Анализ и выбор модели прогнозирования времени прибытия транспорта на остановку в условиях транспортной системы г. Томска

656.02

The prediction of bus arrival time model analysis and choice for Тomsk transportation system conditions

A prerequisite for solving the acute problems and development of public transport in Russia and particularly in Tomsk is competent application of global navigation satellite systems which is a main part of the Intelligent Transportation System. Intelligent processing of the navigation and telemetry data from public transport which is specifi c to a particular city allows precise forecasting traffi c parameters and predicting vehicle arrival time to a control point.

Pogrebnoy V. Y., chief specialist of design and operation, Municipal budget Institution «Organization and control center of passenger transportation», National research Tomsk polytechnic university. Е-mail: vadimshah.1990@gmail.com

Fadeev A. S., head of Municipal budget institution «Organization and control center of passenger transportation», associate professor, National research Tomsk polytechnic university, Ph. D. Е-mail: fas@tpu.ru

Keywords:Tomsk, passenger transportation, public transport, Intelligent Transportation System, global navigation satellite system, navigation and telemetry data, vehicle arrival time prediction, prediction model

ВВЕДЕНИЕ

В Томске, как и во многих современных городах, одной из наиболее важных проблем для жителей является проблема транспортной доступности, связанная с ростом интенсивности и снижением скоростей движения транспортных потоков на автомобильных дорогах.

Уровень автомобилизации населения Томской области за последние десять лет вырос вдвое (рис. 1), на дорогах формируются многокилометровые заторы, управлять движением транспорта с каждым годом становится сложнее, что приводит к увеличению себестоимости перевозок, снижению безопасности движения. Один из способов решения транспортной проблемы — это привлечение большего количества людей к использованию общественного транспорта в городских условиях.

Изучение мирового опыта показало, что для создания привлекательных условий к использованию общественного транспорта необходимо применять интеллектуальные транспортные системы (ИТС), позволяющие, в том числе, своевременно предоставить пассажиру или диспетчеру всю необходимую ему информацию о параметрах движения транспорта.

По прогнозам I российского Международного конгресса по ИТС, ожидаемый социально-экономический эффект от внедрения систем информационного обеспечения транспортного комплекса России, по аналогии с эффектом внедрения в Западной Европе, США и Китае, составит до 10 % прироста прибыли транспортных предприятий, сокращение количества дорожно-транспортных происшествий на 30 %, снижение потребления топлива на 20 % и повышение занятости населения на 5 %. По другим данным, польза от внедрения ИТС за период с 1996 по 2015 год выразится в сокращении финансовых расходов за счет уменьшения аварий на 44 %, сокращения времени поездок на 41 %, уменьшения расхода топлива на 6 %, уменьшения эксплуатационных расходов на 5 % и сокращения расходов на содержание учреждений на 4 %.

ГНСС — СОВРЕМЕННЫЙ ИНСТРУМЕНТ ДЛЯ ТОЧНОГО ПРОГНОЗА ПАРАМЕТРОВ ДВИЖЕНИЯ ТРАНСПОРТА

Среди элементов ИТС наибольший интерес как для пассажира, так и для диспетчера представляет навигационно-телеметрическая информация, предоставляемая в реальном масштабе времени. Данный вид информации генерируется транспортными средствами (ТС), оборудованными системой автоматического определения местоположения и, в частности, приборами глобальной навигационной спутниковой системы (ГНСС), например ГЛОНАСС или GPS.

Существует два подхода к предоставлению навигационно-телеметрической информации: первый заключается в отображении текущего положения ТС и параметров его движения на интерактивной карте города, а второй — в предоставлении спрогнозированных параметров движения и данных о времени прибытия ТС к выбранной контрольной точке, например, через отображение информации на табло прибытия транспорта (рис. 2, 3). Первый подход является самым простым с точки зрения реализации, но менее полезным для пассажира. Более полезным для пассажира является второй подход: знания о времени прибытия ТС могут уменьшить беспокойство, связанное с ожиданием, и пассажир может своевременно решить, ожидать ли ему ТС или выбрать другой способ передвижения или маршрут. Применение навигационнотелеметрической информации, информации о маршруте и прочих условиях движения в сочетании с интеллектуальными алгоритмами, обрабатывающими эти данные, позволяет наиболее точно предсказать время прибытия транспорта в нужную точку.

АНАЛИЗ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ВРЕМЕНИ ПРИБЫТИЯ ТРАНСПОРТА НА ОСТАНОВКУ

Вопросы прогнозирования параметров движения пассажирского транспорта рассматриваются в основном в зарубежных источниках с 80-х годов ХХ в. Большое внимание в публикациях уделяется предсказанию времени прибытия ТС на остановку.

Типичный алгоритм предсказания времени прибытия ТС использует статическую и динамическую информацию. К статической информации относятся расписание движения ТС, статистическая информация о параметрах движения, среднее время задержки ТС на контрольных точках. Динамическая информация включает в себя местоположение ТС в реальном масштабе времени, текущие задержки на контрольных точках и текущие условия движения. Большинство моделей прогнозирования в качестве исходных данных используют GPS-статистику, отражающую историю параметров движения ТС, полученную методом периодического опроса ТС. Эти данные затем в каждой модели интерпретируются по-разному и преобразовываются во входные параметры.

Качество ИТС во многом зависит от точности предоставляемой информации, на которую влияют ошибки, содержащиеся в по ступающих навигационно-телеметрических данных, и используемые способы устранения данных ошибок. Среди существующих ошибок выделяют: отсутствие данных , ТС вне дороги и ТС вне маршрута, обратные данные. Ошибки достаточно просто устраняются в случае использования линеаризованных маршрутов, и данные приводятся к необходимому виду.

