Моделирование «узких мест» транспортной сети

Оцените материал
(0 голосов)

Опубликовано № 1 (48) февраль 2012 г.

АВТОР: Петров А.В., Пилипчук С.Ф.

РУБРИКА Транспортировка в логистикеИмитационное моделирование, Логистика мегаполиса

Аннотация

Если для анализа транспортных сетей большого объёма используются макромодели, построенные, например, на принципах сетевого моделирования, то для исследования «узких мест» дорожной сети создаются микромодели. Одними из наиболее широко используемых видов микромоделей являются имитационные модели. В работе построена имитационная модель «узкого места» транспортной сети одного из проблемных районов Санкт-Петербурга в среде имитационного моделирования AnyLogic версии 6.4.0., выполнены компьютерные эксперименты и даны практические рекомендации по организации дорожного движения.

Ключевые слова: моделирование транспортная сеть имитационная модель AnyLogic дорожное движение транспортная инфраструктура


В моделировании транспортных потоков под макромоделями понимаются такие модели, которые описывают транспортный поток как целое, то есть как совокупность всех транспортных средств (ТС). Эти модели применяются для анализа транспортных сетей большого объёма. С их помощью решаются задачи моделирования и оптимизации движения транспортных потоков в рамках определённого географического района, например, в рамках городской транспортной сети. Для решения подобных задач предлагается использовать сетевое моделирование [1].

Микромодели в отличие от макромоделей не рассматривают транспортный поток как некую целую совокупность транспортных средств, распределяющихся в транспортной сети по определенным принципам и с учетом ограничений, которые задает исследователь. Напротив, они характеризуются описанием отдельных транспортных средств, принципов их поведения на дороге и взаимодействия с другими транспортными средствами. Поэтому, у микромоделей другая, особенная цель – с их помощью можно достаточно детально исследовать отдельные, наиболее проблемные участки и перекрестки дорожной сети (так называемые «узкие места»), а также их совокупности.

Одними из наиболее широко используемых видов микромоделей являются имитационные модели [2]. Цель создания такой модели заключается в том, чтобы исследователь мог не только оценить текущую ситуацию на изучаемом участке, но и рассмотреть влияние вносимых им изменений и получить количественный результат, который наглядно представляется в модели.

Естественно, что имитационная модель всегда является упрощенным подобием реальной системы и отражает суть рассматриваемого процесса, явления и свойств входящих в нее объектов лишь в той степени достоверности, которая необходима для решения конкретной поставленной задачи. Она является по своей сути некоторым представлением реального объекта, и подобно любому представлению о реальности не отражает его в полной мере. Оценка того, насколько это представление устраивает нас, во многом неоднозначна потому, что реальность изменяется, а представление в целом остается прежним. Проблема состоит в том, что ожидания и представления редко соответствуют действительности в силу множества факторов, учесть даже большую часть из которых чаще всего не представляется возможным. Поэтому имитационная модель – это не универсальное средство решения проблем, а лишь инструмент, с помощью которого можно получить рекомендуемый путь решения.

В имитационном моделировании широко используется понятие «уровень абстракции», которое по своему смыслу обратно этой степени достоверности. То есть чем ниже уровень абстракции (и выше степень достоверности), тем точнее имитационная модель будет отражать суть явления. Обычно уровень абстракции известен изначально, он выбирается на начальных этапах создания имитационной модели. Однако количественная оценка того, насколько создаваемая модель будет соответствовать реальной (моделируемой) ситуации, заранее неизвестна. Эта оценка называется «адекватностью» имитационной модели, она определяется лишь после того, когда создана имитационная модель и имеются собранные фактические данные рассматриваемого явления (статистика) – путем сравнения результатов компьютерного эксперимента и реальных данных.

Применение имитационного моделирования для решения задач оптимизации транспортных потоков рассмотрим на конкретном примере, рассматривая транспортную сеть части Приморского района Санкт-Петербурга, отличающегося известными проблемами движения транспорта.

В работе [1] данная транспортная сеть на макроуровне исследовалась с помощью сетевых моделей, что позволило определить, как отразятся на пропускной способности дорог, суммарном пробеге и суммарном времени движения транспортных средств те или иные изменения в организации дорожного движения на рассматриваемом участке городской транспортной сети. Кроме того, исследование позволило выявить так называемые «узкие места» данной транспортной сети, одним из которых является перекресток «Коломяжский проспект–проспект Испытателей». Поэтому в данной работе была создана имитационная модель этого перекрестка.

