Содержание к диссертации
Введение
1. Анализ транспортной инфраструктуры: современные научные направления, решения и основные задачи 13
1.1. Принципы проектирования улично-дорожной сети 13
1.2. Статические и динамические модели транспортной инфраструктуры 15
1.3. Классификация методов многокритериальной оптимизации 26
1.4. Модели решения транспортных задач 34
1.5. Технологии проектирования транспортной инфраструктуры 40
1.6. Постановка задачи поиска оптимальной конфигурации улично-дорожной сети 43
1.7. Основные выводы 47
2 Синтез единого информационного пространства транспортной инфраструктуры 49
2.1 Декомпозиция предметной области «Управление транспортной инфраструктурой» 49
2.2 Базовые элементы транспортной инфраструктуры 53
2.2.1 Модель улично-дорожной сети 53
2.2.2 Модель транспортного района 57
2.3 Синтез агрегационных объектов 65
2.3.1 Модель агрегационного объекта 65
2.3.2 Модель социального интеллектуального объекта 69
2.3.3 Модель функционирования агрегационных объектов 73
2.4 Методы предварительной обработки данных 76
2.4.1 Метод экстрагирования транспортных районов 76
2.4.2 Графоаналитический метод расчета точек дислокации 79
2.4.3 Метод интеграции матриц корреспонденции 83
2.4.4 Метод распределения транспортных потоков 84
2.4.5 Кластерный анализ участков улично-дорожной сети 87
2.5 Основные выводы и результаты 90
3 Решение задачи оптимизации конфигурации улично-дорожной сети методами интеллектуального анализа 92
3.1 Моделирование транспортных потоков 92
3.2 Представление социального интеллектуального объекта в системе моделирования 95
3.2.1 Архитектура социального интеллектуального объекта 95
3.2.2 Жизненный цикл социального интеллектуального о бъекта 98
3.2.3 Моделирование реактивного поведения 101
3.3 Нейросетевой метод прогноза характеристик транспортной инфраструктуры 107
3.4 Меметический алгоритм оптимизации 110
3.5 Основные выводы и результаты 120
4 Система поддержки принятия решений о дислокации объектов транспортной инфраструктуры... 121
4.1 Архитектура, функциональность и варианты использования интеллектуальной системы 121
4.2 Задачи системы поддержки принятия решений 122
4.3 Структура программного комплекса 124
4.4 Система хранения данных 127
4.5 Инструментальные средства исследования конфигурации улично-дорожной сети 130
4.6 Разработка и реализация методики исследований 135
4.7 Исследование конфигурации улично-дорожной сети 139
4.8 Основные выводы и результаты 151
Заключение 152
Список использованных источников
- Классификация методов многокритериальной оптимизации
- Модель улично-дорожной сети
- Архитектура социального интеллектуального объекта
- Инструментальные средства исследования конфигурации улично-дорожной сети
Классификация методов многокритериальной оптимизации
При решении транспортных задач используют моделирование. Модели транспортных потоков разделяют на макроскопические и микроскопические [84, 131]. В макроскопических моделях ТП представляется в виде движения единого вещества, например, жидкости. В микроскопических моделях каждое ТС рассматривается в отдельности [85].
В задачах модернизации конфигурации УДС резонно использовать микроскопическую модель, поскольку необходимо рассматривать точные характеристики ТП с учетом индивидуального поведения ТС, а также избежать возможности получения плотности ТП, в некоторых случаях превосходящей максимально возможную скорость движения, что является основным недостатком использования макроскопических моделей.
По результатам изучения работ [85, 132, 134, 165] к наиболее известным микроскопическим моделям относятся модель следования за лидером, модель оптимальной скорости, модель «разумного водителя» и клеточные автоматы.
Модель следования за лидером предполагает, что ускорение а(с.) каждого ТС с. є С зависит от характеристик ускорения а{с1),...,а{сп) и скорости v(cj),..., v(cn) соседних ТС \с1,...,сп}єС, і \,п . Самое значимое влияние при этом оказывает ТС-лидер, идущее непосредственно перед рассматриваемым ТС. В модели вводится аргумент, характеризующий скорость реакции ТС на изменения поведения лидера [165].
Недостатком данной модели является отсутствие учета возможности возникновения заторов и неверное описание поведения ТС при его единственности на участке дороги. В отсутствии лидера ускорение ТС равно нулю я(с,.) = 0.
