🔍 Поиск работ

УРАВНЕНИЕ ДОРОЖНОГО ДВИЖЕНИЯ

Работа №206359

Тип работы

Дипломные работы, ВКР

Предмет

физика

Объем работы38
Год сдачи2020
Стоимость4385 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
15
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 4
1. КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ ТРАНСПОРТНЫХ ПОТОКОВ 6
1.1. Постановка задачи управления транспортным потоком города 6
1.2. Основные подходы к разработке моделей транспортных потоков .... 8
1.3. Выводы по первой главе 13
2. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ТРАНСПОРТНЫХ ПОТОКОВ ГОРОДА 15
2.1. Компьютерная модель узла светофорного регулирования транспортным потоком 15
2.2. Особенности прохождения транспортным потоком регулируемого
перекрёстка 20
2.3. Классификация узлов регулируемой транспортной сети города 24
2.4. Выводы по второй главе 31
ЗАКЛЮЧЕНИЕ 33
БИБЛИОГРАФИЧЕСКИЙ СПИСОК

В настоящее время во многих городах мира наблюдается значительный рост количества транспортных средств, что приводит к обострению проблем и противоречий в дорожно-транспортной системе. Особенно это касается за-торов на дорогах, так как наличие заторов приводит к ряду негативных последствий: увеличению времени в пути, дополнительному расходу топлива и износу транспортных средств, стрессу и раздражению водителей и пассажиров, отравлению окружающей среды и др.
Для решения проблемы заторов необходимо иметь надежную систему сбора информации о ситуации на дорогах и хорошо развитый метод анализа собранной информации. В настоящее время, как правило, сбор необходимой информации осуществляется с помощью мультисенсорных видеокамер, стационарно установленных как на узлах регулируемой транспортной сети, так и в проблемных её местах. Отличительной особенностью работы видеокамер является также и регистрация пешеходов, переходящих дорогу на перекрестке, что позволяет включить в последующий анализ пешеходный поток как возмущающий фактор транспортного движения.
Но основными проблемами создаваемых ныне автоматизированных систем управления транспортными потоками в сетях произвольного масштаба, является обеспечение безопасности дорожного движения, а также - повышение пропускной способности регулируемой транспортной сети.
Объект данного исследования - транспортная регулируемая светофорная сеть города Челябинска.
Предмет - повышение пропускной способности регулируемых узлов транспортной сети.
Цель работы - на базе анализа видеозаписей с дорожных камер, получить уравнение дорожного движения, наиболее адекватно отражающее ситуацию в транспортной сети.
Для достижения указанной цели необходимо решить следующие задачи:
- проявить задачи управления транспортным потоком города;
- рассмотреть основные подходы к разработке моделей транспортных потоков;
- на основе статистического анализа, выявить основные тенденции в регулируемом транспортном движении города;
- получить уравнение дорожного движения как одну из моделей, адекватно отражающую ситуацию в транспортной сети.
В качестве первоисточников использованы труды как Российских научных школ (Свиридюк Г.А.), так и многих зарубежных авторских направлений, касающихся исследований различных аспектов управления транспортной сети. В творческом коллективе с ведущими специалистами автотранспортного факультета ЮУрГУ (Шепелев В.Д., Алюков В.С.), автором данной работы опубликована одна статья, входящая в систему цитирования Scopus, и ещё одна статья находится на рассмотрении в международном научном журнале.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В данной работе рассматривается проблема управления транспортными потоками с привлечением современных средств контроля - видеорегистраторов и видеокамер, работающих в онлайн-режиме. Современный подход в данном направлении характеризуется следующим - это организация безопасности городской сети дорожного движения и его оптимизация посредством управления объектами светофорного регулирования.
В первой главе рассматривается ряд различных современных подходов к моделированию и исследованию транспортных потоков:
а) решение вопроса разрешимости проблем затора в транспортной сети;
б) организация автоматизированных систем управления транспортными потоками с применением видеокамер в онлайн-режиме;
в) методы, предполагающие статистическую обработку информации о транспортных потоках.
Для этого были проработаны тематические первоисточники как Российских научных школ, так и зарубежных авторских направлений. Также проявлена общая схема системы управления транспортными потоками, являющаяся методологической основой для дальнейших исследований (рисунок 1.1).
Во второй главе рассмотрены частные подходы к наполнению «Блока автономных исследований» этой схемы в части аналитики и управления.
Во-первых, предложена методика получения уравнения дорожного движения на примере исходных данных с 25 перекрёстков транспортной сети города Челябинска. Эта математическая модель, как уравнение дорожного движения, получена в виде линейного уравнения регрессии, связывающего 20 фиксируемых с видеокамер параметров анализируемых перекрёстков. Далее, в целях практического применения такой модели, она была упрощена до рабочего состояния без потери допустимого качества - оставлены только во-семь наиболее важных геометрических параметров перекрёстка, а также потоки пешеходов. Данная модель в таком статическом виде предполагает её последующее применение в более динамичных исследованиях, как например, имитационном моделировании динамики транспортных потоков на регулируемом перекрёстке.
Также освещены исследования по характеру прохождения транспортными средствами различных перекрёстков. Откуда следует, что время прохождения перекрёстка транспортными средствами категорий М1и М2 статистически достоверно снижается до 58% при наличии очереди. Этот факт следует учесть при организации автоматизированной системы управления регулируемым движением как на данном перекрёстке, так и в пределах транспортной сети большего масштаба.
В завершении, проведена классификация перекрёстков по схожести их прохождения транспортными средствами. Выявление однородных групп перекрёстков в транспортной сети города Челябинска позволяет выработать минимальный набор типовых методов организации и управления светофорной транспортной сетью города - на основе подобия транспортных пересечений дорог.
Рассмотренные методики и примеры конкретных результатов исследований позволят повысить качество разрабатываемых алгоритмов управления транспортной сетью любого масштаба за счёт получения более адекватных математических моделей.



