Отримано 29.09.2022, Доопрацьовано 27.10.2022, Прийнято 01.12.2022

Інтелектуалізація управління дорожнім рухом як засіб підвищення ефективності транспортної мережі міста в неординарних ситуаціях

Андрій Кашканов, Олег Пальчевський

Проведено оцінку сучасних тенденцій розвитку інтелектуальних систем управління дорожнім рухом та їхня ролі у забезпеченні ефективності функціонування транспортних мереж. Визначено процеси впровадження технологій із розширення потоку оброблюваних даних в існуючі інтелектуальні транспортні системи (ІТС), які забезпечують збільшення швидкодії передачі інформації в них. Наведено класифікацію інформаційних джерел, які стають доступними при переході ІТС на стандарт 5G та забезпечують основу для реалізації технологій уникнення неординарних ситуацій в транспортних мережах. 
Існуючі методи підвищення ефективності транспортної мережі міста націлені в основному на забезпечення здатності ІТС до прогнозування транспортних потоків. До них належать статистичні і нелінійні методи, методи на основі моделювання, методи штучного інтелекту та комбіновані методи. Реалізація цих методів досягається завдяки збільшенню інформаційного потоку, що надходить з системи. Проведене порівняння цих методів виявило, що вони загалом можуть із високою точністю здійснювати прогнозування, однак незалежно від обраного еталону, частина з них вже перебуває на вершині свого потенціалу в плані застосування в ІТС, а решті ще є куди розвиватись. 
Придатність методу прогнозування для роботи в умовах реального часу є суттєвою перевагою в забезпеченні ефективного керування транспортними потоками, дозволяє підвищити стійкість транспортної мережі й ефективність ІТС та позитивно впливає на рівень заторів, дорожньої безпеки та екологічного впливу на навколишнє середовище. Найбільш перспективними в плані швидкого та гнучкого вирішення неординарної ситуації є моделі із застосуванням штучного інтелекту або комбінації із ними, засновані на алгоритмах глибокого навчання, які довели свою важливість у передбаченні результатів, прийнятті рішень щодо прогнозів тривалості транспортного потоку та забезпеченні усунення та уникнення заторів на основі пропуску транспортних засобів через перехрестя в залежності від довжини та зміни тривалості сигналів світлофора

 

інтелектуальні транспортні системи, транспортні мережі, прогнозування трафіку, управління дорожнім рухом, інформаційні потоки, неординарні ситуації
42-50
Kashkanov, A., & Palchevskyi, O. (2022). Intellectualization of traffic management as a means of increasing the efficiency of the city's transport network in emergency situations . Journal of Mechanical Engineering and Transport, 8(2), 42-50. https://doi.org/10.31649/2413-4503-2022-16-2-42-50

Використані джерела

[1] European Union. (n.d.). Safe, sustainable and connected transport. Retrieved from https://europa.eu/european-union/topics/transport_en.

[2] Mena-Oreja, J., & Gozalvez, J. (2020). A comprehensive evaluation of deep learning-based techniques for traffic prediction. IEEE Access, 8, 1-25. doi: 10.1109/ACCESS.2020.2994415.

[3] Aulin, V.V., Grinkov, A.V., & Golovaty A.O. (2020). Methodological basis for the design and functioning of intelligent transport and transmission systems. Kropyvnytskyi: V.F. Lisenko

[4] Kashkanov, A.A., & Palchevsky, O.V. (2022). Problems of functioning of transport systems of great cities of Ukraine in current minds. Current Technologies in Mechanical Transport, 1(18), 97-102. doi: 10.36910/automash.v1i18.764.

[5] Semchenko, N.O., & Reshetnikov, E.B. (2018). Investigation of the parameters of the management of groups of transport facilities on the street-road boundary of the city. Communal Government of the City, 7(146), 12-19. doi: 10.33042/2522-1809-2018-7-146-12-19.

[6] Official website of the Ukrainian Patrol Police. (n.d.). Statistics. Retrieved from http://patrol.police.gov.ua/statystyka.

[7] Implementing an intelligent transportation system: A bottom-up approach to value creation.(n.d.). Retrieved from https://intellias.com/implementingintelligent-transportation-system.

