Разработка метода адаптивного управления светофорным регулированием городских перекрёстков на основе навигационных данных транспортных средств

Введение. В условиях устойчивого роста автомобилизации и увеличения нагрузки на улично-дорожную сеть крупных городов возникает необходимость совершенствования методов управления регулируемыми перекрёстками. Традиционные системы светофорного регулирования, основанные на фиксированных программах либо данных локальных детекторов, обладают ограниченной адаптивностью и не всегда обеспечивают эффективное распределение пропускной способности при изменяющихся транспортных потоках. Целью настоящего исследования является разработка метода адаптивного управления светофорным регулированием городских перекрёстков на основе навигационных данных транспортных средств.
Материалы и методы. В работе использованы данные, поступающие от навигационных устройств транспортных средств, включая координаты, скорость и направление движения. Методология исследования основана на прогнозировании ожидаемого количества транспортных средств, подходящих к перекрёстку по каждому направлению, и оценке времени их прибытия. Управление параметрами светофорного цикла осуществляется в дискретных расчётных интервалах продолжительностью 15 мин с учётом временной неопределённости подхода транспортных средств. Для повышения устойчивости управления предложен механизм взвешивания, позволяющий корректно учитывать транспортные средства, прибывающие вблизи границ расчётных интервалов, а также остаточные очереди предыдущих периодов.
Результаты. Результаты исследования показывают, что применение разработанного метода обеспечивает более сбалансированное распределение продолжительности зелёных фаз пропорционально ожидаемой нагрузке направлений движения, что способствует повышению пропускной способности перекрёстков и снижению задержек транспортных средств. Предлагаемый подход ориентирован на использование в рамках государственных систем управления дорожным движением и не требует установки дополнительных детекторов или средств видеофиксации.
Обсуждение и заключение. Практическая ценность работы заключается в возможности внедрения метода при проектировании и модернизации светофорных объектов в крупных городах. Оригинальность исследования состоит в использовании прогнозно-ориентированного подхода к адаптивному управлению светофорами на основе навигационных данных, что расширяет возможности существующих систем управления дорожным движением.

1. Решетников Е.Б., Абрамова Л.С., Чернобаев Н.С., Ширин В.В. Анализ организации дорожного движения в центральной части города Харькова // Вестник ХНАДУ. 2005. Вып. 29. С. 116–122.

2. Vorobyev I., Zamytskih A.V., Golubchenko N.S., Vorobyeva T.V., Morozov D.Y. Ensuring the Accuracy of Digital Road Model Data to Increase Situational Awareness. 2021 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED), Moscow, Russian Federation, 2021, pp. 1-6, DOI:10.1109/TIRVED53476.2021.9639134

3. Саргсян А.Т. Ситуация дорожного движения в Ереване и пути модернизации с помощью автоматизированной системы управления дорожным движением // Вестник СибАДИ. 2024. 21 (3 (97)), 422–434. DOI:10.26518/2071-7296-2024-21-3-422-434

4. Аламир Х.С., Заргарян Е.В., Заргарян Ю.А. Интеллектуальная система контроля заторов на дорогах с использованием контролируемого алгоритма машинного обучения на базе адаптивного IOTN // Известия Южного федерального университета. Технические науки. 2023. № 2 (232). С. 175–186. DOI: 10.18522/2311-3103-2023-2-175-186

5. Romanowska A, Jamroz K. Comparison of Traffic Flow Models with Real Traffic Data Based on a Quantitative Assessment // Applied Sciences. 2021; 11(21): 9914. DOI: 10.3390/app11219914

6. Лозовая Е.А., Терешкина О.А., Власова О.И. МЕТОДИКА Расчета пропускной способности автомобилей на участке аксайского проспекта г. Ростова-на-дону // Фундаментальные научные исследования: теоретические и практические аспекты. 2017. С. 337–339.

7. J. Zhang, F. Wang, K. Wang, W. Lin, X. Xu and C. Chen, “Data-Driven Intelligent Transportation Systems: A Survey,” IEEE Transactions on Intelligent Transportation Systems, Vol. 12, No. 4, 2011, pp. 1624-1639. doi:10.1109/TITS.2011.2158001

8. Xing Z, Huang M, Peng D. Overview of machine learning-based traffic flow prediction. Digital Transportation and Safety. 2023. 2(3):164−175 DOI: 10.48130/DTS-2023-0013

9. Singh G, Al’Aref SJ, Van Assen M, et al. Machine learning in cardiac CT: Basic concepts and contemporary data // J Cardiovasc Comput Tomogr. 2018;12(3):192-201. doi:10.1016/j.jcct.2018.04.010

10. Ahsan M.M., Luna S.A., Siddique Z. Machine-Learning-Based Disease Diagnosis: A Comprehensive Review. Healthcare, 2022. 10(3), 541. DOI: 10.3390/healthcare10030541

11. Esteban Zimányi, Mahmoud Sakr, and Arthur Lesuisse. MobilityDB: A Mobility Database Based on PostgreSQL and PostGIS. ACM Trans. Database Syst. 2020. 45, 4, Article 19 (December 2020), 42 pages. DOI: 10.1145/3406534

12. Алибиева Ж., Мукажанов Н., Черикбаева Л., Еримбетова А., Байымбетов Д. Сравнение возможностей NOSQL колоночной базы данных // Вестник КазАТК. 2024. 131, 2 (фев. 2024), 350–358. DOI: 10.52167/1609-1817-2024-131-2-350-358

13. Цветков В.Я. Геоинформационный мониторинг // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2005. № 5. С.151–155.

14. Охотников А.Л. Геоинформационный мониторинг транспортных объектов // Наука и технологии железных дорог. 2017. 3(3). С. 35–47.

15. Саргсян А. Разработка инвестиционных способов дистанционного комбинированного управления движением в городе Ереване // Научные труды Национального университета архитектуры и строительства Армении. 2024. 89(2). 104–109. DOI: 10.54338/18294200-2024.2-12

16. Саргсян А. Изучение и анализ основных проблем транспорта в городе Ереване с целью улучшения // Научные труды Национального университета архитектуры и строительства Армении. 2024. 89(2). 94–103. DOI: 10.54338/18294200-2024.2-11

17. Yusuf J.A. Economic Evaluation of Smart Traffic Management Systems in Reducing Carbon Emissions // Journal of Economics, Business, and Commerce, 2024. 1(1), 30-35. DOI: 10.69739/jebc.v1i1.82

18. Горошко В.С., Шамлицкий Я.И. Применение адаптивных систем управления дорожным движением // Актуальные проблемы авиации и космонавтики. 2012. № 8. С. 243–244.

19. Данильчик Р.А. Влияние адаптивных систем на условия дорожного движения: сборник тезисов научной студенческой конференции «Неделя науки – 2015». БрГТУ, 2015. С. 15.

20. Ткачева Т.М., Цибалов К.А., Шишкин Д.О. Погрешности видеокамеры, спидометра и навигатора // Автомобиль. Дорога. Инфраструктура. 2019. № 1(19). С. 17.

21. Boyarshinov M.G., Vavilin A.S. Patterns of traffic congestion indicator at some intersections of the road network // Intellekt. Innovacii. Investicii. 2024. Vol. 1, pp. 95–115. DOI: 10.25198/2077-7175-2024-1-95