Отличительной особенностью модели является то, что она также учитывает наличие транспортных проблем на следующем за пересечением «Коломяжский пр.–пр. Испытателей» перекрестке – на Светлановской площади, и позволила дать прогнозную оценку влияния на пропускную способность исследуемого перекрестка строительства на Светлановской площади многоуровневой развязки.

Создание имитационной модели осуществлялось в среде имитационного моделирования AnyLogic версии 6.4.0. Пакет AnyLogic – отечественный профессиональный инструмент имитационного моделирования нового поколения, разработанный фирмой «XJ Technologies», Санкт-Петербург [3]. Пакет AnyLogic существенно упрощает разработку имитационных моделей и их анализ, он основан на объектно-ориентированной концепции.

В качестве подхода в имитационном моделировании в данной модели выбрано дискретно-событийное моделирование (ДС). Данный подход предполагает следующее: автомобили выступают в качестве заявок, движущихся в сети между отдельными промежуточными пунктами по заранее намеченным траекториям. При этом с помощью команд программирования задается логика, согласно которой заявки (автомобили) ведут себя на дороге и при пересечении перекрестка тем или иным образом.

Общий вид созданной в среде AnyLogic модели представлен на рис.1.

Рис.1. Имитационная модель перекрестка «Коломяжский пр.–пр. Испытателей» в среде имитационного моделирования AnyLogic

Рис.1. Имитационная модель перекрестка «Коломяжский пр.–пр. Испытателей» в среде имитационного моделирования AnyLogic

Модель представляет собой аналог регулируемого перекрестка четырехполосного движения. В модели присутствует четыре автомобильных потока (рис.2):

- исследуемый: красный (обозначен буквой «A»)

- встречный: желтый (обозначен буквой «B»)

- перпендикулярный: фиолетовый (обозначен буквой «D»)

- перпендикулярный: синий (обозначен буквой «E»)

Рис.2. Транспортные потоки перекрестка «Коломяжский пр.–пр. Испытателей» и их условные обозначения

Рис.2. Транспортные потоки перекрестка «Коломяжский пр.–пр. Испытателей» и их условные обозначения

Модель строилась с основной целью: исследовать ситуацию с транспортными потоками на перекрестке Коломяжский пр.–пр. Испытателей в утренний период, поскольку именно в этот период в реальности наблюдается наиболее тяжелая дорожная ситуация на данном перекрестке, и разработать рекомендации по оптимизации этих потоков. Красный поток (поток «A») в данной модели является исследуемым, поскольку направлен строго в сторону выхода из района и наиболее интересен с точки зрения анализа. Однако в модели также присутствует возможность исследовать параметры и всех остальных потоков.

Анимация запущенной на выполнение модели представлена на рис.3.

Рис.3. Анимация имитационной модели перекрестка «Коломяжский пр.–пр. Испытателей»

Рис.3. Анимация имитационной модели перекрестка «Коломяжский пр.–пр. Испытателей»

Модель имеет входные и выходные параметры.

Входные параметры – параметры, позволяющие изменять результаты работы модели. К ним относятся:

- фазы светофоров;

- интенсивности входящих потоков, авт./мин;

- вероятности поворотов и перестроений;

- скорости движения,  км/ч;

- наличие/отсутствие пешеходов.

Выходные параметры – параметры, подлежащие контролю для оценки текущей ситуации. К ним относятся:

- интенсивности выходных потоков, авт./мин;

- длины очередей, ед.

Таким образом, суть работы с моделью состоит в том, что, изменяя те или иные входные параметры, мы можем добиться изменения выходных параметров, которые являются контрольными и характеризуют эффективность функционирования перекрестка. Это необходимо, прежде всего, для оценки текущей ситуации, а также прогноза ее развития в случае принятия соответствующих мер.

Модель имеет свой интерфейс для удобства работы с ней, который состоит из четырех основных частей (секций): 1) «анимация» (наглядное представление прогонов модели); 2) «входные параметры» (задание входных параметры модели); 3) «выходные параметры» (контроль выходных параметров при проигрывании модели); 4) «настройки».

Проверка адекватности (достоверности) модели выполнялась путем сбора и анализа фактических входных и выходных данных на реальном объекте. Входные параметры вводились в модель и после ее прогона модельные выходные параметры сравнивались с фактическими. Проверка осуществлялась по параметру «интенсивность выходного потока», поскольку в рамках данного исследования проверить модель по параметру «длина очереди» не представлялось возможным. Проверка показала, что средняя погрешность модели составляет , (достоверность ). В рамках данного исследования адекватность модели была признана приемлемой.

