Оптимізація горизонту прогнозування швидкості транспортного засобу на міжміській магістралі

Автор(и)

  • Myroslav Oliskevych Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010, Україна https://orcid.org/0000-0001-6237-0785
  • Roman Pelo Національний університет «Львівська політехніка» вул. С. Бандери, 12, м. Львів, Україна, 79013, Україна https://orcid.org/0000-0002-9359-8931
  • Irina Prokudina Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010, Україна https://orcid.org/0000-0002-6395-8596
  • Valentin Silenko Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010, Україна https://orcid.org/0000-0002-1787-7592
  • Oleg Sorokivskyi Національний університет «Львівська політехніка» вул. С. Бандери, 12, м. Львів, Україна, 79013, Україна https://orcid.org/0000-0002-5685-1440
  • Olga Zaiats Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010, Україна https://orcid.org/0000-0002-6574-4516

DOI:

https://doi.org/10.15587/1729-4061.2020.204273

Ключові слова:

інтелектуальні транспортні системи, прогнозування швидкості, аналіз потоку даних, оптимальна програма руху, магістральні перевезення

Анотація

Досліджується рух автомобіля в магістральному транспортному потоці на міжміських маршрутах. Рух має бути енергоощадним, безпечним і уможливлювати дотримання бажаного розкладу. Розроблена методика аналізу вхідного потоку даних на основі імітаційної моделі. Запропонований алгоритм імітаційного моделювання базується на використанні доступних інформаційних ресурсів керування автомобілем. Керування рухом пов’язане з вибором швидкості при відомих дорожніх і транспортних обмеженнях. Представлений алгоритм дає змогу зважити доцільність використання кожної з можливостей збільшення швидкості, впродовж прогнозованого горизонту. Зміст алгоритму полягає в оптимальному перерозподілі ресурсів часу. Показниками якості контролю є абсолютні відхилення від оптимальної енергоощадної програми вільного руху і від запланованого розкладу руху. Виконано моделювання руху вантажного автопоїзда на міжміській магістралі Е-371. Виявлено, що загальний обсяг інформації зростає при збільшенні дистанції сканованого трафіку. Однак частка достовірної інформації при цьому зменшується. З’ясовано, що залежність показників якості контролю руху транспортного засобу від розміру горизонту прогнозування є кусково-неперервною. На кожній неперервній ділянці залежність має екстремальне значення горизонту, при якому відхилення від оптимальної програми є мінімальним. Отримані результати можна застосувати в сучасних інтелектуальних транспортних системах. Результати досліджень дають змогу розробляти і дотримуватись оптимальних довготермінових програм руху на магістральних дорогах. При цьому розв’язується проблема керування великими потоками даних. Користуючись розробленою методикою, великі об’єми інформації для прогнозування можна подавати частинами, з обґрунтованою періодичністю

Біографії авторів

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

Кандидат технічних наук, доцент

Кафедра «Міжнародні перевезення і митний контроль»

Roman Pelo, Національний університет «Львівська політехніка» вул. С. Бандери, 12, м. Львів, Україна, 79013

Кандидат технічних наук, старший викладач

Кафедра «Експлуатація та ремонт автомобільної техніки»

Irina Prokudina, Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010

Старший викладач

Кафедра «Інформаційно-аналітичної діяльності та інформаційної безпеки»

Valentin Silenko, Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010

Кандидат технічних наук, доцент

Кафедра «Міжнародні перевезення та митний контроль»

Oleg Sorokivskyi, Національний університет «Львівська політехніка» вул. С. Бандери, 12, м. Львів, Україна, 79013

Кандидат технічних наук, доцент

Кафедра «Експлуатація та ремонт автомобільної техніки»

Olga Zaiats, Національний транспортний університет вул. Михайла Омеляновича-Павленка, 1, м. Київ, Україна, 01010

Асистент

Кафедра «Менеджмент»

