, доцент

Кафедра «Міжнародні перевезення і митний контроль»

Посилання

  1. Hashchuk, P., Pelo, R. (2018). Optimal laws of gear shift in automotive transmissions. Econtechmod, 7 (2), 59–69.
  2. Danchuk, V., Bakulich, O., Svatko, V. (2017). An Improvement in ant Algorithm Method for Optimizing a Transport Route with Regard to Traffic Flow. Procedia Engineering, 187, 425–434. doi: https://doi.org/10.1016/j.proeng.2017.04.396
  3. Willemsen, D. et. al. (2018). Requirements Review from EU projects. D2.1 of H2020 project ENSEMBLE. Available at: https://platooningensemble.eu/storage/uploads/documents/2019/02/11/ENSEMBLE-Deliverable-2.1-StateOfTheArt_EUProjects_disclaimer.pdf
  4. Kulbashnaya, N., Soroka, K. (2016). Development of a model of a driver’s choice of speed considering the road conditions. Eastern-European Journal of Enterprise Technologies, 3 (2 (81)), 32–38. doi: https://doi.org/10.15587/1729-4061.2016.71489
  5. Kuzhel, V. P., Kashkanov, A. A., Kashkanov, V. A. (2010). Metodyka zmenshennia nevyznachenosti v zadachakh avtotekhnichnoi ekspertyzy DTP pry identyfikatsiyi dalnosti vydymosti dorozhnikh obiektiv v temnu poru doby. Vinnytsia: VNTU, 200.
  6. Volkov, V. P., Grytsuk, I. V., Grytsuk, Yu. V., Shurko, H. K., Volkov, Yu. V. (2017). The formation features of method of usage of classification of operation conditions of the vehicles in informational terms of ITS. Bulletin of NTU "KhPI". Series: Transport machine building, 14 (1236), 10–20.
  7. Hegyi, A. (2004). Model Predictive Control for Integrating Traffic Control Measures. TRAIL Thesis Series T2004/2. The Netherlands TRAIL Research School, 232.
  8. Semenov, V. V. (2004). Matematicheskoe modelirovanie dinamiki transportnyh potokov megapolisa. Мoscow, 44. Available at: http://spkurdyumov.ru/uploads/2013/08/Semenov.pdf
  9. Protsyshyn, О. (2014). Research of instantaneous velocity in traffic flow. Naukovi notatky, 45, 448–452.
  10. Ioannou, P. A., Chien, C. C. (1993). Autonomous intelligent cruise control. IEEE Transactions on Vehicular Technology, 42 (4), 657–672. doi: https://doi.org/10.1109/25.260745
  11. Englund, C., Estrada, J., Jaaskelainen, J., Misener, J., Satyavolu, S., Serna, F., Sundararajan, S. (2017). Enabling Technologies for Road Vehicle Automation. Lecture Notes in Mobility, 177–185. doi: https://doi.org/10.1007/978-3-319-60934-8_15
  12. Sakhno, V. P., Zharov, K. S. (2012). Do vyznachennia yizdovykh tsykliv ta pozdovzhnikh profiliv dorih. Avtoshliakhovyk Ukrainy, 1 (225), 7–11.
  13. Kovalenko, L. O. (2013). Analiz umov ta bezpeky rukhu na avtomobilnykh dorohakh z urakhuvanniam informatsiynykh pokaznykiv dorozhnoho seredovyshcha. Avtomobilni dorohy i dorozhne budivnytstvo, 88, 294–301.
  14. Karpinskyi, Yu. O., Liashchenko, A. A., Drozdivskyi, O. P. (2007). Heoinformatsiyne zabezpechennia navihatsiyi nazemnoho transportu. Nauka ta innovatsiyi, 3 (1), 43–57.
  15. Srour, F., Newton, D. (2006). Freight-Specific Data Derived from Intelligent Transportation Systems: Potential Uses in Planning Freight Improvement Projects. Transportation Research Record: Journal of the Transportation Research Board, 1957, 66–74. doi: https://doi.org/10.3141/1957-10
  16. Hallenbeck, M., McCormack, E., Nee, J., Wright, D. (2003). Freight Data from Intelligent Transportation System Devices. WA-RD 566.1. Washington State Department of Transportation, 117. Available at: https://www.wsdot.wa.gov/research/reports/fullreports/566.1.pdf
  17. Lashenyh, O., Turpak, S., Gritcay, S., Vasileva, L., Ostroglyad, E. (2016). Development of mathematical models for planning the duration of shunting operations. Eastern-European Journal of Enterprise Technologies, 5 (3 (83)), 40–46. doi: https://doi.org/10.15587/1729-4061.2016.80752
  18. Wu, N., Brilon, W. Cellular automata for highway traffic flow simulation. Traffic and Mobility. Available at: http://homepage.rub.de/ning.wu/pdf/ca_14isttt.pdf
  19. Clarridge, A., Salomaa, K. (2010). Analysis of a cellular automaton model for car traffic with a slow-to-stop rule. Theoretical Computer Science, 411 (38-39), 3507–3515. doi: https://doi.org/10.1016/j.tcs.2010.05.027
  20. Mozaffari, L., Mozaffari, A., Azad, N. L. (2015). Vehicle speed prediction via a sliding-window time series analysis and an evolutionary least learning machine: A case study on San Francisco urban roads. Engineering Science and Technology, an International Journal, 18 (2), 150–162. doi: https://doi.org/10.1016/j.jestch.2014.11.002
  21. Young, K., Regan, M. (2002). Intelligent speed adaptation: A review. Proceedings of the Australasian Road Safety Research Policing and Education Conference, 445–450. Available at: https://acrs.org.au/files/arsrpe/RS020049.PDF
  22. Bekmagambetov, M. M., Kochetkov, A. V. Analiz sovremennyh programmnyh sredstv transportnogo modelirovaniya. Zhurnal avtomobil'nyh inzhenerov, 6 (77), 25–34. Available at: http://www.aae-press.ru/f/77/25.pdf
  23. Zaharov, Yu. I., Karnauh, E. S. (2014). Osnovnye sovremennye instrumenty imitatsionnogo modelirovaniya transportnyh potokov. Visnyk PDABA, 1 (190), 46–51. Available at: http://visnyk.pgasa.dp.ua/article/download/39889/36019
  24. Ivanov, V. O. (2008). Rozpodilena systema imitatsiynoho modeliuvannia dorozhnoho rukhu. Visnyk NTUU «KPI». Informatyka, upravlinnia ta obchysliuvalna tekhnika, 48, 41–45.

##submission.downloads##

Опубліковано

2019-07-26

Як цитувати

Prokudin, G., Oliskevych, M., Chupaylenko, A., & Dudnik, O. (2019). Розроблення методики прогнозування швидкості автомобіля в інтелектуальній магістральній транспортній системі. Eastern-European Journal of Enterprise Technologies, 4(3 (100), 6–14. https://doi.org/10.15587/1729-4061.2019.174255

Номер

Розділ

Процеси управління