Моделирование дорожного движения или моделирование транспортных систем — это математическое моделирование транспортных систем (например, автомагистралей, магистральных маршрутов, кольцевых развязок, сетей в центре города и т. д.) с помощью применения компьютерного программного обеспечения для лучшего планирования, проектирования и эксплуатации транспортных систем. [1] Моделирование транспортных систем началось в 1950-х годах [2] и является важной областью дисциплины в области дорожного движения и планирования транспорта сегодня. Различные национальные и местные транспортные агентства, академические институты и консалтинговые фирмы используют моделирование для помощи в управлении транспортными сетями.
Моделирование в транспорте важно, поскольку оно позволяет изучать модели, слишком сложные для аналитической или численной обработки, может использоваться для экспериментальных исследований, может изучать подробные взаимосвязи, которые могут быть утеряны при аналитической или численной обработке, и может создавать привлекательные наглядные демонстрации настоящих и будущих сценариев.
Чтобы понять моделирование, важно понять концепцию состояния системы , которая представляет собой набор переменных, содержащий достаточно информации для описания эволюции системы с течением времени. [3] Состояние системы может быть как дискретным , так и непрерывным . Модели моделирования трафика классифицируются в соответствии с дискретным и непрерывным временем, состоянием и пространством. [4]
Методы моделирования в транспорте могут использовать ряд теорий, включая теорию вероятности и статистику, дифференциальные уравнения и численные методы.
Одной из самых ранних моделей дискретного события является моделирование Монте-Карло , в котором для синтеза условий дорожного движения используется ряд случайных чисел. [5]
За этим последовала модель клеточного автомата , которая генерирует случайность на основе детерминированных правил.
Более поздние методы используют либо дискретно-событийное моделирование , либо непрерывно-временное моделирование . Дискретно-событийные модели моделирования являются как стохастическими (со случайными компонентами), так и динамическими (время является переменной). Например, односерверные очереди можно очень хорошо моделировать с помощью дискретно-событийного моделирования, поскольку серверы обычно находятся в одном месте и поэтому являются дискретными (например, светофоры ). Непрерывное моделирование во времени, с другой стороны, может решить недостаток дискретно-событийного моделирования, когда модель должна иметь входные, состояния и выходные траектории в пределах временного интервала. Метод требует использования дифференциальных уравнений , в частности, методов численного интегрирования. [6] Эти уравнения могут варьироваться от простых методов, таких как метод Эйлера , до методов рядов Тейлора более высокого порядка , таких как метод Хойна и метод Рунге-Кутты . [7]
Класс микроскопических непрерывных моделей времени, известных как модели следования за автомобилем , также основан на дифференциальных уравнениях. Значимые модели включают Pipes, модель интеллектуального водителя и модель Gipps . Они моделируют поведение каждого транспортного средства («микроскопические»), чтобы увидеть его влияние на всю систему дорожного движения («макроскопические»). Использование численного метода с моделью следования за автомобилем (например, Gipps' с Heun's) может генерировать важную информацию об условиях дорожного движения, например, задержки в системе и выявление узких мест.
Методы, указанные выше, обычно используются для моделирования поведения существующей системы и часто фокусируются на конкретных областях интереса в различных условиях (таких как изменение макета, закрытие полос и различные уровни транспортного потока). Транспортное планирование и прогнозирование могут использоваться для разработки более широкого понимания потребностей в транспорте в широкой географической области и прогнозирования будущих уровней трафика на различных звеньях (участках) сети, включая различные сценарии роста, с петлями обратной связи для включения влияния заторов на распределение поездок.
Модели имитации дорожного движения полезны с микроскопической, макроскопической и иногда мезоскопической точки зрения. Моделирование может применяться как к транспортному планированию, так и к проектированию и эксплуатации транспорта. В транспортном планировании имитационные модели оценивают влияние региональных моделей городского развития на производительность транспортной инфраструктуры. Региональные планирующие организации используют эти модели для оценки сценариев «что если» в регионе, таких как качество воздуха, чтобы помочь разработать политику землепользования , которая приведет к более устойчивому путешествию . С другой стороны, моделирование операций и проектирования транспортной системы фокусируется на меньших масштабах, таких как коридор автомагистрали и точки защемления. Типы полос, время сигнала и другие вопросы, связанные с движением, исследуются для повышения эффективности и результативности локальной системы. [8] В то время как некоторые имитационные модели специализированы для моделирования либо операций, либо планирования системы, некоторые модели имеют возможность моделировать и то, и другое в некоторой степени.
Моделирование может использоваться для различных видов транспорта , будь то планирование или эксплуатация систем .
Наземный транспорт для перемещения пассажиров и грузов, возможно, является областью, где моделирование используется наиболее широко. Моделирование может проводиться на уровне коридора или на более сложном уровне дорожной сети для анализа планирования, проектирования и эксплуатации, таких как задержки, загрязнение и заторы. Модели наземного транспорта могут включать все виды дорожного движения, включая автомобили, грузовики, автобусы, велосипеды и пешеходов. В традиционных моделях дорожного движения обычно используется совокупное представление трафика, когда все транспортные средства определенной группы подчиняются одним и тем же правилам поведения; в микромоделировании поведение водителя и производительность сети включены, так что можно исследовать полные проблемы дорожного движения (например, интеллектуальная транспортная система , ударные волны). [9]
Железнодорожный транспорт является важным видом транспорта как для грузовых, так и для пассажирских перевозок. Моделирование железных дорог для грузовых перевозок важно для определения эксплуатационной эффективности и рационализации решений по планированию. [10] Моделирование грузоперевозок может включать такие аспекты, как выделенные полосы для грузовиков, поток товаров, пропускная способность коридора и системы, распределение трафика/сетевой поток и планы грузоперевозок, которые включают прогнозирование спроса на поездки. [11]
Морские и воздушные перевозки представляют собой две области, которые важны для экономики. Морское моделирование в первую очередь включает моделирование контейнерных терминалов , которое занимается логистикой обработки контейнеров для повышения эффективности системы. Моделирование воздушных перевозок в первую очередь включает моделирование операций терминала аэропорта (обработка багажа, контрольно-пропускной пункт) и операций на взлетно-посадочной полосе .
