Содержание к диссертации
Введение
Глава 1. Обзор подходов к моделированию малых и средних транспортных систем 10
1.1. Понятие имитационного моделирования 10
1.2. Имитационное моделирование транспортных систем 13
1.3. Существующие подходы к мелкомасштабному моделированию транспортных систем 16
1.3.1. Моделирование трафика с помощью клеточных автоматов 16
1.3.2. Непрерывное моделирование трафика 18
1.4. Агентный подход к построению имитационных моделей 18
1.5. Области применения агентного моделирования 19
1.6. Алгоритмы. агентного мелкомасштабного моделирования транспортных систем 20
1.6.1. Алгоритмы следования 20
1.6.2. Алгоритмы смены полос 24
1.7. Выделение проблем, не имеющих удовлетворительного решения 27
1.8. Выводы и постановка задач исследования 28
Глава 2. Модель поведения участника дорожного движения 29
2.1. Допущения и принципы построения модели 29
2.2. Структура модели агента-участника движения 32
2.3. Модель поведения агента на стратегическом уровне 34
2.3.1. Граф транспортной системы 34
2.3.2. Типы поведения агентов при планировании маршрута поездки... 35
2.3.3. Алгоритм планирования маршрута поездки 37
2.4. Модель поведения агента на тактическом уровне 38
2.4.1. Выбор предпочтительной полосы движения 40
2.4.2. Принятие решения о перестроении. Смена полосы движения 41
2.4.3. Следование за впереди идущим агентом 46
2.4.4. Построение траектории движении агента при возникновении препятствия на его пути 48
2.5. Модель поведения агента на оперативном уровне 55
2.5.1. Принципы выбора ускорения на оперативномуровне 55
2.5.2. Выбор ускорения для избежания столкновений с ближайшими агентами 55
2.6. Выводы 58
Глава 3. Программная реализация модели агента-участника движения
3.1. Поддержка агентного моделирования в AnyLogic 59
3.1.1. Среда функционирования агентов 59
3.1.2. Программный интерфейс класса Agent 61
3.1.3. Синхронизация агентов 63
3.1.4. Расширение функциональности класса агента 63
3.1.5. Вычисление пространственных характеристик агента 64
3.1.6. Оптимизация вычисления геометрических параметров агента 66
3.1.7. Определение точного момента попадания агента в заданную область 68
3.2. Универсальная среда обитания агентов 69
3.2.1. Реализация среды 70
3.2.2. Получение информации о структуре дорожной сети 70
3.3. Библиотека вспомогательных геометрических вычислений 71
3.3.1. Классы библиотеки 72
3.3.2. Алгоритмы геометрических расчетов, реализованные в библиотеке 73
3.3.3. Оптимизация геометрических вычислений» 78
3.3.4. Интеграция библиотеки со средой AnyLogic 80
3.4. Библиотека вычислений на графах 82
3.4.1. Существующие аналоги. Необходимость разработки библиотеки82
3.4.2. Основные классы библиотеки. Абстрактное хранение графов 83
3.4.3. Алгоритмы вычислений на графах 86
3.4.4. Обобщенная реализация взвешенных графов 87
3.5. Оценка сложности и производительности алгоритмов предложенной модели агента 88
3.6. Выводы 90
Глава 4. Методика исследования возможности повышения эффективности светофорного регулирования 92
4.1. Постановка задачи исследования 92
4.2. Преимущества агентного подхода 93
4.3. Методика 96
4.3.1. Общая структура предлагаемой методики 96
4.3.2. Сбор данных для моделирования 96
4.3.3. Разработка модели исследуемого участка 100
4.3.4. Использование оптимизатора OptQuest 100
4.3.5. Идентификация параметров агента 101
4.3.6. Нахождение оптимизированной схемы светофорного регулирования 102
4.4. Выводы 103
Основные результаты работы 104
Список литературы 105
- Существующие подходы к мелкомасштабному моделированию транспортных систем
- Модель поведения агента на стратегическом уровне
- Программный интерфейс класса Agent
- Разработка модели исследуемого участка
Введение к работе
Актуальность исследования
Возрастающие автотранспортные потоки больших городов диктуют необходимость реконструкции существующих и создания новых транспортных узлов1. Для оценки эффективности транспортного строительства используются различные методы. Исследование транспортных систем с помощью имитационных моделей получает все более широкое распространение благодаря гибкости и наглядности получаемых результатов.