В большинстве исследований собранные в течение суток данные группируются по временным периодам: например, утренний и вечерний часы пик, обычное время в будни, вечернее время. В разные периоды времени расписание и условия движения различные, поэтому стоит ожидать, что время задержки пассажирского транспорта в контрольных точках и интервалы его движения также будут различными. Кроме того, дорожная ситуация в рабочие дни в определенное время суток будет отличаться от того же времени суток в выходные и праздничные дни, а также зависеть от того, в какое время года ведется наблюдение за транспортом. В связи с этим накопление данных и прогнозирование движения стоит проводить в срезе конкретного периода времени.

Существующие в настоящее время модели и алгоритмы предсказания, используемые в ИТС США, КНР и других стран, можно разделить на шесть классов (рис. 4):

  1. «Модели, основанные на исторических данных». Предсказывают время в пути, используя среднее время в пути, полученное из базы данных, накапливающей статистику движения ТС. Модель требует обширного набора исторических данных, поэтому в новых условиях данная система будет функционировать с большой погрешностью. Существуют также модели, основанные на данных реального времени. Такие модели предполагают, что самые последние наблюдаемые параметры движения ТС являются основой для предсказания параметров движения последующих ТС.
  2. «Регрессионные модели». Являются традиционным подходом. В нем применяются математические модели для прогнозирования ожидаемого времени поездки между остановками и дальнейшего предсказания времени прибытия ТС к остановке. Регрессионные модели предсказывают значение зависимой переменной с использованием математической функции, принимающей значения независимых параметров. В регрессионной модели все параметры должны быть независимыми, в связи с этим требованием применение данной модели в сфере транспорта ограничено, т. к. многие параметры в транспортных системах взаимосвязаны.
  3. «Модели временных рядов». Зависят от данных, полученных из предшествующих временных периодов, делая прогноз на будущие периоды времени. В этой модели предполагается, что некоторый набор данных иногда сохраняется с течением времени, и этот набор может быть получен с применением математических функций, использующих статистические данные. Модели временных рядов основаны на предположении, что исторические закономерности движения в будущем сохранятся, поэтому в моделях временных рядов точность прогноза сильно зависит от функции соответствия между реальными параметрами движения и статистическими параметрами.
  4. «Фильтр Калмана». Широко используется в прогнозировании интервалов движения ТС между остановками. Модели фильтра Калмана потенциально способны адаптировать колебания параметров движения, зависящие от времени. Эффективность данных моделей в прогнозировании интервалов движения между остановками резко уменьшается с увеличением расстояния до остановки, время прибытия к которой необходимо предсказать.
  5. «Искусственные нейронные сети (ИНС)» — это математические модели, которые эмулируют процесс обучения и работу нервных клеток животных и человека. Наиболее часто в моделях прогнозирования в процессе обучения используется метод обратного распространения ошибки. Процесс обучения сети может постоянно продолжаться, тем самым адаптируя модель к постоянно изменяющимся условиям. В то время как другие модели зависят от циклического повторения набора данных или требуют независимости между параметрами, модель, использующая нейронные сети, не имеет таких требований. Из-за способности нейронных сетей решать сложные нелинейные задачи, данные модели имеют широкое распространение в сфере ИТС с начала 1990-х годов. Данные модели во многих исследованиях имели лучшие результаты прогнозирования по сравнению с другими приведенными моделями прогнозирования.
  6. «Метод опорных векторов» — это набор связанных методов обучения с учителем, используемых для классификации и регрессии. По сравнению с искусственными нейронными сетями, которые были тщательно изучены, метод опорных векторов имеет мало примеров применения в  сфере транспорта. Поскольку метод опорных векторов имеет большие возможности обобщения и  гарантирует достижение глобальных минимумов при обучении, считается, что  он должен хорошо работать для анализа временных рядов.

Применение конкретной модели связано с уровнем развития транспортной системы и инфраструктуры города, объемом накопленной статической информации, размером человеческого ресурса, вовлеченного в разработку системы прогнозирования, а также с необходимой точностью прогноза. Практика применения показывает, что модели, основанные на ИНС, — одни из наиболее точных и часто используемых в условиях различных транспортных систем, а также легко разрабатываемые в связи с широким распространением алгоритмов работы ИНС.

ЗАКЛЮЧЕНИЕ

В настоящее время в Томске только развивается концепция ИТС. Большинство единиц подвижного состава пассажирского транспорта города оснащено навигационно-связным оборудованием ГЛОНАСС или ГЛОНАСС / GPS, обеспечивающим определение текущего местоположения и параметров движения ТС. Поступающие навигационно-телеметрические данные позволяют использовать одну из шести существующих моделей прогнозирования, однако в связи с наличием только динамической информации о параметрах движения транспорта выбор наиболее подходящей модели ограничен. Для Томска наибольший интерес среди указанных моделей представляют модели, основанные на реальных данных, как наиболее простые для проектирования и разработки, а также основанные на ИНС.

Первые алгоритмы реализации модели, основанной на реальных данных, уже разработаны.

Созданная информационная система прогнозирования параметров движения находится в опытной эксплуатации и планируется к использованию для информирования диспетчеров о текущей дорожной ситуации, пассажиров о времени прибытия транспорта на остановку с использованием электронных табло, мобильных приложений и веб-сайтов, а также для автоматизации процесса формирования расписаний движения пассажирского транспорта. В дальнейшем после накопления достаточного объема статической информации, необходимой для качественного обучения ИНС и увеличения точности результатов работы алгоритмов, планируется использовать модели, основанные на ИНС, и другие, имеющие наиболее точные результаты прогноза.