Для реализации целей создания имитационной модели в работе были произведены с ее помощью компьютерные эксперименты, суть которых заключалась в том, чтобы оценить влияние тех или иных принимаемых мероприятий (изменение входных параметров) на результаты моделирования (выходные параметры).

В рамках данного исследования были произведены шесть экспериментов со следующими условными названиями: 1. «по фактическим данным»; 2. «накопления очередей»; 3. «строительство надземных пешеходных переходов»; 4. «постановка дорожных знаков»; 5. «оптимизация фаз светофора»; 6. «разгрузка Светлановской пл.»

Суть каждого эксперимента и выводы, сделанные по результатам их проведения, приведены ниже.

Эксперимент «по фактическим данным». Очевидно, что вначале необходимо определить те выходные параметры, которые формируются в модели при проигрывании фактических (полученных в ходе натурных измерений) данных. Именно это является главной целью эксперимента. Эксперимент также призван наглядно оценить текущую ситуацию.

Время эксперимента  было принято равным 1800 с (30 мин.) модельного времени. Графики зависимостей величин очередей и интенсивностей выходных потоков в авт./мин от величины модельного времени представлены на рис. 4.

Рисунок 4а

Рисунок 4б

Рис. 4. Эксперимент по фактическим данным. Зависимость: а) величин очередей; б) интенсивностей выходных потоков от модельного времени

По результатам исследования можно сделать следующие выводы. Во-первых, из собранных фактических данных по интенсивностям входящих потоков и вероятностям поворотов вытекает ожидаемый вывод о том, что большая часть всех потоков стремится в одном направлении – к Светлановской пл., заполняя очередь на проблемном участке за перекрестком. В результате же эксперимента выявлено, что наиболее высокие темпы роста имеет очередь потока A, наименее высокие – поток B. Интенсивность выхода принимает наименьшие значения для потока D, наибольшие – для потока E. Поток A оказывается в наибольшей степени заторможенным пробкой, образованной за перекрестком, поскольку практически весь устремлен в проблемный участок. В то же самое время большая, чем для A, часть потоков D и E устремлена не в направлении Светлановской пл., и интенсивности входа этих потоков меньше, чем для A. Поэтому очереди в данных условиях для потоков D и E образуются медленнее. Величина же очереди на участке перед Светлановской пл. не имеет тенденции к снижению.

Эксперимент «накопления очередей» (рис.5). В нем моделируется процесс накопления «с нуля» очередей каждого потока непосредственно перед перекрестком, а также очереди к Светлановской пл. на участке за перекрестком. Основная цель данного эксперимента – проследить, как накапливается очередь на участке перед Светлановской пл., а также очереди всех потоков. 

Рисунок 5а

Рисунок 5б

Рис. 5. Эксперимент накопления очередей. Зависимость: а) величин очередей; б) интенсивностей выходных потоков от модельного времени

Эксперимент отличается от предыдущего тем, что в настройках очередь перед Светлановской пл. заранее не заполняется. Время эксперимента принято равным 4500 с (1 ч. 15 мин.) модельного времени.

В эксперименте «накопления очередей» установлено, что очередь за перекрестком на участке перед Светлановской пл. накапливается приблизительно за 3000 с (50 мин), затем ее колебания устанавливаются около определенного значения, близкого к переполнению указанного участка. Очередь потока A начинает возрастать к 2500 с (42 мин) эксперимента, когда участок перед Светлановской пл. начинает переполняться. Это происходит вследствие того, что практически весь поток A устремлен прямо в проблемный участок за перекрестком, и проблемы не возникает, пока он не начинает переполняться. В наибольшей степени возрастает очередь потока D, в наименьшей – потока B, что объясняется торможением двух рядов потока D, поворачивающих направо, пешеходами. Аналогичные выводы вытекают из анализа интенсивностей выхода потоков.

Из эксперимента «по фактическим данным» и «накопления очередей» вытекает очевидный вывод о том, что разгрузка Светлановской пл. за счет строительства многоуровневой развязки может решить проблему пробок и на рассматриваемом перекрестке. Однако реализация этой меры согласно «Концепции совершенствования и развития дорожного хозяйства Санкт-Петербурга до 2010 года с прогнозом до 2015 года»  планируется лишь на период до 2015 года. Поэтому необходимо выявить возможные варианты решения проблемы без разгрузки Светлановской пл., для чего было произведено еще несколько экспериментов с моделью.