Подобные исследования могут проводиться в учреждениях муниципального управления и проектных организациях при разработке транспортных систем. Кроме того, имитационные модели транспорта иногда являются частями более крупных моделей бизнес-процессов предприятий. В этом случае задачи транспортного моделирования могут вставать перед компаниями, оказывающими услуги по техническому консалтингу.
В зависимости от масштабов моделируемой системы выбирается и масштаб модели. Высокоуровневые модели рассматривают поток машин как непрерывную величину и оперируют агрегатными характеристиками объектов транспортной инфраструктуры. В свою очередь, низкоуровневые модели отражают поведение каждого участника движения. Для построения таких моделей используется агентный подход.
В современных российских городах затруднения в движении носят локальный характер и происходят по причине десинхронизации светофорного регулирования, отсутствия развязок на загруженных пересечениях и. т. п. Поэтому в настоящий момент наиболее актуально исследование отдельных проблемных участков дорог. Низкоуровневые агентные имитационные модели наиболее адекватно отражают поведение небольших транспортных систем, учитывают их особенности и поэтому представляют наибольший интерес.
В известных работах ' выделены основные аспекты поведения агентов в низкоуровневых имитационных моделях транспортных систем. Однако проведенные в них исследования и существующие модели не обеспечивают решение некоторых задач.
1 Zou Zhi-jun, Yang Dong-yuan An Object-oriented Development of Urban Traffic Simulation Laboratory System II
Journal of system simulation. Vol. 14, No. 7, 2002. - P. 844-848
2 Panwai S., Dia H. Comparative Evaluation of Microscopic Car-Following Behavior II IEEE Transactions on Intelligent
Transportation Systems. Vol. 6, No. 3, 2005. -P. 112-118
3 Hidas P. Modelling lane changing and merging in microscopic traffic simulation II Transportation Research Part C:
Emerging Technologies. Vol. 10, Iss. 5-6, 2002. -P. 351-371
Исследованные аспекты поведения агентов не включают ситуации непредвиденного возникновения препятствий на пути. Таким образом, существующие системы низкоуровневого моделирования транспорта неспособны адекватно моделировать поведение участников движения при авариях и других нестандартных ситуациях.
Кроме того, отсутствует алгоритмически четкое и полное описание модели поведения агента. Многие технологии составляют коммерческую тайну их создателей.
Существующие модели участников дорожного движения не предназначены для использования в имитационных моделях произвольной структуры. Средства моделирования, разработанные на их основе, являются узкоспециальными инструментами, сопряжение которых с другими моделями крайне затруднительно.
Таким образом, представляется целесообразной разработка и реализация модели агента-участника движения, которая может быть положена в основу системы поддержки принятия решений, основанной на низкоуровневом имитационном моделировании. Создание такой системы позволит предлагать варианты организации и реорганизации схем дорожного движения, обосновывать целесообразность принимаемых решений и, в результате, снижать затраты при проектировании объектов транспортной инфраструктуры. В частности, модель позволит создать метод оценки эффективности изменения светофорного регулирования на перекрестках, что актуально для улиц крупных городов.
Объектом исследования в данной работе является имитационная модель агента-участника дорожного движения. Предметом исследования являются структура, алгоритмы функционирования и способы программной реализации модели агента-участника движения.
Научная новизна
Все результаты, полученные в диссертационной работе, являются новыми и актуальными. В частности, предложена модель агента-участника дорожного движения, отражающая основные аспекты поведения водителей. Также выполнена программная реализация модели агента, пригодная для низкоуровневого исследования транспортных систем.
Цель и задачи работы
Целью работы является создание средств и методик, обеспечивающих применение агентного имитационного моделирования для исследования схем организации дорожного движения. Для достижения поставленной цели в работе решены следующие задачи:
Создана расширяемая имитационная модель агента-участника дорожного движения.
Предложен метод, позволяющий моделировать поведение участников дорожного движения при возникновении препятствий на их пути.
Разработан программный комплекс, реализующий модель агента, используемую при низкоуровневом имитационном моделировании транспортных систем.
Предложена методика исследования и повышения эффективности светофорного регулирования на участках городских автотранспортных систем.
Методы исследования
В диссертационной работе применялись методы системного анализа, имитационного моделирования, теории графов и вычислительной геометрии. При программной реализации модели агента использовались методы структурного и объектно-ориентированного программирования.