1. Бююль, Ахим. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей : [пер. с нем.] / Ахим Бююль, Петер Цёфель; под ред. В.Е. Момота. - М.: DiaSoft, 2005. - 608 c.: ил.
2. Введение в математическое моделирование транспортных потоков: учеб. пособие / А.В. Гасников, С.Л. Кленов, Е.А. Нурминский и др.; под ред. А.В. Гасникова. - М.: МФТИ, 2010. - 362 с.
3. Загребина, С.А. Начально-конечные задачи для неклассических моде-лей математической физики / С.А. Загребина // Вестник ЮУрГУ. Серия: Математическое моделирование и программирование. - Челябинск, 2013. - Т.2, № 6. - С. 5-24.
4. Каталевский, Д.Ю. Основы имитационного моделирования и системного анализа в управлении: учебное пособие / Д.Ю. Каталевский. - М.: Издательский дом «Дело» РАНХиГС, 2015. - 496 с., ил.
5. Кобелев, Н.Б. Теория глобальных систем и их имитационное управление: Монография / Н.Б. Кобелев. - М.: ИНФРА-М, 2014. - 278 с.: ил.
6. Конкина, А.С. Аналитическое и численное исследование гидродинамических моделей с многоточечным начально-конечным условием: диссертация на соискание учёной степени кандидата физико-математических наук / А.С. Конкина. - Челябинск, 2019. - 118 с.
7. Методические рекомендации по разработке и реализации мероприятий по организации дорожного движения. Организация дорожного движения на регулируемых перекрёстках. - М.: Мин-во транспорта, 2017. - 91 с.
8. Методические рекомендации по разработке и реализации мероприятий по организации дорожного движения. Методы успокоения движения . -
М.: Мин-во транспорта, 2017. - 75 с.
9. Свиридюк, Г.А. Уравнения соболевского типа на графах / Г.А. Свиридюк // Неклассические уравнения математической физики: сб. науч. работ. - Новосибирск, 2002. - С. 221-225.
10. Снетков, Н.Н. Имитационное моделирование экономических процессов: Учебно-практическое пособие / Н.Н. Снетков. - М.: Изд. центр ЕАОИ, 2008. - 228 с.
11. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере: учебное пособие / Ю.Н. Тюрин, А.А. Макаров. - М.: МЦНМО, 2016. - 368 с., ил.
12. Bakibillah, A. S. M., Hasan, M., Rahman, M. M., & Kamal, M. A. S. (2019). Predictive car-following scheme for improving traffic flows on urban road networks. Control Theory and Technology, 17(4), 325-334. doi:10.1007/s11768- 019-9144-z
13. Biswas, D.; Su, H.; Wang, C.; Blankenship., J.; Stevanovic, A. An Auto-matic Car Counting System Using OverFeat Framework. Sensors (Basel). 2017 Ju-ly; 17(7): 1535. Published online 2017 June 30. doi: 10.3390/s17071535.
14. Buch, N.; Velastin, S.A.; Orwell, J. A review of computer vision tech-niques for the analysis of urban traffic. IEEE Trans. Intell. Transp. Syst. 2011; 12:920-939. doi: 10.1109/TITS.2011.2119372.
15. Gandhi, R. R-CNN, Fast R-CNN, Faster R-CNN, YOLO—Object Detec-tion Algorithms. July 9, 2018. https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e.
16. Genders, W., & Razavi, S. (2020). Policy analysis of adaptive traffic sig-nal control using reinforcement learning. Journal of Computing in Civil Engineer-ing, 34(1) doi:10.1061/(ASCE)CP.1943-5487.0000859.
17. Kazhaev, A., Almetova, Z., Shepelev, V., & Shubenkova, K. (2018).
Modelling urban route transport network parameters with traffic, demand and in-frastructural limitations being considered. Paper presented at the IOP Conference Series: Earth and Environmental Science, 177(1) doi:10.1088/1755-