Посилання

  1. Lai, W.-K., Kuo, T.-H., Chen, C.-H. (2016). Vehicle Speed Estimation and Forecasting Methods Based on Cellular Floating Vehicle Data. Applied Sciences, 6 (2), 47. doi: https://doi.org/10.3390/app6020047
  2. Balid, W., Tafish, H., Refai, H. H. (2018). Intelligent Vehicle Counting and Classification Sensor for Real-Time Traffic Surveillance. IEEE Transactions on Intelligent Transportation Systems, 19 (6), 1784–1794. doi: https://doi.org/10.1109/tits.2017.2741507
  3. Qiu, T. Z., Lu, X.-Y., Chow, A. H. F., Shladover, S. E. (2010). Estimation of Freeway Traffic Density with Loop Detector and Probe Vehicle Data. Transportation Research Record: Journal of the Transportation Research Board, 2178 (1), 21–29. doi: https://doi.org/10.3141/2178-03
  4. Zhou, Y., Ravey, A., Péra, M.-C. (2019). A survey on driving prediction techniques for predictive energy management of plug-in hybrid electric vehicles. Journal of Power Sources, 412, 480–495. doi: https://doi.org/10.1016/j.jpowsour.2018.11.085
  5. Volkov, V., Gritsuk, I., Mateichyk, V., Gritsuk, Yu., Volkov, Yu. (2018). The features of determination of speed vehicle specifications in the operation conditions. Suchasni tekhnolohiyi v mashynobuduvanni ta transporti, 2, 38–43.
  6. He, Z. (2017). Research based on high-fidelity NGSIM vehicle trajectory datasets: A review. doi: http://doi.org/10.13140/RG.2.2.11429.60643/1
  7. Ye, F., Hao, P., Qi, X., Wu, G., Boriboonsomsin, K., Barth, M. J. (2019). Prediction-Based Eco-Approach and Departure at Signalized Intersections With Speed Forecasting on Preceding Vehicles. IEEE Transactions on Intelligent Transportation Systems, 20 (4), 1378–1389. doi: https://doi.org/10.1109/tits.2018.2856809
  8. Coifman, B., Li, L. (2017). A critical evaluation of the Next Generation Simulation (NGSIM) vehicle trajectory dataset. Transportation Research Part B: Methodological, 105, 362–377. doi: https://doi.org/10.1016/j.trb.2017.09.018
  9. Djuric, N., Radosavljevic, V., Coric, V., Vucetic, S. (2011). Travel Speed Forecasting by Means of Continuous Conditional Random Fields. Transportation Research Record: Journal of the Transportation Research Board, 2263 (1), 131–139. doi: https://doi.org/10.3141/2263-15
  10. Ma, Y., Chowdhury, M., Sadek, A., Jeihani, M. (2012). Integrated Traffic and Communication Performance Evaluation of an Intelligent Vehicle Infrastructure Integration (VII) System for Online Travel-Time Prediction. IEEE Transactions on Intelligent Transportation Systems, 13 (3), 1369–1382. doi: https://doi.org/10.1109/tits.2012.2198644
  11. Khan, S. M., Chowdhury, M., Morris, E. A., Deka, L. (2019). Synergizing Roadway Infrastructure Investment with Digital Infrastructure for Infrastructure-Based Connected Vehicle Applications: Review of Current Status and Future Directions. Journal of Infrastructure Systems, 25 (4), 03119001. doi: https://doi.org/10.1061/(asce)is.1943-555x.0000507
  12. Li, L., Qu, X., Zhang, J., Wang, Y., Ran, B. (2019). Traffic speed prediction for intelligent transportation system based on a deep feature fusion model. Journal of Intelligent Transportation Systems, 23 (6), 605–616. doi: https://doi.org/10.1080/15472450.2019.1583965
  13. Roncoli, C., Bekiaris-Liberis, N., Papageorgiou, M. (2016). Use of Speed Measurements for Highway Traffic State Estimation: Case Studies on NGSIM Data and Highway A20, Netherlands. Transportation Research Record: Journal of the Transportation Research Board, 2559 (1), 90–100. doi: https://doi.org/10.3141/2559-11
  14. Liu, Z., Tan, H., Kuang, X., Hao, H., Zhao, F. (2019). The Negative Impact of Vehicular Intelligence on Energy Consumption. Journal of Advanced Transportation, 2019, 1–11. doi: https://doi.org/10.1155/2019/1521928
  15. Zhu, L., Holden, J., Wood, E., Gender, J. (2017). Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data. 2017 IEEE Intelligent Vehicles Symposium (IV). doi: https://doi.org/10.1109/ivs.2017.7995882
  16. Mokin, B. I. (2007). Matematychni modeli rukhu transportnykh zasobiv, optymalni za kryteriem minimumu vytrat enerhiyi, z urakhuvanniam reliefu. Informatsiyni tekhnolohiyi ta kompiuterna inzheneriia, 3, 28–33.