Основные положения, выносимые на защиту
Расширяемая имитационная модель агента, отражающая поведение участника дорожного движения, предназначенная для низкоуровневого исследования транспортных систем.
Метод построения траектории движения агента-участника движения при возникновении на его пути множества препятствий, учитывающий исходную траекторию движения агента.
Программный комплекс, реализующий предложенную модель агента на платформе AnyLogic и учитывающий существующие модели аспектов поведения участников дорожного движения.
Методика, позволяющая исследовать возможность повышения пропускной способности регулируемых перекрестков с применением созданного программного комплекса и оптимизатора OptQuest.
Достоверность результатов
Достоверность результатов, полученных в данной работе, обеспечивается корректностью применения математического аппарата и строгостью постановки задачи. Достоверность также подтверждается проведенными компьютерными экспериментами и результатами тестирования разработанного программного комплекса.
Практическая и теоретическая значимость
Результаты работы положены в основу системы мелкомасштабного имитационного моделирования транспортных потоков, позволяющей анализировать свойства существующих и проектируемых транспортных узлов. Система реализована в виде программного комплекса, который может быть использован в учреждениях муниципального управления, проектных организациях и консалтинговых компаниях, занимающихся проектированием и реорганизацией схем дорожного движения.
Предложенная модель агента может быть использована в составе более сложных имитационных моделей организационно-технических систем.
Разработанные программные библиотеки могут быть использованы независимо от системы в целом для разработки агентных моделей AnyLogic с пространственными взаимоотношениями агентов. Модуль геометрических вычислений может быть использован при реализации алгоритмов вычислительной геометрии на языке Java.
Апробация работы
Основные результаты исследования были апробированы на конференциях:
VII Международной конференции «Математическое моделирование физических, экономических, технических систем и процессов», Ульяновск, УлГУ, 2009;
Interactive Systems and Technologies: the Problems of Human-Computer Interaction, Ульяновск, УлГТУ, 2009;
Четвертой всероссийской научно-практической конференции по имитационному моделированию и его применению в науке и промышленности (ИММОД-2009), Санкт-Петербург, 2009;
Winter Simulation Conference (Wintersim-2009, Ph. D. Colloquium), Остин, Техас, США, 2009;
Конференции «Информатика, моделирование, автоматизация
проектирования» (ИМАП-2010), Ульяновск, УлГТУ, 2010.
Личный вклад автора
Задача исследования поставлена совместно с научным руководителем. Основные теоретические и практические результаты получены автором самостоятельно. Разработка алгоритмов, программного комплекса анализ и тестирование системы также выполнены автором самостоятельно.
Публикации
Материалы диссертации опубликованы в 13 работах, из них 3 - в изданиях, рекомендуемых ВАК.
Структура и объем диссертации
Существующие подходы к мелкомасштабному моделированию транспортных систем
Однако и до настоящего времени понятия «имитационная модель» и «имитационное моделирование» не устоялись в русскоязычной научной литературе. С одной стороны, распространены формальные определения, основанные на выделении подкласса имитационных моделей на основе соотношения структур модели и моделируемого объекта [73]. С другой же, получают все более широкое распространение определения имитационного моделирования, смысл которых сводится к значению англоязычных фраз «simulation» и «computer simulation». Это определение имитационного моделирования, не входя в противоречие с более общим системным определением, обозначает более узкий круг задач, решаемых с помощью моделей. Прежде всего, под имитационными моделями подразумевают компьютерные системы, способные отображать изменения в моделируемых объектах во времени.
Под имитационной моделью в настоящей работе подразумевается компьютерная программа, отображающая поведение моделируемой системы во времени. Также словом под словом «модель» подразумевается любое описание существенной логики функционирования такой программы с помощью любых общепринятых средств: диаграмм состояний, блок-схем, диаграмм событий и т.п.
