Отримано 12.09.2023, Доопрацьовано 26.10.2023, Прийнято 28.11.2023

Оптимізація пасажирських перевезень на основі організації однорідного приміського пасажиропотоку

Наталія Чернецька-Білецька, Ігор Баранов, Марія Мірошникова, Світлана Бережна

Метою статті є підвищення ефективності приміських пасажирських перевезень на основі організації приміського пасажиропотоку. Встановлено, що приміський пасажиропотік міських агломерацій складається з таких укрупнених груп (сегментів): робітники зі змінним графіком роботи, офісні працівники, учні, інші пасажири, водночас загальна величина пасажиропотоку та величина окремих складових його сегментів є непостійною і характеризується просторовою та тимчасовою нерівномірністю. 
Завданням організації пасажиропотоку є знаходження компромісу між потребами пасажирів та можливостями транспорту. Компроміс досягається завдяки тому, що отримуючи щоразу формальний оптимум, за допомогою вагових коефіцієнтів при змінних, можна відображати пріоритети пасажиропотоків із різних станцій та ділянок. Завдання оптимізації функціонування пасажирської транспортної системи міської агломерації на основі організації пасажиропотоку полягає в мінімізації сумарних витрат на перевезення та на очікування. Критерій оптимізації визначається, зважаючи на мінімізацію витрат на освоєння пасажиропотоку в повному обсязі, а також очікування пасажирами на станції відправлення та затримки на станції призначення. 
У статті сформульована проблема організації приміських пасажиропотоків у міських агломераціях для скорочення статичних резервів приміського пасажирського комплексу за рахунок динамічних. Обрано та обґрунтовано апарат оптимізації на базі динамічної транспортної задачі. Проаналізовано можливості та показані переваги використання методу динамічного узгодження для вирішення транспортних задач міських агломерацій. Запропоновано технологію використання апарату оптимізації, що містить спрямований ітераційний процес. Це дає змогу скоротити кількість експериментів для вибору з-поміж оптимальних варіантів, найбільш клієнтоорієнтований компромісний варіант. Розроблено методику оптимальної організації однорідного приміського пасажиропотоку на основі методу динамічного узгодження. Встановлено, що використання спрямованого ітераційного процесу сприяє суттєвому скороченню кількості експериментів задля досягнення консенсусу між інтересами пасажирів та ефективністю роботи транспортної системи

 

пасажирські перевезення, пасажиропотік, пасажирська транспортна система, мінімізація витрат, ітераційний процес, міські агломерації, транспортна задача, математична модель
183-189
Chernetskaya-Beletskaya, N., Baranov, I., Miroshnykova, M., & Berezhna, S. (2023). Optimization passenger transport on basic organizations of uniform suburban passenger flow. Journal of Mechanical Engineering and Transport, 9(2), 183-189. https://doi.org/10.31649/2413-4503-2023-18-2-183-189

Використані джерела

[1] Order of the Cabinet of Ministers of Ukraine No. 430 “On the Approval of the National Transport Strategy of Ukraine for the Period until 2030”. (2018, May). Retrieved from https://zakon.rada.gov.ua/laws/show/430-2018%D1%80#Text.

[2] Kashkanov, A.A., & Palchevskyi, O.V. (2022). Problems of functioning of transport systems of large cities of Ukraine in modern conditions. Modern Technologies in Mechanical Engineering and Transport, 1(18), 97-102. doi: 10.36910/automash.v1i18.764.

[3] Kotsiuk, O.Y., & Grigorchuk, O.D. (2000). Motivation of passengers when choosing a mode of transportation. Colletion of Works of the National Transport University and the Transport Academy of Ukraine, 4, 162-163.

[4] Aulin, V.V., Hrynkiv, A.V., Golovatyi, A.O., Lysenko, S.V., Golub, D.V., Kuzyk, O.V., & Tykhyi, A.A. (2020). Methodological foundations of designing and functioning of intelligent transport and production systems. Kropyvnytskyi: VF Lysenko.

[5] Batty, K.W., Axhausen, M., Giannotti, F., & Pozdnoukhoveds, A. (2012). Smart cities of the future. The European Physical Journal Special Topics, 214(1), 481-518.

[6] 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.

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

[8] 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.

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