Математические модели и адаптивные методы краткосрочного прогнозирования параметров дорожного движения

• Автор: Агафонов, Антон Александрович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Самара
• Количество страниц: 164 с. : ил.

Оглавление

СПИСОК СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ

ВВЕДЕНИЕ
1 ПРОГНОЗИРОВАНИЕ ПАРАМЕТРОВ ДОРОЖНОГО ДВИЖЕНИЯ: СОВРЕМЕННЫЕ НАУЧНЫЕ НАПРАВЛЕНИЯ, РЕШЕНИЯ И ОСНОВНЫЕ ЗАДАЧИ

1.1 Статическое прогнозирование транспортных потоков

1.1.1 Прогнозные модели загрузки транспортной сети

1.1.2 Модели динамики транспортных потоков (имитационные модели)

1.1.3 Современные программные решения для моделирования транспортных потоков

1.2 Динамическое прогнозирование транспортных потоков

1.2.1 Оценка динамической матрицы корреспонденции и распределения транспортных потоков по сети на основании прямых измерений
1.2.2 Краткосрочное прогнозирование транспортных потоков
1.3 Прикладные задачи в транспортных сетях: модели и подходы.;.
1.3.1 Модели прогноза событий
1.3.2 Навигационные задачи
1.3.3 Современные программные решения для решения прикладных задач
1.4 Обоснование проектов по модернизации транспортных сетей
1.5 Современные мировые тенденции
1.6 Место настоящей диссертации в научных исследованиях и основные задачи
2 ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ТРАНСПОРТНЫХ ПОТОКОВ В ТРАНСПОРТНОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ АКТУАЛЬНЫХ И СТАТИСТИЧЕСКИХ ДАННЫХ
2.1 Основные обозначения и постановка задачи
2.2 Оценка параметров транспортных потоков по данным ОРЬ/ГЛОНАСС наблюдений
2.2.1 Алгоритмы оценки текущего положения ТС на графе дорожной сети
2.2.2 Оценка параметров транспортных потоков по актуальным данным
2.3 Общая схема предлагаемого метода
2.3.1 Представление графа сети с использованием подграфов. Вектор признаков подграфа
2.3.2 Снижение размерности описания подграфа УДС с учётом пространственной и временной избыточности данных о потоках
2.3.3 Алгоритмы прогнозирования ' транспортных потоков с использованием временных рядов
2.3.4 Алгоритмы прогнозирования транспортных потоков с использованием методов машинного обучения
2.3.5 Алгоритм адаптивной линейной комбинации элементарных прогнозов
2.3.6 Вычислительная процедура расчёта прогнозных параметров транспортных потоков
2.3.7 Математическая модель краткосрочной динамики транспортных потоков
2.3.8 Численный метод настройки математической модели краткосрочной динамики транспортных потоков
2.4 Экспериментальные исследования
2.5 Выводы и результаты второго раздела
3 ПРОГНОЗИРОВАНИЕ ВРЕМЕНИ ПРИБЫТИЯ ОБЩЕСТВЕННОГО
ТРАНСПОРТА С ИСПОЛЬЗОВАНИЕМ АДАПТИВНОЙ КОМБИНАЦИИ ЭЛЕМЕНТАРНЫХ ПРОГНОЗОВ
3.1 Основные обозначения и постановка задачи
3.2 Оценка времени прохождение ОТС конкретного сегмента. Модель адаптивной комбинации элементарных прогнозов
3.3 Оценка параметров элементарных алгоритмов прогноза
3.4 Численный метод настройки математической модели времени прибытия общественных транспортных средств на остановочные пункты
3.5 Экспериментальные исследования
3.6 Выводы и результаты третьего раздела

4 АРХИТЕКТУРА И РЕАЛИЗАЦИЯ ПРОГРАММНОГО КОМПЛЕКСА РЕШЕНИЯ ЗАДАЧ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ДИНАМИКИ ТРАНСПОРТНЫХ ПОТОКОВ И ДВИЖЕНИЯ ОТДЕЛЬНЫХ ТРАНСПОРТНЫХ СРЕДСТВ В ТРАНСПОРТНЫХ СЕТЯХ
4.1 Требования к программному комплексу
4.2 Исходные данные
4.3 Формирование модели транспортной системы города
4.4 Описание работы программного комплекса
4.4.1 Уточнение положения транспортных средств
4.4.2 Определение состояния транспортного средства
4.4.3 Прогноз времени прибытия
4.5 Архитектура программного комплекса
4.6 Физическая модель данных программного комплекса
4.7 Взаимодействие с клиентскими приложениями
4.8 Результаты четвертого раздела
ЗАКЛЮЧЕНИЕ
Список литературы
Приложение А Использование результатов диссертации
Приложение Б Прогнозные модели загрузки транспортной сети

либо чисто эвристическими [58], либо недетерминированными полиномиальными [136].
Задача поиска кратчайших путей с минимизацией рисков является хорошо изученной, много исследований посвящено априорному поиску маршрутов. В работе [57] оптимальный путь определяется как путь, который максимизирует вероятность времени нахождения в пути, меньшего или равного заданному порогу. Предлагается точный метод для вычисления непрерывного распределения вероятностей времени прохождения кратчайших путей. В [144] представлен рекурсивный алгоритм для решения задачи [57] в дискретной постановке. Однако алгоритм подходит только для сетей небольших размеров, т.к. требует определения не только всех маршрутов, но и всех вероятностей времени прохождения сегментов сети. В [182] предлагается использовать вероятность найденного пути быть кратчайший в качестве индекса оптимальности, приведены аналитические формулы расчета индекса оптимальности. Теория ожидаемой полезности фон Неймана и Моргенштерна [211] также используется для определения оптимального пути. Было показано [127,45], что для нахождения максимально-полезных путей при использовании аффинной или показательной функции может использоваться принцип оптимальности Беллмана. Для квадратичных функций полезности и/или специальных распределений, которые однозначно определяются первыми двумя моментами, задача определения максимальной ожидаемой полезности сводится к классу бикритериальных задач поиска кратчайшего пути, учитывающих среднее время и дисперсию времени в пути [127]. Эти задачи могут быть сформулированы с помощью обобщенного динамического программирования [21]. Более общие нелинейные функции полезности можно аппроксимировать кусочно-линейными функциями [147,148].
Выбор оптимального соотношения среднего значения и дисперсии времени пути может осуществляться и другими способами. Например, в [183] вводится дополнительное ограничение дисперсии времени пути эталонным значением. В [179] целевая функция стохастической маршрутизации задается как параметрическая линейная комбинация среднего и дисперсии.
В [234,145] под оптимальным понимается маршрут, наихудшее время в пути по которому минимально. Однако такая задача является ]ЧР-трудной даже при