Обоснование выбора макроскопических моделей транспортного потока для мониторинга дорожного движения

Введение. Действующие в Российской Федерации методические рекомендации по выполнению мониторинга дорожного движения не содержат детальные рекомендации по использованию детекторов транспорта, хотя предусматривают их применение. Эффективному применению детекторов транспорта препятствует недостаток знаний о возможностях эмпирической оценки параметров макроскопических моделей транспортного потока. В статье рассматриваются методы определения моделей макроскопической фундаментальной диаграммы и значений ее параметров на основе данных, поступающих от стационарных радиолокационных детекторов.
Цель исследования. Автоматизация оценки уровня обслуживания транспортных потоков в режиме реального времени и разработка практических рекомендаций по обработке данных, поступающих от радиолокационных детекторов.
Объект исследования. Процесс мониторинга дорожного движения.
Предмет исследования. Модели макроскопической диаграммы и их параметры, определяемые на основе данных, поступающих от радиолокационных детекторов.
Методика исследования. Исследованы режимы непрерывного движения на автомобильных дорогах II технической категории – подходах к г. Иркутску. Мониторинг выполнялся с применением стационарных радиолокационных детекторов. Интенсивность движения и средняя временная скорость определялись с периодом агрегации 5 мин. Плотность транспортного потока оценивалась как отношение интенсивности к скорости.
Результаты. Экспериментально установлена необходимость применения макроскопических моделей первого и второго порядков при обработке данных, поступающих от детекторов, что является важнейшим результатом начального этапа исследований. Получены данные, характеризующие зависимости скорость-плотность и интенсивность-плотность для полос движения, размещенных на горизонтальных участках, для полос движения на спуск, полос движения на подъем. Сформулированы задачи дальнейших исследований по разработке методики обработки данных радиолокационных детекторов.

1. Зырянов В.В. Особенности применения основной диаграммы транспортного потока на сетевом уровне // Известия Волгоградского государственного технического университета. Серия: Наземные транспортные системы. Волгоградский государственный технический университет. 2013. С. 71–74. https://www.elibrary.ru/item.asp?id=20901102.

2. Zyryanov V.V. Simulation Network-Level Relationships of Traffic Flow. // IOP Conference Series: Materials Science and Engineering. 2019. DOI: 10.1088/1757-899X/698/6/066049

3. Цзянг Х. Оптимизация дорожного движения на основе макроскопической фундаментальной диаграммы в городской двухзональной системе // Вестник СибАДИ. 2022. Т.19, № 2(84). С. 246–257. DOI: 10.26518/2071-72962022-19-2-246-257

4. Михайлов А.Ю., Тараховский И.И. Оценка скорости транспортного потока в свободных условиях на основе данных, поступающих от стационарного радиолокационного детектора // Вестник гражданских инженеров. 2025. 5(112). С. 98–110. DOI: 10.23968/1999-5571-2025-22-5-98-110

5. Тараховский И.И., Михайлов А.Ю. Оценка параметров модели Андервуда с использованием данных радиолокационного детектора транспорта // Транспорт Урала. 2025. 4 (87). С. 79–84. DOI: 10.20291/1815-9400-2025-4-79-84

6. Cerner B. Three-Phase Traffic Theory and Highway Capacity // Physica A Statistical Mechanics and its Applications. 2004. 333 (1). рр. 379-440 DOI: 10.1016/j.physa.2003.10.017

7. Treiber М., Kesting А., Helbing D. Threephase traffic theory and two-phase models with a fundamental diagram in the light of empirical stylized facts // Transportation Research Part B: Methodological. 2010. 44(8-9). рр. 983-1000. DOI: 10.1016/j.trb.2010.03.004

8. Delle Monache M.L. Chi K.; Chen Y.; Goatin P.; Han K.; Qiu J.; Piccoli B. A Three-Phase Fundamental Diagram from Three-Dimensional Traffic Data // Axioms 2021, 10. 17. DOI: 10.3390/axioms10010017

9. Knoop V., Hoogendoorn S., Van Zuylen H. Empirical differences between time mean speed and space mean speed // Conference proceedings: Traffic and Granular Flow 07. 2007. pp. 351-356.

10. Han J., Polak J.W., Barria J., Krishnan R. On the estimation of space-mean-speed from inductive loop detector data // Transport. Plann. Tech. 2013. 3(1). pp. 91–104. DOI: 10.1080/03081060903429421.

11. Rakha H., Arafeh M. Calibrating steady-state traffic stream and car-following models using loop detector data // Transp. Sci. 2010. 44. рр.151–168.

12. Jovanovi B., Ševrovi M., Luburi G. Comparative Analysis of Deterministic Fundamental Diagrams Representative of Continuous and Interrupted Traffic Flow on Selected Regional Road in Croatia // Appl. Sci. 2024. 14. 533. DOI: 10.3390/app14020533

13. Bian Z. et all. Two-lane highways: guidance for estimating speed-flow relationships and free-flow speeds from field data // Advances in Transportation Studies. 2025. LXVI. pp. 241-264.

14. Daganzo C. F., Geroliminis N. An analytical approximation for the macroscopic fundamental diagram of urban traffic // Transportation Research Part B: Methodological. 2008. 42(9). pp. 771 – 781. DOI: 10.1016/j.trb.2008.06.008

15. Zhong R. et all. Automatic calibration of fundamental diagram for first‐order macroscopic freeway traffic models // Journal of Advanced Transportation 2015. 50(3). pp. 363-385.

16. Gaddam H.K., Rao K.R. Speed–density functional relationship for heterogeneous traffic data: a statistical and theoretical investigation // J. Mod. Transport. 2019. 27(1). pp. 61–74.

17. Bramich D.M., Menéndez M., Ambühl L. Fitting Empirical Fundamental Diagrams of Road Traffic: A Comprehensive Review and Comparison of Models Using an Extensive Data Set // IEEE Trans. Intell. Transp. Syst. 2022. 23., pp. 14104–14127.

18. Taylor N.B. Speed-density Equation Flow-density relationship // Transportation Research Procedia 2025. vol. 82. pp.3076–3095.

19. Liu Y. et all. A Flow-Speed Model for Motorways in England: Analysis Under Various Weather Conditions // Atmosphere. 2025. 16.117. 15 p. DOI: 10.3390/atmos16020117

20. Chen Y., Lu J. Research on traffic state prediction method based on traffic flow prediction under multi-time granularity // Scientific Reports. 2025. vol. 15. Article number: 24317. DOI: 10.1038/s41598-025-10267-9

21. Romanowska A., Jamroz K. Comparison of Traffic Flow Models with Real Traffic Data Based on a Quantitative Assessment. //Appl. Sci. 2021. 11. 9914. DOI: 10.3390/app11219914

22. Wang H., Li, J. Chen Q.-Y., Ni D. Logistic modeling of the equilibrium speed-density relationship. // Transportation Research. Part A. 2011, 45, pp. 554–566. DOI: 10.1016/j.tra.2011.03.010