Эксперимент «строительство надземных пешеходных переходов». Очевидно, что пешеходы являются помехой проезду автомобильного транспорта при поворотах на перекрестках. Следовательно, можно предположить, что если организовать возможность разделения пешеходных и автомобильных потоков (например, в разных уровнях), то это предоставит не только повышение безопасности дорожного движения, но и позволит увеличить пропускную способность перекрестка и уменьшить очереди автомобильных потоков. Именно такие ситуации и моделируются в данных экспериментах. Отметим, что строительство именно надземных пешеходных переходов дешевле, чем подземных. И, кроме того, они могут быть быстрее реализованы в реальном проекте.

Таким образом, проводится несколько последовательных экспериментов, отменяя в каждом из них проход пешеходов по определенному переходу (то есть моделируется наличие надземного перехода, пешеходов нет на проезжей части), и контролируется изменение выходных параметров.

Эксперимент «строительство надземных переходов» выявил, что для изменения ситуации достаточно строительства только одного надземного пешеходного перехода – через пр. Испытателей за рассматриваемым перекрестком в направлении Светлановской площади. Однако в дополнение к этой мере должны быть приняты определенные действия по уравниванию потоков – перенастройка фаз светофора. Наилучшим вариантом является использование интеллектуальной автоматически перенастраиваемой светофорной установки.

Эксперимент «постановка дорожных знаков». Проведена серия экспериментов с постановкой различного типа дорожных знаков и оценивается влияние таких мер на выходные параметры модели.

Типичной ситуацией является стоянка автомобилей в правом ряду пр. Испытателей перед рассматриваемым перекрестком по направлению движения потока A. Наличие постоянно стоящих автомобилей в правом ряду снижает пропускную способность дороги, поскольку невозможным становится использование правого ряда. Таким образом, моделируется постановка знака «Стоянка запрещена» на всём протяжении пр. Испытателей от перекрестка с Серебристым бульваром до перекрестка с Коломяжским проспектом. Отметим, что постановка знака «Остановка запрещена» вблизи станции метро нецелесообразна, поскольку в таких местах всегда должна быть возможность кратковременной остановки частного и пассажирского транспорта для посадки и высадки пассажиров. Проводились также эксперименты с постановкой знаков движения по полосам:  отмена левого поворота потока A и отмена левого поворота потока E.

В результате эксперимента «постановка дорожных знаков» выявлено, что наиболее эффективной мерой является постановка знака «Стоянка запрещена» по направлению движения потока A на всем протяжении пр. Испытателей от предыдущего до рассматриваемого перекрестка. Это поможет существенно снизить очередь потока A на пр. Испытателей. Запрещение левого поворота потоку A – неэффективная и неоправданная мера, лишь усугубляющая проблему очереди за перекрестком. Хорошие результаты по снижению очередей потоков E и A дает запрет левого поворота потоку E. Однако к воплощению этой меры в реальной жизни следует подойти с осторожностью, поскольку она заставляет водителей ехать в объезд, что может усугубить ситуацию на соседних перекрестках.

Эксперимент «оптимизация фаз светофора». Цель эксперимента – найти оптимальные фазы светофоров, минимизирующие величины очередей потоков. Результаты этого эксперимента оказываются во многом неоднозначными, поскольку вариация фаз светофоров по-разному влияет на выходные параметры каждого отдельного потока.

Эксперимент имеет специфическую методику. Очевидно, что два светофора на одном перекрестке являются взаимосвязанными. Это означает, что они работают согласованно, и изменение длительности зеленого света одного из них неизбежно должно вести к изменению длительности красного света на другом. В модели длительности красного света светофоров вычисляются автоматически, в зависимости от длительностей зеленого и желтого света светофоров, задаваемых пользователем. Но поскольку варьировать длительность желтого света светофоров и получать при этом определенные результаты – действие, не имеющее смысла и практического применения, то остаются только два варьируемых параметра – длительности горения зеленого света двух светофоров. В модели эти варьируемые параметры обозначены следующим образом: Tgreen – длительность зеленого света первого светофора (для потоков A и B); Tgreen1 – длительность зеленого света второго светофора (для потоков D и E). Под «фазой» будем понимать именно длительности горения зеленого света Tgreen и Tgreen1.

