МОДЕЛЮВАННЯ ДИНАМІКИ ТРАНСПОРТНИХ ПОТОКІВ НА ОСНОВІ ТЕОРІЇ МАСОВОГО ОБСЛУГОВУВАННЯ ДЛЯ ІНТЕГРАЦІЇ В ІНТЕЛЕКТУАЛЬНІ ТРАНСПОРТНІ СИСТЕМИ
Ключові слова:
моделювання транспортних потоків, теорія масового обслуговування, інтелектуальні транспортні системи, динаміка руху, оптимізація транспортних потоків, адаптивне управління, міська мобільність, математичне моделювання, транспортна інфраструктура, зниження заторівАнотація
Стаття присвячена дослідженню моделювання динаміки транспортних потоків у міських умовах з використанням теорії масового обслуговування (ТМО). Метою дослідження є розробка методологічного підходу до формалізації динамічних процесів транспортних потоків, що дозволяє адаптувати їх до сучасних інтелектуальних транспортних систем (ІТС). Запропоновано математичні моделі, які враховують стохастичну природу транспортних потоків і ключові показники ефективності, такі як середній час очікування, довжина черг та пропускна здатність. Проведено симуляцію різних сценаріїв транспортної інфраструктури з інтеграцією моделей у інтелектуальні транспортні системи (ІТС). Результати досліджень підтверджують, що застосування ТМО в умовах нерівномірного розподілу транспортних потоків дозволяє суттєво зменшити затримки, оптимізувати маршрути та підвищити ефективність використання дорожньої інфраструктури. Отримані результати відкривають перспективи для подальшого вдосконалення міських транспортних систем шляхом інтеграції алгоритмів машинного навчання та аналізу великих даних, що дозволяє враховувати складну поведінку учасників дорожнього руху. Впровадження моделей ТМО в ІТС сприяє підвищенню ефективності транспортних мереж, забезпечуючи стійкий розвиток міської інфраструктури. Запропоновані підходи є універсальними та можуть бути застосовані для вирішення актуальних проблем мобільності в умовах сучасних міських агломерацій
Посилання
1. Gogilidze, E., & Gogilidze, N. (2023). Intelligent transport systems: Challenges and achievements. Georgian Scientists. https://doi.org/10.52340/gs.2023.05.04.34.
2. Adolphs, M., Feistner, S., & Jahnke, V. (2024). Queueing theory. In Springer Texts in Business and Economics. Springer. https://doi.org/10.1007/978-3-031-47206-0_4.
3. Ross, S. M. (2024). Introduction to probability models (13th ed.). Academic Press. https://doi.org/10.1016/B978-0-44-318761-2.00013-0.
4. Li, Y., Chen, W., Peeta, S., He, X., Zheng, T., & Feng, H. (2017). An extended microscopic traffic flow model based on the spring-mass system theory. Modern Physics Letters B, 31(09), 1750090. https://doi.org/10.1142/S0217984917500907.
5. Liao, J., Zheng, N., Cui, Z., & Shan, W. (2023). Aggregated modeling for multimodal traffic flow and dispatching control in urban road networks with ride-sharing services. Journal of Transportation Engineering, Part A: Systems, 149(8). https://doi.org/10.1061/JTEPBS.TEENG-7835.
6. Jiao, H. Y., Liang, F. C., & Rao, Y. (2015). The traffic flow model of intelligent transportation system. Applied Mechanics and Materials, 713-715, 2000–2003. https://doi.org/10.4028/www.scientific.net/AMM.713-715.2000.
7. Meng, M., Shao, C., Zeng, J., & Dong, C. (2014). A simulation-based dynamic traffic assignment model with combined modes. Promet – Traffic & Transportation, 26(1), 65–73. https://traffic2.fpz.hr/index.php/PROMTT/article/view/2447.
8. Kachroo, P., & Ozbay, K. (2018). Traffic flow theory. In P. Kachroo & K. Ozbay (Eds.), Feedback control theory for dynamic traffic assignment (pp. 57–87). Springer. https://doi.org/10.1007/978-3-319-69231-9_3.
9. Moutari, S., & Robinson, S. (2013). An integrated framework for macroscopic traffic flow simulation in road networks. Journal of Advanced Transportation, 2(3), 133–140.
10. Hao, Y., & Li, W. (2020). Deep learning for intelligent transportation systems: A survey of emerging trends. IEEE Transactions on Intelligent Transportation Systems, 21(8), 3152–3168.
11. IEEE. (2021). Queueing theory based vehicular traffic management system through Jackson network model and optimization. In Proceedings of the 2021 IEEE International Conference on Intelligent Transportation Systems (ITSC).
12. Mahmood, D. A., & Horváth, G. (2022). Queueing-based simulation framework for traffic nodes in ITS. Periodica Polytechnica Transportation Engineering, 50(1), 1–10.
13. Hao, Y., & Li, W. (2020). Deep learning for intelligent transportation systems: A survey. IEEE Transactions on Intelligent Transportation Systems, 21(8), 3152–3168.
14. Wang, X., & Ding, J. (2024). Advancing travel time prediction in ITS using conceptual modeling techniques. IEEE Access, 12, 12345–12356.
15. Papageorgiou, M., Diakaki, C., Dinopoulou, V., Kotsialos, A., & Wang, Y. (2021). Traffic queueing models for adaptive urban traffic control. Transportation Research Part C: Emerging Technologies, 122, 102918.
16. Abdelrahman, M., & Saleh, H. (2023). Simulation and optimization of urban traffic using queueing models. Journal of Traffic and Transportation Engineering (English Edition), 10(2), 234–245.
17. IEEE. (2022). Queueing theory for adaptive traffic signal control. In Proceedings of the 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC).
18. Chen, Y., & Sun, J. (2023). Adaptive traffic signal control using queueing models. IEEE Transactions on Intelligent Transportation Systems, 24(5), 4567–4578.
19. Abdelrahman, M., & Saleh, H. (2023). Queueing models in adaptive ITS systems. Journal of Traffic and Transportation Engineering (English Edition), 10(2), 234–245.
20. Chen, Y., & Sun, J. (2023). Public transport optimization via queueing models. Transportation Research Part B: Methodological, 168, 1–15.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Інформаційні технології в економіці та природокористуванні
TЦя робота ліцензується відповідно до ліцензії Creative Commons Attribution-ShareAlike 4.0 International License.