Объектом исследования в данной работе является модель агента-участника дорожного движения. Эта может являться частью более общей агентнои модели транспортной системы, которая, в свою очередь, является результатом работы среды моделирования транспортных систем. Такое понимание позволяет говорить о комплексном описании алгоритмов функционирования агентов в моделях транспортных систем как о модели агента. Ключевым при задании имитационной модели является определение взаимного влияния её элементов. В простых случаях такое влияние задается математическими выражениям, однако модели сложных систем часто содержат алгоритмы вычисления состояния зависимых объектов по состоянию независимых. В настоящее время для создания, хранения и распространения идеальных моделей широко используются ЭВМ, которые предоставляют удобные инструменты, повышающие гибкость, скорость и наглядность разработки моделей. Понятие современной имитационной модели почти полностью совпадает с понятием компьютерной имитационной модели, так как часто не представляется возможным разрабатывать модель, отражающую сложные зависимости элементов, без использования ЭВМ. Компьютеризация труда инженеров-проектировщиков моделей обусловила ориентированность современного имитационного моделирования на построение и использование именно компьютерных моделей. Так, теория имитационного моделирования тесно переплетена с теорией алгоритмов и теорией разработки программного обеспечения. В настоящей работе под термином «имитационная модель» будет подразумеваться компьютерная имитационная модель, если иное явно не упомянуто явно.
Имитационное моделирование - это процесс разработки имитационной модели некоторого объекта и исследование его свойств путем-исследования свойств модели [73]. Из такого определения моделирования следует, что этот процесс разделяется на два основных этапа:
Разработка имитационной модели начинается с подробного описания предметной области. Исследователь уточняет цели моделирования и выбирает наиболее подходящий формализм, на основе которого строится формальное описание моделируемого объекта. Затем выбирается система моделирования, и построенное формальное описание формулируется в виде конструкций входного языка системы. На последнем этапе проводится тестирование модели и проверка ее адекватности. 2. Исследование модели и интерпретация полученных результатов с точки зрения цели моделирования проводится на основании данных, полученных в ходе экспериментирования с моделью. Экспериментирование начинается с задания начальных данных. После этого начинается процесс исполнения имитационной модели, в ходе которого собирается необходимая информация о работе модели. Это разделение обусловливает существования двух основных направлений исследований в области компьютерного имитационного моделирования:
Исследования в рамках настоящей работы концентрируются вокруг второго направления: исследуются алгоритмы функционирования агента в моделях транспортных систем, а также возможности оптимизации (увеличения быстродействия) агентных имитационных моделей.
Под транспортной системой в настоящей работе понимается участок дорожной сети и сопутствующей инфраструктуры с движущимися по ней транспортными средствами - участниками движения.
Закономерности движения автотранспорта часто сложны и не подчиняются простым линейным законам. Это обусловлено тем, что поведение транспортной системы складывается из взаимодействия большого количества автомобилей. Сложность автотранспортных систем объясняется еще и тем, что взаимодействия участников движения происходят не столько по простым законам механики, сколько посредством реакции водителей. Поведение водителей не подчиняется строгим законам и может быть лишь приближено алгоритмами с идентифицируемыми параметрами. Важной особенностью транспортных систем является также значительный разброс характеристик отдельных участников движения (таких, например, как скорость автомобилей, время реакции водителя, возможности ускорения и т.п.).
Все эти факторы обусловливают невозможность моделирования всех аспектов транспортной системы, особенно при больших ее размерах. Поэтому обычно исследователи ограничиваются лишь моделированием отдельных аспектов поведения транспортной системы. Причем, чем меньше моделируемая транспортная система, тем больший набор характеристик обычно интересует исследователей. Иными словами, типы моделей и методы исследования сильно зависят от размеров моделируемой транспортной системы. Так, выделяют три типа моделей транспортных систем.
Крупномасштабное моделирование транспортных систем (макромоделирование). Тип моделей, в котором, рассматриваются лишь агрегатные характеристики транспортных потоков, например, плотность потока автомобилей или. их средняя, скорость. Моделирование основывается на применении к автомобильному трафику законов гидродинамики, по аналогии с жидкостью в трубе [70]. Основа моделей системы - дифференциальных уравнений в частных производных относительно агрегатных характеристик транспортных потоков.
Модель поведения агента на стратегическом уровне
Так, из-за сложности сбора данных о количественном соотношении автомобилей с той или иной конфигурацией «мертвых зон» предлагаемая модель содержит допущение, состоящее в том, что агенту видны все агенты, находящиеся от него не дальше, чем на определенном расстоянии. Это допущение, содержащееся в большинстве моделей поведения водителей [21], позволяет также значительно упростить вычисления за , счет исключения неоправданно сложных геометрических расчетов.