Модель оптимальной скорости задает оптимальную скорость движения каждого ТС, зависящую от скорости лидера. Скорость движения рассматриваемого ТС зависит от дистанции от лидера [165].
Недостатком модели является чувствительность модели к такому параметру моделирования, как время адаптации. При увеличении времени неизбежны столкновения ТС, а при уменьшении - транспортные средства приобретают скорость, выходящую за допустимое значение.
Модель «разумного водителя» рассчитывает скорость ТС как непрерывную функцию от дистанции до лидера и от скорости относительно лидера. При этом данные параметры выбираются индивидуально для каждого ТС [165]. Модель позволяет учитывать специфическое поведение и характеристики ТС и отображает наиболее реалистичные свойства ТП. Клеточные автоматы. Для каждого ТС вводится набор дискретных переменных: время, скорость и координата. Участок дороги разбивается на ячейки (клетки), каждая из которых характеризуется булевой переменной (со значениями свободно/ занято транспортным средством) [165].
Модель клеточных автоматов наиболее эффективна, но обладает недостатком неустойчивости при высоких плотностях потока (в отличие от макроскопических моделей или моделей следования за лидером).
Современной научной тенденцией развития имитационного моделирования являются модели на основе многоагентных систем (MAC). Технические средства организации дорожного движения При решении задач в транспортных системах обычно рассматриваются технические средства организации дорожного движения, среди которых необходимо выделить такие средства регулирования транспортного потока как дорожные знаки, светофоры, дорожная разметка [109, 146]. Технические средства организации дорожного движения (ТСОДД) вносят изменения в режим движения ТП посредством формирования управляющего воздействия на ТС, движущиеся на данном участке УДС. Параметры управления светофорной сигнализацией и дислокация ТСОДД влияют на транспортную задержку и канализирование транспортных потоков на УДС [130].
Опорный план территории
Задачи проектирования геометрии участков УДС требуют владения информацией об объектах опорного плана территории, с целью проведения анализа существующей застройки для изучения возможности размещения новых участков транспортной сети.
За опорный план территории обычно принимают картографическое отображение сложившейся градостроительной ситуации в результате хозяйственной и иной деятельности. К основным объектам опорного плана, рассматриваемым в задачах проектирования ТрИ относятся:
Рассматриваемая территория с целью модернизации и улучшения транспортного обслуживания населения подвергается комплексному градостроительному анализу, включающему исследования урбанизированной территории и УДС. Анализ территории предусматривает разделение на транспортные районы [172, 200].
Транспортный район - элемент территории населенного пункта, который образуется в окрестности точки тяготения. Транспортные районы подразделяются на административные, торговые, культурные, промышленные и жилые. Для обеспечения связей между транспортными районами используют магистральные улицы. Транспортный район определяется координатами центроида и ареалом влияния [193].
Точки тяготения В задачах градостроительного проектирования принято рассматривать особые точки урбанизированного пространства, к которым стремится ТП -точки тяготения. Точки тяготения формируют перемещения населения.
Модель улично-дорожной сети
Для моделирования движения транспортных потоков необходима информация о подвижности населения, получаемая в виде интегральной матрицы корреспонденции M(t). Интегральная матрица M(t) суточных межрайонных корреспонденции для периода времени t является результатом интеграции матриц корреспонденции ty[l(t),...,MN(t)\, которые различаются по грузоподъемности (малой S, средней М , большой G), интервалу времени (час пик tpw, tpic, вне часа пик t) и причинам поездки (трудовые W, деловые В, рекреационные R) [141, 140, 181, 186]: MG(t) - грузового ТС большой грузоподъемности. Период времени t определяется как «час пик рабочего дня» tPic при: ґє7Д0Ш8,20, dw=\A; /є7Д0"иї6Д9 , dw=5, где dw=\J - день неде ли. Период времени t определяется как «час пик выходного дня» tPic при: t є 19,22 , dw=5- ґє7ДТ, dw=6; t є 16,22 =7, где 4,=1/7 - день недели. В остальных интервалах период времени t определяется как «вне час пик». Интеграция суточных матриц корреспонденции легкового транспорта осуществляется по формуле: M(0=r (0+M (4))+ H 10+ l4))+ VlO+ l4)), (2.16) где kw,k ,kr - весовые коэффициенты трудовых, деловых и рекреационных легковых корреспонденции, определенные в результате обследований [14, 36]. Суммарная матрица грузовых корреспонденции определяется: ML(t) = ksMs(t)+kmMM(t)+kgMG(t), (2.17) где ks,km,kg - весовые коэффициенты грузовых корреспонденции малой, средней и большой грузоподъемности, соответственно [141].