1315/177/1/012018 Retrieved from www.scopus.com.
18. Kikuzawa, M., & Jeong, M. (2019). Development of traffic flow meas-urement system using fixed point cameras. Paper presented at the ACM Interna-tional Conference Proceeding Series, 79-83. doi:10.1145/ 3314527.3314542 Re-trieved from www.scopus.com.
19. Mishra, P.; Banerjee, B. Multiple kernel based KNN classifiers for vehi¬cle classification, International Journal of Computer Applications, vol. 71, no. 6, 2013.
20. Shepelev, V., Aliukov, S., Nikolskaya, K., Das, A., Slobodin, I. The Use
of Multi-Sensor Video Surveillance System to Assess the Capacity of the Road Network (2020) Transport and Telecommunication, 21 (1), pp. 15-31. DOI:
10.2478/ttj-2020-0002
21. Treiber, M., & Kesting, A. (2013). Traffic flow dynamics: Data, models and simulation. Traffic flow dynamics: Data, models and simulation (pp. 1-503) doi: 10.1007/978-3-642-32460-4 Retrieved from www.scopus.com.
22. Tubaishat, M., Qi, Q., Shang, Y., & Shi, H. (2008). Wireless sensor-based
traffic light control. Paper presented at the 2008 5th IEEE Consumer Communica-tions and Networking Conference, CCNC 2008, 702-706.
doi:10.1109/ccnc08.2007.161 Retrieved from www.scopus.com
23. Wang, P., Jiang, Y., Xiao, L., Zhao, Y., & Li, Y. (2020). A joint control model for connected vehicle platoon and arterial signal coordination. Journal of In-telligent Transportation Systems: Technology, Planning, and Operations, 24(1), 81-92. doi:10.1080/15472450.2019.1579093
24. Wu, L., Ci, Y., Wang, Y., & Chen, P. (2020). Fuel consumption at the oversaturated signalized intersection considering queue effects: A case study in harbin, china. Energy, 192 doi:10.1016/j.energy.2019.116654
25. Zhang S, Wu G, Costeira JP, Moura JM. Table of contents. In: 2017 IEEE conference on computer vision and pattern recognition (CVPR). vol. 2017-Jan, 2017, p. v-liii. IEEE. https://doi.org/10.1109/CVPR.2017.4, http://ieeexplore.ieee.org/document/8099487/.
26. Zhou, Y.; Nejati, H.; Do, T.; Cheung, N.; Cheah, L. Image-based Vehicle Analysis using Deep Neural Network: A Systematic Study. Available online: https://arxiv.org/pdf/1601.01145.pdf (accessed on 05 May 2019).
27. Shepelev, V.; Glushkov, A.; Almetova, Z. and Mavrin, V. (2020). A Study of the Travel Time of Intersections by Vehicles using Computer Vision.
In Proceedings of the 6th International Conference on Vehicle Technology and In-telligent Transport Systems - Volume 1: iMLTrans, ISBN 978-989-758-419-0, pages 653-658. DOI: 10.5220/0009806206530658
28. Видеонаблюдение // Интерсвязь-2020, доступ:https://cams.is74.ru/live(дата обращения - 12 ноября 2019).
29. Категории транспортных средств - M, N, O, L // Автоблог: АвтомирРФ.ги, доступ: -https://avtomirrf.ru/kategorii-ts.html (дата обращения - 05 марта 2020).
30. Умный город // Дорожная карта реализации пилотного проекта поцифровизации городского хозяйства города Челябинска, доступ: http://mininform74.ru/htmlpages/Show/activities/Umnyjgorod (дата обращения - 04 апреля 2020).


Работу высылаем на протяжении 30 минут после оплаты.




©2026 Cервис помощи студентам в выполнении работ