Водитель определяет скорость каждого соседнего автомобиля, находящегося в зоне видимости, а также делает предположение о ближайшей траектории его движения. Это предположение делается на основании сигналов указателей поворота, конфигурации дороги и других факторов. Из-за сложности исследования процесса «предугадывания» траектории движения целесообразным представляется допустить, что агенту в модели полностью-известна траектория "движения других агентов в пределах некоторого расстояния. Такое допущение основывается на предположении, что участники движения своевременно подают сигналы о предстоящих маневрах. Однако, при необходимости моделировать аварийные ситуации может понадобиться возможность вносить поправки в прогнозируемую траекторию соседнего агента. Структура предлагаемой модели предусматривает возможность моделирования неточности прогнозирования траектории. Обстановка, окружающая агента-участника движения в модели, показана на рисунке 2.2.
Взаимодействия заключаются в получении информации от агента или среды и реакции с учетом полученной информации. Таким образом, агенты в модели постоянно влияют друг на друга. Среда также влияет на поведение агентов и сама может изменять свое состояние в зависимости от их поведения.
Агенты-участники движения при взаимодействии обмениваются информацией о своем положении, скорости, приоритете и ближайшей траектории движения. Данные о плане моделируемого участка, конфигурации дорог, расположении светофоров и других объектов агент получает из среды.
При моделировании небольших простых участков дорог возможно точно задать траекторию движения каждого агента. Это, например, возможно при исследовании участка дороги с одним светофором (рисунок): агенты возникают в модели на некотором расстоянии от светофора, двигаются, не перестраиваясь в другие полосы, и при необходимости останавливаются на запрещающий сигнал. При моделировании систем больших размеров невозможно заранее предсказать траекторию движения агента в течение всего времени его жизни. Например, даже при моделировании одного перекрестка траектория движения агента не может быть задана жестко, а вычисляется для каждого сегмента пути с учетом плана маршрута. Водителю перед началом поездки известен лишь ее план, то есть последовательность дорог, перекрестков и развязок, через которые он намерен проехать. План поездки составляется водителем с учетом предыдущего опыта, дорожных карт и современных навигационных устройств. План поездки влияет на траекторию движения на каждом конкретном участке маршрута. Например, от необходимости совершить поворот на перекрестке может зависеть решение о выборе занимаемой полосы. Планирование поездки также может влиять на загруженность отдельных участков транспортной системы. Таким образом, представляется необходимым включение подсистемы планирования маршрута в предлагаемую модель.
Структура модели агента-участника движения Большой объем разнородной информации и сложность принимаемых водителем решений неизбежно приводят к практической невозможности создания единого алгоритма поведения агента. Представляется целесообразным разделить алгоритмы поведения агента на несколько уровней. Предложен критерий выделения уровней - частота принятия решений, которая, в свою очередь, зависит от скорости изменения состояния среды и других агентов. Разработана трехуровневая модель участника дорожного движения, показанная на рисунке 2.3. Каждый уровень соответствует моделированию принятия решений различного масштаба - от планирования маршрута до изменения положения акселератора.
Структура модели поведения агента-участника движения Стратегический уровень модели отражает выбор водителем последовательности участков дороги, перекрестков и разъездов в ходе поездки. Некоторые агенты планируют маршрут однократно перед началом поездки, тогда как другие могут изменять план маршрута несколько раз во время движения. При планировании маршрута используется информация о схеме моделируемого участка. Также могут быть использованы статистические данные о загруженности дорог и о текущей транспортной ситуации на них. Результатом принятия решения на стратегическом уровне является план маршрута проезда от текущего положения агента к месту назначения. План маршрута используется далее на тактическом уровне.
Тактический уровень модели участника дорожного движения соответствует моделированию реакции водителя на окружающую транспортную обстановку. Поведение агента в значительной степени зависит от типа объекта транспортной инфраструктуры, по которому осуществляется движение. Траектория движения, приоритет и предпочтительная скорость определяются с заданной частотой с учетом плана маршрута, типа элемента дороги, на котором находится агент, и информации о других агентах.
Оперативный уровень отвечает за выбор ускорения таким образом, чтобы избежать столкновения с соседними агентами. Еще одним фактором, влияющим на выбор ускорения, является стремление поддерживать скорость, наиболее близкую к предпочтительной. Выбор ускорения соответствует изменению положения акселератора1 и производится гораздо чаще, чем определение траектории движения и предпочтительной скорости.