Полученная интегральная матрица M(t) используется в АО определе ЛС ния цепей корреспонденции А для восстановления цепей корреспонденции. 2.4.4 Метод распределения транспортных потоков АО определения цепей корреспонденции А позволяет определить цепь корреспонденции с{ для каждого СИО из множества А1 = щ,..., a N }.
Для распределения ТП по расширенному графу УДС G = {V ,E ) используется интегральная матрица корреспонденции M(t), найденная с по лТР мощью АО прогноза интенсивности ТП А 5 множество точек дислокации І , найденных с помощью АО определения точек дислокации А [17]. Алгоритм определения цепей корреспонденции сп состоит из следующих шагов (рис. 2.13): если к = 1 выбираем ячейку на пересечении случайным образом выбранных /-ой строки и -го столбца; если к = пК выбираем ячейку на пересечении строки, определенной последней точкой дислокации pk_1 и столбца, определенного первой точкой дислокации р1 в формируемой цепи с[; если к = пК -1 выбираем ячейку на пересечении z-ой строки, определенной последней точкой дислокации pk_1 и 7-го столбца, такого, что для ячейки матрицы корреспонденции mjq(t) количество перемещений njq 0, где q - индекс столбца, соответствующего первой точке дислокации р1 в цепи с[; иначе выбираем ячейку случайным образом по строке, которую определяет последняя точка дислокации рк_х формируемой цепи Шаг 10. определение очередных точек дислокации, в качестве которых используются центроиды транспортных районов, соответствующих выбранной ячейке матрицы корреспонденции; если к = 1, то выбираем две точки дислокации для цепи - Pi,p2 , иначе выбираем одну точку дислокации для цепи - рк; Шаг 11. добавление найденных точек дислокации в цепь корреспонденции с[, принадлежащую СИО а[ ;
Формирование цепей корреспонденции Для получения множества участков S используем метод кластерного анализа исходной модели УДС MRSN = )G,SRf. Использование методов кластеризации обуславливается отсутствием априорных гипотез относительно количества и содержания классов, которые необходимо получить в результа 89 те [19]. За объект кластеризации принимаем участок УДС s. є S . В результате проведения кластеризации каждый участок sR определяется в некоторый кластер кі є К в соответствии с его геометрическими и семантическими параметрами. Содержание множества образованных кластеров К трактуется на основе используемого формата данных. В качестве искомого множества участков S выбирается кластер к є К , содержащий участки УДС характеристики которых соответствуют выбранному типу kR . Сформулируем задачу кластеризации участков УДС: пусть имеется множество объектов SR = {sR,...,sR} и функция расстояния между объектами p(st,s j) . Требуется разбить выборку {sR,...,sR} на непересекающиеся подмножества, называемые кластерами К = {кх,... ,км} 5 таким образом, что каждый кластер kj є К состоит из объектов, близких по метрике р, а объекты разных кластеров существенно отличаются. При этом каждому объекту sf приписывается номер кластера пк. За алгоритм кластеризации принимается функция f . S — К, которая любому є S ставит в соответствие но-мер кластера щ [42]. В качестве функции расстояния p(st ,Sj) для определения близости объектов (участков УДС) выбрана классическая евклидова метрика: где Mk\si j MkySj) меры обладания p -м параметром і-то и j -го участков УДС, соответственно. Поскольку число кластеров щ для задачи анализа участков УДС заранее неизвестно, то для проведения кластерного анализа выбираем иерархический агломеративный метод Уорда, который является наилучшим по результатам экспериментального сравнения на представительном наборе модельных за 90 дач и дает возможность получения кластеров с минимальной внутрикластер-ной вариацией [3]. Максимальное количество кластеров пах=5.
Алгоритм кластеризации на основе иерархического агломеративного метода У орда состоит из следующих шагов:
Шаг 1. создание первичного набора кластеров, каждый из которых содержит один элемент набора кластеризации Kt ={{sf},...,{s }}, t = l, где sf - объект кластеризации, t - номер итерации; Шаг 2. нахождение ближайших кластеров: для всех t = 2,..., п , где t -номер итерации найти в Kt_r два ближайших кластера U, V : (U,V) := argmin/?(t/,K)s pt=p(U,V), где p(U,V) - расстояние меж ду кластерами U, V ; Шаг 3. изъятие кластеров U , V и добавление слитого кластера W = UKJV, Kt=Kt_ {W}\{Uy} Шаг 4. Вычисление расстояния p(W,S) для всех sf є Kt.