Суть эксперимента состоит в следующем: последовательными прогонами модели при различных значениях Tgreen и Tgreen1 получаем данные о величинах очередей каждого потока. При этом один параметр (Tgreen1) фиксируется, а второй (Tgreen) изменяется с определенным шагом. Для примера на рис. 6 приведена подобная зависимость для потока А. 

Рис. 6. Зависимость величины очереди потока A от времени горения зеленого света светофора прямого потока (Tgreen)

Рис. 6. Зависимость величины очереди потока A от времени горения зеленого света светофора прямого потока (Tgreen)

Затем на шаг изменяется Tgreen1, и снова получаются данные при изменении Tgreen при фиксированном Tgreen1. Затем из полученных данных выбираются так называемые «наиболее благоприятные» и «оптимальные» сочетания фаз светофоров Tgreen и Tgreen1 для каждого из потоков. Наиболее благоприятными считаются такие сочетания фаз, при которых при фиксированном значении одной из фаз (Tgreen1) подбирается наилучшее с точки зрения длины очереди для конкретного потока значение второй фазы (Tgreen).

Оптимальными сочетаниями фаз считаются такие наиболее благоприятные сочетания, которые обеспечивают минимально возможную очередь данного конкретного потока при данных условиях.

Очевидно, что оптимальные и наиболее благоприятные сочетания будут различными для различных потоков. Поэтому в ходе эксперимента получаем результаты для всех потоков (табл. 1).

Таблица 1 Оптимальные сочетания фаз светофоров

аблица 1 Оптимальные сочетания фаз светофоров

Основной вывод по данному эксперименту – оптимальные сочетания фаз светофоров различны для различных потоков, и поэтому для того, чтобы добиться минимизации величины очереди для определенного потока, необходимо смириться с возможным увеличением величин очередей других потоков. Наиболее эффективным будет постановка интеллектуального автоматически перенастраиваемого светофора. Есть и альтернативный вариант – регулировка фаз светофоров сотрудником ДПС исходя из визуальной оценки ситуации.

Эксперимент «разгрузка Светлановской пл.». В нем моделируется ситуация, когда на Светлановской пл. организована многоуровневая развязка. Очевидно, что эта развязка призвана решить проблему пробок на участках дорог перед Светлановской площадью. В модели эта ситуация реализуется простым включением зеленого света светофора перед Светлановской пл. на бесконечный период времени.

Из эксперимента вытекает ожидаемый вывод об уменьшении величин очередей всех потоков. Однако очереди потоков D и E сохраняют тенденции к росту, что свидетельствует о необходимости решения проблемы с пешеходным переходом, задерживающим эти потоки, либо дополнительной регулировки светофоров.

Проведенное исследование транспортных потоков городской дорожной сети позволяет сделать следующие выводы и обобщения:

– моделирование транспортных потоков следует проводить в два этапа, путем построения макромоделей, которые применяются для анализа транспортных сетей большого объёма и микромоделей, с помощью которых можно достаточно детально исследовать отдельные, наиболее проблемные участки дорожной сети.

– наиболее удобным и естественным способом построения макромоделей транспортных потоков является сетевое, а микромоделей – имитационное моделирование.

– сетевое и имитационное моделирование является инструментом исследования транспортных потоков, который позволяет выявить существующие проблемы и указать возможные пути их решения.

Литературные источники

  1. Бочкарев А.А., Петров А.В., Пилипчук С.Ф. Оптимизация распределения транспортных потоков в городской транспортной сети. // Логистика и управление цепями поставок, № 5, 2010, с. 80-96.
  2. Кельтон В. Имитационное моделирование. Классика CS: [пер. с англ.] / В. Дэвид Кельтон, Аверилл М. Лоу. – 3-е изд. – СПб.: Питер; Киев: Издательская группа BHV, 2004. – 847 с.
  3. Карпов Ю.Г. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5 / Ю.Г. Карпов. – СПб. БХВ-Петербург, 2005. – 400 с.
Прочитано 6598 раз

Контакты

Работа с авторами 

Левина Тамара

моб. 8(962) 965-48-54

E-mail: levina-tamara@mail.ru

Распространение

Алямовская Наталия

моб. 8(916) 150-07-21

E-mail: nalyamovskaya@mail.ru

Адрес 

125319, Москва, ул. Черняховского, д.16

тел./факс (495) 771 32 58

ISSN 2587-6775

Издается с 2004 г.

Включен в перечень ВАК с 2008 г.

ИНДЕКСИРОВАНИЕ ЖУРНАЛА