Оценка параметров транспортных потоков на перегруженных участках опорной дорожной сети курортного региона

Введение. В статье предложен подход к определению параметров транспортных потоков на перегруженных участках опорной дорожной сети курортного региона, ориентированный на оценку потерь времени и наземной транспортной доступности туристских и транспортных узлов. Рассмотрены два репрезентативных участка федеральных автомобильных дорог Краснодарского края: участок М-4 «Дон» с последовательным снижением числа полос движения и участок А-147 в границах п. Дагомыс с регулируемыми пересечениями.

Материалы и методы. Исходная база сформирована на основе проектов организации дорожного движения, данных стационарных детекторов транспорта, навигационных сервисов и натурных обследований методом «плавающего автомобиля». Для сопоставления применены расчетная функция Bureau of Public Roads, подход Highway Capacity Manual и имитационное транспортное моделирование.

Результаты. Показано, что сезонный туристический спрос и маятниковая миграция формируют выраженную неравномерность интенсивности движения. Максимальная месячная интенсивность на участке М-4 «Дон» в августе достигает 1,35 млн авт./мес., что на 256,2% выше февральских значений низкого туристического сезона. На участке А-147 интенсивность возрастает до 1,36 млн авт./мес., что на 43,7% превышает интенсивность, зафиксированную в феврале. В пиковые периоды скорость движения снижается до 8–11 км/ч, а протяженность очередей достигает 9,8 км на М-4 и 2,4 км на А-147. 

Обсуждение и заключение. Расчетные методы дают сглаженную оценку условий движения и занижают время проезда в режиме перегрузки. Имитационная модель воспроизводит накопление транспортных средств, распространение очередей и режимы stop-and-go, поэтому ее целесообразно использовать как основной инструмент анализа заторовых участков и выбора адресных мероприятий по повышению эффективности функционирования сети.

1. Mohammadian S., Zheng Z., Haque M.M., Bhaskar A. Continuum modeling of freeway traffic flows: State-of-the-art, challenges and future directions in the era of connected and automated vehicles // Communications in Transportation Research. 2023. Vol. 3. 100107. https://doi.org/10.1016/j.commtr.2023.100107

2. Wang Y., Wang L., Yu X., Guo J. Capacity Drop at Freeway Ramp Merges with Its Replication in Macroscopic and Microscopic Traffic Simulations: A Tutorial Report // Sustainability. 2023. Vol. 15, no. 3.2050. https://doi.org/10.3390/su15032050

3. Li J., Ma W. A survey on urban traffic control under mixed traffic environment with connected automated vehicles // Transportation Research Part C: Emerging Technologies. 2023. Vol. 154. 104258. https://doi.org/10.1016/j.trc.2023.104258

4. Helbing D. Traffic and related self-driven many-particle systems // Reviews of Modern Physics. 2001. Vol. 73. Pp. 1067–1141. https://doi.org/10.1103/RevModPhys.73.1067

5. Imran W., Tettamanti T., Varga B., Bifulco G.N., Pariota L. Macroscopic modeling of connected, autonomous and human-driven vehicles: A pragmatic perspective // Transportation Research Interdisciplinary Perspectives. 2024. Vol. 24. 101058. https://doi.org/10.1016/j.trip.2024.101058

6. Hącia E. The impact of tourist traffic on the functioning of Polish seaside health resorts // Transportation Research Procedia. 2016. Vol. 16. Pp. 110–121. https://doi.org/10.1016/j.trpro.2016.11.012

7. Curtale R., Morandi M., Cavagnaro E. Traffic Congestion in Rural Tourist Areas and Sustainable Mobility Solutions: A Stated Preference Approach // Journal of Sustainable Tourism. 2023. Vol. 31, no. 8. Pp. 1843–1864. https://doi.org/10.1080/09669582.2022.2108044

8. Cheng J., Wu L., Gao Y., Tian X. A multi-agent model of traffic simulation around urban scenic spots: From the perspective of tourist behaviors // Heliyon. 2023. Vol. 9. e20929. https://doi.org/10.1016/j.heliyon.2023.e20929

9. Connell J., Page S.J. Exploring the spatial patterns of car-based tourist travel in Loch Lomond and Trossachs National Park, Scotland // Tourism Management. 2008. Vol. 29, no. 3. Pp. 561–580. https://doi.org/10.1016/j.tourman.2007.06.005

10. Потапова И.А., Бояршинова И.Н., Исмагилов Т.Р. Методы моделирования транспортного потока // Фундаментальные исследования. 2016. № 10-1. С. 78–83.

11. Недяк А.В., Рудзейт О.Ю., Зайнетдинов А.Р. Классификация методов моделирования транспортных потоков // Вестник Евразийской науки. 2019. Т. 11, № 1. С. 14. https://doi.org/10.15862/25TVN119

12. Rowan D., Fountas G., Anastasopoulos P.Ch. A systematic review of machine learning-based microscopic traffic flow models and simulations // Communications in Transportation Research. 2025. Vol. 5. 100149. https://doi.org/10.1016/j.commtr.2025.100149

13. Sunderrajan A., Viswanathan V., Cai W., Knoll A. Traffic state estimation using floating car data // Procedia Computer Science. 2016. Vol. 80. Pp. 2336–2341. https://doi.org/10.1016/j.procs.2016.05.436

14. Blumthaler W., Bursa B., Mailer M. Influence of floating car data quality on congestion identification // European Journal of Transport and Infrastructure Research. 2020. Vol. 20, no. 4. Pp. 22–37. https://doi.org/10.18757/ejtir.2020.20.4.5287

15. García-Castro A., Monzón A. Using floating car data to analyse the effects of ITS measures and eco-driving // Sensors. 2014. Vol. 14. Pp. 21358–21374. https://doi.org/10.3390/s141121358

16. Zheng L., Ma H., Wang Z. Travel Time Estimation for Urban Arterials Based on the Multi-Source Data // Sustainability. 2024. Vol. 16. 7845. https://doi.org/10.3390/su16177845

17. Bai L., Wong W., Xu P., Liu Y., Chow A.H.F., Lam W.H.K. Fusion of multi-resolution data for estimating speed–density relationships // Transportation Research Part C. 2024. Vol. 165. 104742. https://doi.org/https://doi.org/10.1016/j.trc.2024.104742

18. Ipekyuz B., Sevinen P.K., Yaman H.T. Performance Evaluation of Fused Floating Car Data (FCD) and Bluetooth (BT) Data Speed Estimation on Urban Arterials // Arabian Journal for Science and Engineering. 2025. Vol. 50. Pp. 17091–17108. https://doi.org/10.1007/s13369-024-09844-x

19. Hale D.K., Ghiasi A., Khalighi F., Zhao D., Li X., James R.M. Vehicle Trajectory-Based Calibration Procedure for Microsimulation // Transportation Research Record. 2023. Vol. 2677, no. 1. Pp. 1764–1781. https://doi.org/10.1177/03611981221124597

20. Zhou A., Peeta S., Zhou H., Laval J., Wang Z., Cook A. Implications of Stop-and-Go Traffic on Training Learning-Based Car-Following Control // Transportation Research Part C: Emerging Technologies. 2024. Vol. 163. 104578. https://doi.org/10.1016/j.trc.2024.104578