Программный интерфейс класса Agent
Среда обитания агентов является неотъемлемой частью агентной имитационной модели. Агенты, модель которых разрабатывается и предлагается в настоящей работе, находятся среде. Причем это нахождение понимается не только как логическое включение участников движения в общую дорожную обстановку, но и более утилитарно - как нахождение экземпляров класса агента в программном окружении модели.
Класс агента-участника движения ориентирован на взаимодействие со средой. Программный интерфейс предоставляемый средой агентам, сосредоточен в базовом классе CarEnvironment. Реализация конкретной среды обитания агентов (системы дорог) должна наследоваться от этого класса. Основные функции класса CarEnvironmentK которым обращается агент, следующие:
Алгоритмы стратегического и тактического уровня имеют доступ к графу транспортной сети, который они получают с помощью вызова метода getGraph().
Граф транспортной системы реализован в виде экземпляра класса Graph из разработанной библиотеки вычислений на графах. В узлах этого графа находятся точки принятия решений - экземпляры класса Milestone, ребрам графа соответствуют экземпляры класса MilestoneConnector. Агент хранит путь вычисленный алгоритмом стратегического уровня в виде подграфа, являющегося также экземпляром класса Graph. При достижении очередной точки принятия решений из подграфа удаляются пройденные вершина и ребро. Агент удаляется из системы, если подграф его пути пуст, то есть, достигнута последняя точка его маршрута.
Случай когда агент проходит точку принятия решения не содержащуюся в подграфе его пути нуждается в специальной обработки, это происходит например если агент не смог из за трафика выполнить планируемый поворот на перекрестке. В этом случае вновь запускается алгоритм стратегического уровня для планирования маршрута из нового узла графа в место назначение агента. Результат работы алгоритма стратегического уровня - новый подграф пути - сохраняется в параметре агента.
В процессе разработки среды возникает необходимость проводить значительное количество геометрических вычислений в двумерном евклидовом пространстве. Некоторые однотипные вычисления необходимо производить в различных подсистемах среды, что приводит к многократному повторению одинаковых фрагментов программного кода, ухудшая его понятность и сопровождаемость разработанного продукта.
В разработанной модели агента, как и во всей среде моделирования транспортных систем, используются только линейные множества в двумерном пространстве. Криволинейные траектории движения агентов аппроксимируются ломаными с требуемой точностью. Это позволяет минимизировать сложность производимых вычислений за счет отказа от кривых высших порядков и, как следствие, от тригонометрических и экспоненциальных операций.
Основные геометрические примитивы реализованы на языке Java в виде классов. Диаграмма основных классов библиотеки представлена на рисунке 3.4. Любой класс, представляющий геометрический примитив, является наследником абстрактного Класса AbstractGeometicPrimitive, объединяющего общие свойства всех классов-наследников. AbstractGeometrycPrimitiYe (й
Диаграмма основных классов геометрической библиотеки Класс Point представляет точку в двумерном пространстве. Класс segment отвечает за программное представление направленного отрезка. Ломаные представляются экземплярами класса Polyline, замкнутые ломаные ClosedPolyline. 3.3.2. Алгоритмы геометрических расчетов, реализованные в библиотеке
Все алгоритмы, выполняющие геометрические вычисления, реализованы в виде нестатических методов соответствующих классов. Основной принцип реализации алгоритмов заключается в том, что ни один вызванный метод не изменяет экземпляр, для которого он вызван. Вместо этого метод возвращает новый экземпляр, соответствующий результату работы метода.
Алгоритмы, реализованные в библиотеке, адаптированы для задач моделирования систем с пространственными отношениями агентов. Эти задачи прежде всего требуют большого количества манипуляций с траекториями движения агентов, заданными ломаными. Так, например часто требуется выделить часть траектории, построить сглаженную траекторию или узнать точку пересечения траекторий. Также часто требуется хранить точки траектории таким образом, чтобы легко идентифицировать их положение относительно всей линии. Поэтому в библиотеке принят следующий подход к определению положения точек на отрезке или ломаной: точка идентифицируется двумя действительными числами: абсолютным и относительным смещением от начала линии.
Разработка модели исследуемого участка
Светофорное регулирование - один из самых распространенных способов организации дорожного движения в городах. Светофорная сигнализация обеспечивает разделение пропускной способности некоторого участка дороги (обычно перекрестка) во времени между несколькими потоками.
Неоптимальное использование светофорного регулирования является одним из часто встречающихся примеров неэффективного использования пропускной способности городских улиц. Практика показывает, что пропускную способность многих существующих перекрестков, оборудованных светофорами, часто можно повысить, причем это повышение достигается практически без вложений в инфраструктуру. Наиболее актуально проблема, эффективности светофорного регулирования-стоит на перекрестках.