[8] Tahir, M.N., Leviäkangas, P., & Katz, M. (2022). Connected vehicles: V2V and V2I road weather and traffic communication using cellular technologies. Sensors, 22(3), article number 1142. doi: 10.3390/s22031142.

[9] Hui, M., Bai, L., Li, Y., & Wu, Q. (2015). Highway traffic flow nonlinear character analysis and prediction. Mathematical Problems in Engineering, 8. doi: 10.1155/2015/902191.

[10] Emami, A., Sarvi, M., & Bagloee, S.A. (2019). Using Kalman filter for short-term traffic flow prediction in a connected vehicle environment. Journal of Modern Transportation, 27, 222-232. doi: 10.1007/s40534-019-0193-2.

[11] Chaudhary, S., & Chaudhary, S. (2017). Video-based road traffic monitoring and prediction using dynamic bayesian networks. IET Intelligent Transport Systems, 12(3). doi: 10.1049/iet-its.2016.0336.

[12] Kaelblinga, L.P., Littman, M.L., & Cassandrac, A.R. (1998). Planning and acting in partially observable stochastic domains. Artificial Intelligence, 101(1-2), 99-134.

[13] Doshi-Velez, F., Wingate, D., & Tenenbaum, J.B. (2011). Infinite dynamic Bayesian networks. In Proceeding of the 28th internet conference machine learning, (ICML 2011) (pp. 913-920). Washington: IMLS.

[14] Nasser, A., & Simon, V. (2022). Wavelet‐attention‐based traffic prediction for smart cities. IET Smart Cities, 4(1), 3-16. doi: 10.1049/smc2.12018.

[15] Yuanqing, W., & Jing, L. (2017). Study of rainfall impacts on freeway traffic flow characteristics. Transportation Reseach Procedia, 25, 1533-1543. doi: 10.1016/j.trpro.2017.05.180.

[16] Wang, C., Pang, X., Xi, Z., & Si, G. (2019). An elastic combination forecasting method for urban road traffic status. Journal of Physics: Conference Series, 1237, article number 022027. doi: 10.1088/1742-6596/1237/2/022027.

[17] Ciont, N., Cadar, R.D., & Cimpean, D.S. (2018). A road traffic prediction study based on weigh-in-motion data. Proceedings of the Romanian Academy Series A, 19, 567-574.

[18] Fareeduddeen, V.M., Sreerambabu, J., & Riyaz, M.M. (2022). Traffic prediction for intelligent transportation system using machine learning. International Journal for Research in Applied Science & Engineering Technology, 10(8), 922-925. doi: 10.22214/ijraset.2022.46306.

[19] Geetha, V., Gomathy, C.K., Thommandru, H., & Varma, P.V.N. (2021). A traffic prediction for intelligent transportation system using machine learning. International Journal of Engineering and Advanced Technology, 10(4), 166-168. doi: 10.35940/ijeat.D2426.0410421.

[20] Yogita, B., & Raghavendra, P. (2022). Traffic prediction for intelligent transportation system using deep learning. International Journal of Research in Engineering, Science and Management, 7(5), 61-62.

[21] Qiu, X., Zhang, L., Ren, Y., Suganthan, P., & Amaratunga, G. (2014). Ensemble deep learning for regression and time series forecasting. In 2014 IEEE Symposium on computational intelligence in ensemble learning (CIEL) (pp. 1-6). Orlando: IEEE. https://doi.org/10.1109/CIEL.2014.7015739.

[22] Zhang, Q., Wang, H., Dong, J., Zhong, G., & Sun, X. (2017). Prediction of sea surface temperature using long short-term memory. IEEE Geoscience and Remote Sensing Letters, 14(10), 1745-1749. doi: 10.1109/LGRS.2017.2733548.

[23] Sagheer, A., & Kotb, M. (2019). Time series forecasting of petroleum production using deep LSTM recurrent networks. Neurocomputing, 323, 203-213. doi: 10.1016/j.neucom.2018.09.082.

[24] Luo, X., Li, D., Yang, Y., & Zhang, S. (2019). Spatiotemporal traffic flow prediction with KNN and LSTM. Journal of Advanced Transportation, 5, article number 4145353. doi: 10.1155/2019/4145353.