  17. Barik, B., Krishna Bhat, P., Oncken, J., Chen, B., Orlando, J., Robinette, D. (2018). Optimal velocity prediction for fuel economy improvement of connected vehicles. IET Intelligent Transport Systems, 12 (10), 1329–1335. doi: https://doi.org/10.1049/iet-its.2018.5110
  18. Stotsko, Z., Oliskevych, M. (2017). Vehicle driving cycle optimisation on the highway. Transport Problems, 11 (2), 123–131. doi: https://doi.org/10.20858/tp.2016.11.2.12
  19. Dey, K. C., Yan, L., Wang, X., Wang, Y., Shen, H., Chowdhury, M. et. al. (2016). A Review of Communication, Driver Characteristics, and Controls Aspects of Cooperative Adaptive Cruise Control (CACC). IEEE Transactions on Intelligent Transportation Systems, 17 (2), 491–509. doi: https://doi.org/10.1109/tits.2015.2483063
  20. Balid, W., Tafish, H., Refai, H. H. (2018). Intelligent Vehicle Counting and Classification Sensor for Real-Time Traffic Surveillance. IEEE Transactions on Intelligent Transportation Systems, 19 (6), 1784–1794. doi: https://doi.org/10.1109/tits.2017.2741507
  21. Prokudin, G., Chupaylenko, O., Dudnik, O., Dudnik, A., Omarov, D. (2016). Improvement of the methods for determining optimal characteristics of transportation networks. Eastern-European Journal of Enterprise Technologies, 6 (3 (84)), 54–61. doi: https://doi.org/10.15587/1729-4061.2016.85211
  22. Hofmockel, J., Masino, J., Thumm, J., Sax, E., Gauterin, F. (2018). Multiple vehicle fusion for a robust road condition estimation based on vehicle sensors and data mining. Cogent Engineering, 5 (1). doi: https://doi.org/10.1080/23311916.2018.1449428
  23. Do, L. N. N., Vu, H. L., Vo, B. Q., Liu, Z., Phung, D. (2019). An effective spatial-temporal attention based neural network for traffic flow prediction. Transportation Research Part C: Emerging Technologies, 108, 12–28. doi: https://doi.org/10.1016/j.trc.2019.09.008
  24. Sumit, S. H., Akhter, S. (2018). C-means clustering and deep-neuro-fuzzy classification for road weight measurement in traffic management system. Soft Computing, 23 (12), 4329–4340. doi: https://doi.org/10.1007/s00500-018-3086-0
  25. Zhang, F., Xi, J., Langari, R. (2017). Real-Time Energy Management Strategy Based on Velocity Forecasts Using V2V and V2I Communications. IEEE Transactions on Intelligent Transportation Systems, 18 (2), 416–430. doi: https://doi.org/10.1109/tits.2016.2580318
  26. Fotouhi, A., Montazeri, M., Jannatipour, M. (2011). Vehicle's velocity time series prediction using neural network. International Journal of Automotive Engineering, 1 (1), 21–28.
  27. Filippov, V. V., Smirnova, N. V., Leontiev, D. M. (2015). Obgruntuvannia zalezhnosti vytraty palnoho vid dorozhnikh umov. Avtoshliakhovyk Ukrainy, 1-2, 46–49.
  28. Chao, Q., Bi, H., Li, W., Mao, T., Wang, Z., Lin, M. C., Deng, Z. (2019). A Survey on Visual Traffic Simulation: Models, Evaluations, and Applications in Autonomous Driving. Computer Graphics Forum, 39 (1), 287–308. doi: https://doi.org/10.1111/cgf.13803
  29. Johnson, A. P., Chakraborty, R. S., Mukhopadyay, D. (2017). An Improved DCM-Based Tunable True Random Number Generator for Xilinx FPGA. IEEE Transactions on Circuits and Systems II: Express Briefs, 64 (4), 452–456. doi: https://doi.org/10.1109/tcsii.2016.2566262
  30. Delorme, M., Iori, M., Martello, S. (2016). Bin packing and cutting stock problems: Mathematical models and exact algorithms. European Journal of Operational Research, 255 (1), 1–20. doi: https://doi.org/10.1016/j.ejor.2016.04.030
  31. Prokudin, G., Chupaylenko, О., Dudnik, O., Prokudin, O., Dudnik, A., Svatko, V. (2018). Application of information technologies for the optimization of itinerary when delivering cargo by automobile transport. Eastern-European Journal of Enterprise Technologies, 2 (3 (92)), 51–59. doi: https://doi.org/10.15587/1729-4061.2018.128907

##submission.downloads##

Опубліковано

2020-06-30

Як цитувати

Oliskevych, M., Pelo, R., Prokudina, I., Silenko, V., Sorokivskyi, O., & Zaiats, O. (2020). Оптимізація горизонту прогнозування швидкості транспортного засобу на міжміській магістралі. Eastern-European Journal of Enterprise Technologies, 3(3 (105), 57–68. https://doi.org/10.15587/1729-4061.2020.204273

Номер

Том 3 № 3 (105) (2020): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2020 Myroslav Oliskevych, Roman Pelo, Irina Prokudina, Valentin Silenko, Oleg Sorokivskyi, Olga Zaiats

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.