Эмпирическим путем было выявлено, что добавление избыточного количества параметров кластеризации (более пяти) даёт некорректные результаты, не учитывающие в полной мере все характеристики участков УДС.
В качестве параметров кластерного анализа выбраны следующие характеристики участка улично-дорожной сети s є S : q - количество полос движения; L - суммарная длина участков улично-дорожной сети; / - ин-тенсивность транспортного потока на участке; у/ - суммарная мощность транспортной загруженности развязок в зоне нормативной транспортной доступности [3].
Архитектура социального интеллектуального объекта
Проектирование программного комплекса интеллектуальной системы исследования конфигурации улично-дорожной сети и ее интеграция с ИТС является сложной задачей, поскольку оно связано с необходимостью сочетания множества разнотипных компонентов. В качестве методологической основы проектирования выбран синергетический подход, который базируется на максимальном использовании имманентных свойств объектов в процессе синтеза сложных систем. В синергетической системе в процессе ее целенаправленной самоорганизации происходит последовательное уменьшение степеней свободы и их подстройка к макропеременным [130, 161].
При проектировании программного комплекса интеллектуальной системы синергетический эффект достигается благодаря использованию в качестве управляющих воздействий архитектурной организации паттернов проектирования GRASP {General Responsibility Assignment Software Patterns, общих паттернов распределения ответственности в программном обеспечении) «Информационный эксперт», «Низкая связность» и «Высокое зацепление». Паттерн «Информационный эксперт» обеспечивает адекватное распределение обязанностей между компонентами, возлагая выполнение той или иной функциональности на элемент, обладающий необходимой информацией для ее выполнения [91, 112, 126]. Паттерн «Высокое зацепление» обеспечивает высокую степень сфокусированности обязанностей элемента. Паттерн «Слабое связывание» поддерживает функциональную и информационную независимость элементов друг от друга.
Инфраструктурный модуль ядра ИТС поддерживает данную концепцию на физическом уровне посредством использования паттернов «Внедрение зависимости» {Dependency Injection) и «Локатор служб» {Service Locator). Паттерн «Внедрение зависимости» обеспечивает независимость между компонентами, каждый из которых решает узкоспециализированную задачу. Паттерн «Локатор служб» дает унифицированный способ взаимодействия между слабосвязанными компонентами [157]. Данный факт позволил использовать ядро ИТС в качестве интеграционной среды, реализовав интеллектуальную систему в виде ряда подключаемых к ИТС модулей, что в свою очередь дало возможность опираться на базовую функциональность ядра ИТС при решении аналитических задач.
В ИТС модули подключены на уровне источника данных, сервера приложений или представления (рис 4.2). Все модули подключены с использованием паттерна «Внедрение зависимости», что обеспечило слабую связность программных модулей и функциональную независимость подсистем [157].
Ядро ИТС и подключаемые к нему модули разработаны на платформе Microsoft .NET Framework, упрощающей разработку сложных программных комплексов, поскольку в ней реализованы инфраструктуры распределенных вычислений, доступа к данным и пользовательского интерфейса. Платформа NET содержит общеязыковую среду исполнения CLR, которая возлагает на себя обязанности по исполнению низкоуровневых операций, таких как управление распределением памяти и потоками, обработка исключительных ситуаций, взаимодействие с ядром операционной системы. Использование платформы позволило сконцентрироваться на решении поставленных задач и избавиться от низкоуровневого программирования.
Модули, составляющие интеллектуальную систему, обладают разными требованиями к хранению данных. Поэтому многие из них имеют собственный слой доступа к данным, помимо того, что предоставляет ядро ИТС. В программном комплексе использованы разные технологии хранения данных:
Данный подход носит название многовариантной персистентности [156] и позволяет хранить данные в форме близкой той, что используется в программном коде. Это дает возможность исключить объектно-реляционное отображение [157] в критических, с точки зрения производительности, звеньях системы. Подход, основанный на многовариантной персистентности использовался на всех этапах проектирования БД: концептуальном, логическом и физическом. На рисунке 4.3 изображена структура взаимодействия модулей данных.