В дополнение к моделированию отдельных режимов, часто более важно моделировать многомодальную сеть, поскольку в реальности режимы интегрированы и представляют больше сложностей, которые каждый отдельный режим может упустить из виду. Моделирование интермодальной сети также может лучше понять влияние определенной сети с комплексной точки зрения, чтобы более точно представить ее влияние для реализации важных политических последствий. Примером интермодального симулятора является Commuter, разработанный Azalient, который вводит как динамический маршрут, так и выбор режима агентами во время моделирования - этот тип моделирования называется наносимуляцией, поскольку он учитывает спрос и поездки на более тонком уровне детализации, чем традиционное микросимуляционное моделирование.
Моделирование в сфере транспорта также можно интегрировать с моделированием городской среды, где моделируется большая городская территория, включающая сети дорог, чтобы лучше понять землепользование и другие последствия планирования транспортной сети для городской среды.
Программное обеспечение для моделирования [12] улучшается в различных направлениях. Благодаря новым достижениям в математике, инженерии и вычислительной технике программы для моделирования становятся все более быстрыми, более мощными, более ориентированными на детали и более реалистичными. [13]
Транспортные модели обычно можно разделить на микроскопические, мезоскопические, макроскопические и метаскопические. Микроскопические модели изучают отдельные элементы транспортных систем, такие как динамика отдельного транспортного средства и поведение отдельного путешественника. Мезоскопические модели анализируют транспортные элементы в небольших группах, внутри которых элементы считаются однородными. Типичным примером является динамика колонны транспортных средств и поведение передвижения на уровне домохозяйств. Макроскопические модели имеют дело с агрегированными характеристиками транспортных элементов, такими как динамика агрегированного транспортного потока и анализ спроса на поездки на зональном уровне.
Модели микросимуляции отслеживают движения отдельных транспортных средств на секундной или субсекундной основе. Микросимуляция опирается на случайные числа для генерации транспортных средств, выбора решений по маршруту и определения поведения. Из-за этой вариации необходимо запустить модель несколько раз с разными начальными значениями случайных чисел, чтобы получить желаемую точность. Будет период «разогрева», прежде чем система достигнет устойчивого состояния, и этот период следует исключить из результатов.
Микросимуляционные модели обычно выдают два типа результатов: анимированные дисплеи и численный вывод в текстовых файлах. Важно понимать, как программное обеспечение накапливало и суммировало численные результаты, чтобы предотвратить неверную интерпретацию. Анимация может позволить аналитику быстро оценить производительность, однако она ограничена качественными сравнениями. Основным признаком проблемы, который можно увидеть в анимации, является формирование постоянных очередей.
«Показатели эффективности» (MOE) могут быть рассчитаны или определены способом, уникальным для каждой программы моделирования. MOE — это статистика производительности системы, которая классифицирует степень, в которой конкретная альтернатива соответствует целям проекта. Следующие MOE наиболее распространены при анализе моделей моделирования:
Другие часто сообщаемые показатели инструментов моделирования дорожного движения включают: .
Выходные данные микросимуляционной модели отличаются от данных Руководства по пропускной способности федеральных автомагистралей США (HCM). Например, большинство процедур HCM предполагают, что работа одного перекрестка не будет зависеть от условий прилегающей дороги (за исключением автомагистралей HCS 2000). «Прогулки» и длинные очереди из одного места, мешающие другому, противоречат этому предположению.
В HCM 2010 представлены пересмотренные рекомендации относительно того, какие типы выходных данных программного обеспечения для моделирования дорожного движения наиболее подходят для анализа и сравнения с HCM, например, траектории транспортных средств и необработанные выходные данные детектора контуров.
В HCM задержка используется для оценки уровня обслуживания (LOS) на перекрестках. Однако существуют явные различия между тем, как программы микросимуляции и HCM определяют задержку. HCM основывает свою задержку на скорректированном потоке, используя среднюю задержку управления для самого высокого 15-минутного периода в течение часа. Различие между общей задержкой и задержкой управления важно. Задержка управления возникает, когда управление сигналом заставляет группу замедляться или останавливаться. Важно ознакомиться с документацией программного обеспечения, чтобы понять, как оно вычисляет задержку. Чтобы использовать выходные данные микросимуляции для определения LOS, задержка должна быть накоплена за 15-минутные интервалы и усреднена за несколько запусков с различными случайными начальными числами. Поскольку HCM использует скорректированный поток, другой способ сравнения задержки — разделить 15-минутный пиковый объем ввода моделирования на коэффициент часа пик (PHF), чтобы увеличить объем моделирования.
HCM 2000 определяет очередь как ряд транспортных средств, велосипедов или людей, ожидающих обслуживания системой, в которой скорость потока из начала очереди определяет среднюю скорость внутри очереди. Медленно движущиеся транспортные средства или люди, присоединяющиеся к концу очереди, обычно считаются частью очереди. Эти определения несколько относительны и могут быть неоднозначными. В большинстве программ микромоделирования длина очереди не может превышать емкость хранилища для этого поворотного отсека или полосы. Переполнение в соседнее звено или за пределы сети обычно не учитывается, хотя это может повлиять на результаты. (Если это так, то обходным путем может быть временное игнорирование этих эффектов и расширение сети или области хранилища для звена, чтобы включить максимальную длину очереди.) [14]