Все схемы светофорного регулирования можно разделить на три типа: 1. Схемы с постоянной длительностью фаз. Такие схемы использованы на большинстве перекрестков городов России. Очевидно, такие схемы наиболее дешевы в реализации, однако они не позволяют учитывать суточные изменения потоков в различных направлениях перекрестка. 2. Схемы с изменяющимися в течение суток длительностями светофорных фаз. Такие схемы требуют наличия контроллера светофорного объекта, позволяющего задавать несколько циклически сменяющих друг друга режимов работы. Эти схемы дают возможность учитывать суточные изменения потоков и особенно эффективны там, где колебания потоков в течение суток (или каких-либо других периодов) существенны. 3. Адаптивные схемы светофорного регулирования, позволяют изменять длительности фаз динамически в соответствии с некоторым алгоритмом на основе данных о потоках, поступающих в реальном времени от сенсоров, расположенных на регулируемом перекрестке.
Большинство регулируемых перекрестков в городах России оборудованы светофорными объектами, работающими по первой схеме. Таким образом, имеется возможность повысить пропускную способность, внедрив более современную схему регулирования.
Перед модернизацией схемы: светофорного регулирования на перекрестке необходимо обосновать вложения в транспортную инфраструктуру, оценив увеличение пропускной способности регулируемого участка после обновления. Малая эффективность внедряемой системы регулирования может оказаться не единственной проблемой: необдуманное изменение схемы регулирования способно создать значительные транспортные:
Таким образом,, представляется целесообразным создание методики исследования и прогнозирования эффективности светофорного регулирования на перекрестках.
Для оценки и прогноза пропускной способности перекрестка при ТОЙ ИЛИ; иной схеме регулирования требуется построение математической модели [9].
Преимущества агентного подхода Современные исследователи выделяют три класса таких моделей: 1. Расчетные (описанные, например, в [5]), в которых определение пропускной способности участка определяется по формулам, описывающим зависимости характеристик потока от длительности фаз, количества полос и других параметров. 2. Имитационные на основе теории очередей. В таких моделях используется аппарат теории массового обслуживания. 3. Имитационные на основе агентного подхода. Эти модели позволяют оценить эффективность схемы регулирования посредством модели, отражающей взаимодействия отдельных участников дорожного движения.
Первые два подхода к созданию таких моделей имеют общий недостаток, заключающийся в том, что они не учитывают влияния взаимодействий отдельных участников дорожного движения на общие характеристики системы (средняя скорость движения, пропускная способность).
Рассмотрим модель перекрестка, построенную в классе систем массового обслуживания. Каждая полоса моделируется цепочкой из нескольких блоков. На рисунке 4.1 показан пример созданной модели для перекрестка с N полосами движения. p p —r P x линия покидания зоны ожидания проезда перекрестка условная пиния начала зоны перекрестка
Пример модели перекрестка на основе СМО Источник заявок (1) моделирует въезд автомобилей в зону перекрестка. Блок задержки (2) задерживает заявку, отображая подъезд автомобиля к хвосту очереди ожидающих проезда автомобилей. Очередь автомобилей моделируется блоком (3). Блок задержки (4), вмещающий максимум 1 заявку моделирует задержку между проездом автомобилями линии перекрестка при включении разрешающего сигнала.
Время задержки заявок в блоке (2) зависит от длины очереди (3), а также от количества машин, находящихся в самом блоке (2) и их скорости. Идентификация параметра «время задержки заявки» блока (2) является трудоемкой, так как подбор параметра должен производиться с учетом влияния как минимум двух переменных - длины очереди и количества задерживаемых заявок.
Таким образом, применение аппарата теории массового обслуживания для моделирования пропускной способности регулируемых перекрестков ограничено необходимостью проводить сложную процедуру идентификации параметров.
Агентный подход позволяет избежать разделения моделирования «подъезжающих» и «ожидающих в очереди» автомобилей, объединяя всех взаимодействующих агентов в единой среде. Кроме того, все особенности изменения скорости движения агентов учитываются с помощью модели следования (car-following). Созданная в рамках настоящей работы модель агента в полной мере реализует модель следования, и, соответственно, может быть использована для моделирования регулируемого перекрестка.