Модули импорта данных имеют возможность читать данные из внешних источников, для каждого из них разработан специальный компонент, способный разобрать информацию в предоставленном формате.
Инструментальные средства исследования конфигурации улично-дорожной сети
Разработаны алгоритмы и программный комплекс, в которых реализованы: моделирование транспортных потоков на основе взаимодействия социальных интеллектуальных объектов в динамической среде для сбора информации о напряженности, выявление акупунктурных точек на УДС урбанизированной территории с помощью нейросетевых технологий, поиск конфигурации УДС на основе разработанного меметического алгоритма.
Разработаны алгоритмы и программный комплекс исследования конфигурации улично-дорожной сети, определяющий характеристики результирующих моделей и способный проводить оценку качества конфигурации УДС.
Разработанный программный комплекс использовался для исследования улично-дорожной сети при составлении проектной документации г. Калуга. На основе проведенных исследований выработаны рекомендации по изменению конфигурации УДС, которые позволили улучшить ТрИ по следующим основным показателям: плотность сети увеличилась на 17.5%, что является показателем улучшения обслуживания населения; коэффициент непрямолинейности сети уменьшился на 5%, что приводит к сокращению общего перепробега транспорта и средней дальности поездки; показатель устойчивости функционирования увеличился в 3.5 раза, в результате чего уменьшилось влияние полного или частичного отказа отдельных элементов УДС на её пропускную способность.
Результаты применения программного комплекса показали адекватность предлагаемых методов и алгоритмов. Результаты диссертационной работы использованы в работе научно-производственного центра «Интеллектуальные транспортные системы», а также в учебном процессе Самарского государственного аэрокосмического университета.
Целью диссертационной работы являлась разработка информационной модели и методов поиска оптимальной конфигурации улично-дорожной сети с использованием нейросетевых и эволюционных технологий. Разработаны модель, описывающая структуру предметной области «Управление транспортной инфраструктурой». Решены задачи моделирования транспортных потоков, прогнозирования характеристик транспортных потоков в зависимости от конфигурации УДС. Проведена оценка построенной конфигурации УДС. Разработанные методы помогают принимать решения при проектировании УДС и способствуют снижению интенсивности транспортных потоков и повышению транспортной доступности улично-дорожной сети.
Разработан подход к формированию единого информационного пространства урбанизированной транспортной инфраструктуры, содержащего разнородную географическую и семантическую информацию об объектах, который отличается от известных в настоящее время подходов тем, что позволяет синтезировать агрегационные объекты, имеющие иерархическую структуру наследования и наделенные функцией целеположения.
Разработан метод прогноза характеристик транспортной инфраструктуры на основе неиросетевои технологии, который заключается в построении функции напряженности улично-дорожной сети в акупунктурных точках, и отличается от существующих методов тем, что формирует нейросеть, используя микромоделирование транспортной инфраструктуры.
Разработан меметический алгоритм оптимизации конфигурации улично-дорожной сети, заключающийся в использовании эволюционных моделей для описания пространственной и семантической информации об объектах транспортной инфраструктуры и отличающийся тем, что позволяет сохранять значения эталонов генетических операторов в мемы, при удачном направлении поиска.
Разработаны алгоритмы и программный инструментарий интеллектуальной транспортной системы, в которых реализованы: моделирование транспортных потоков с взаимодействием социальных интеллектуальных объектов в динамической среде; выявление акупунктурных точек на УДС урбанизированной территории; нейросетевой анализ и прогноз значений напряженности в акупунктурных точках; поиск конфигурации УДС на основе разработанного меметического алгоритма; оценка конфигурации УДС. Результаты применения программного инструментария показали адекватность предлагаемых методов и алгоритмов. Разработанный программный инструментарий использовался для изменения конфигурации улично-дорожных сетей при составлении проектной документации улиц города-спутника Калуги. На основе проведенных исследований выработаны рекомендации по изменению конфигурации улично-дорожной сети, которые позволили улучшить транспортную инфраструктуру по следующим основным показателям: надежность сети увеличилась в 3.5 раза, связность сети увеличилась на 43%, плотность сети увеличилась на 17.5%, коэффициент непрямолинейности сети уменьшился на 5%. Результаты диссертационной работы использованы в работе научно-производственного центра «Интеллектуальные транспортные системы», а также в учебном процессе Самарского государственного аэрокосмического университета. Внедрения диссертационной работы подтверждены актами реализации, приведенными в приложении Е.