Россия
Россия
Россия
Россия
УДК 007.52 не содержащие человека в качестве звена системы, роботы, автоматы
В статье предлагается новая модель непрерывного транспортного потока беспилотных автомобилей при движении на серпантине с виражами, учитывающая среднюю скорость движущихся впереди автомобилей. Проведен обзор существующих моделей транспортных потоков, в частности моделей следования за лидером, таких как модель оптимальной скорости, обобщенная модель движения, модель полной разности скоростей. Отмечено, что эти модели не учитывают особенности движения на серпантинах с виражами. На основе существующих моделей разработана новая модель непрерывного транспортного потока, принципиальным отличием которой является учет поперечного уклона дороги (виража) при движении на серпантине. Модель учитывает действие сил на транспортное средство, включая силу тяжести, движущую силу и центростремительную силу. Показаны перспективы использования разработанной модели в условиях использования интеллектуальных транспортных систем, когда информация о средней скорости движущихся впереди автомобилей передается по сети. Предложенная модель позволяет при расчете скоростных режимов движения учитывать поперечный уклон дороги на криволинейных участках серпантина, адекватно оценивать пропускную способность и выявлять потенциально опасные участки для оптимизации проектных решений при создании беспилотного транспорта.
беспилотные автотранспортные средства, моделирование транспортного потока, серпантин, вираж, моделирование движения на серпантине, дорога, модель, безопасность дорожного движения
1. Transfer learning-based highway crash risk evaluation considering manifold characteristics of traffic flow / Q. Liu [et al.] // Accident Analysis & Prevention. 2022. Vol. 168. P. 106598. DOI:https://doi.org/10.1016/j. aap.2022.106598. EDN JZHZBQ.
2. VISSIM calibration and validation of urban traffic: a case study Al-Madinah City / M. A. R. Abdeen [et al.] // Personal and Ubiquitous Computing. 2023. Vol. 27, no. 5. P. 1747– 1756. DOI:https://doi.org/10.1007/s00779-023-01738-9. EDN WNQLET.
3. Bharathi D., Vanajakshi L., Subramanian Sh. C. Spatio-temporal modelling and prediction of bus travel time using a higher-order traffic flow model // Physica A: Statistical Mechanics and its Applications. 2022. Vol. 596. P. 127086. DOI:https://doi.org/10.1016/j.physa.2022.127086. EDN HXKVPV.
4. A Review on Atmospheric Dispersion System for Air Pollutants Integrated with GIS in Urban Environment // Nature Environment and Pollution Technology. 2022. Vol. 21, no. 4. P. 1553–1563. DOI:https://doi.org/10.46488/nept.2022.v21i04.008. EDN BDVMYZ.
5. End-to-End Machine Learning Pipeline for Real-Time Network Traffic Classification and Monitoring in Android Automotive / Sr. Muralidharan [et al.] // International Journal of Innovative Technology and Exploring Engineering. 2022. Vol. 11, no. 7. P. 32–38. DOI:https://doi.org/10.35940/ijitee. g9982.0611722. EDN BAIMAJ.
6. Moumen I., Abouchabaka Ja., Rafalia N. Adaptive traffic ights based on traffic flow prediction using machine learning models // International Journal of Electrical and Computer Engineering. 2023. Vol. 13, no. 5. P. 5813. DOI:https://doi.org/10.11591/ijece.v13i5.pp5813–5823. EDN QHJDOR.
7. Worst-case traffic assignment model for mixed traffic flow of human-driven vehicles and connected and autonomous vehicles by factoring in the uncertain link capacity / J. Wang [et al.] // Transportation Research Part C: Emerging Technologies. 2022. Vol. 140. P. 103703. DOI:https://doi.org/10.1016/j.trc.2022.103703. EDN LEHMDS.
8. Chen X., Wu Zh., Liang Yu. Modeling Mixed Traffic Flow with Connected Autonomous Vehicles and Human-Driven Vehicles in Off-Ramp Diverging Areas // Sustainability. 2023. Vol. 15, no. 7. P. 5651. DOI:https://doi.org/10.3390/su15075651. EDN SWOUPU.
9. Analysis and comparison of traffic flow models: a new hybrid traffic flow model vs benchmark models / F. Storani [et al.] // European Transport Research Review. 2021. Vol. 13, no. 1. DOI:https://doi.org/10.1186/s12544-021- 00515-0. EDN CADHKH.
10. Bilal M. T., Giglio D. Evaluation of macroscopic fundamental diagram characteristics for a quantified penetration rate of autonomous vehicles // European Transport Research Review. 2023. Vol. 15, no. 1. P. 10. DOI: 10.1186/ s12544-023-00579-0. EDN NQUMQS.
11. Моделирование однополосного транспортного потока беспилотных автомобилей на основе теории следования за лидером / И. Ю. Куверин [и др.] // Автоматика на транспорте. 2024. Т. 10, № 2. С. 166–177. DOI:https://doi.org/10.20295/2412-9186-2024-10-02-166-177. EDN FXSQXS.
12. Телематическая система мониторинга данных автомобиля / И. Ю. Куверин [и др.] // Научная жизнь. 2023. Т. 18, № 6 (132). С. 888–897. DOI:https://doi.org/10.26088/1991-9476-2023- 18-6-888-897. EDN RSOPZJ.
13. Гусев С. А., Куверин И. Ю., Васильев Д. А. Направления цифровизации транспортных систем в РФ // Автотранспортный комплекс: стратегия, инновации, кадры: сборник научных трудов VIII Международной научно-практической конференции (Москва, 24–25 марта 2022 года). М.: Перо, 2022. С. 114–116. EDN SJLXCM.
14. Analysis and comparison of traffic flow models: a new hybrid traffic flow model vs benchmark models / F. Storani [et al.] // European Transport Research Review. 2021. Vol. 13, no. 1. DOI:https://doi.org/10.1186/s12544-021-00515-0. EDN CADHKH.
15. Pipes L. A. An operational analysis of traffic dynamics // Journal of Applied Physics. 1953. Vol. 24, iss. 3. P. 274–281. DOI:https://doi.org/10.1063/1.1721265.
16. Newell G. F. Nonlinear Effects in the Dynamics of Car Following // Operations Research. 1961. Vol. 9, no. 2. P. 209–229. DOI:https://doi.org/10.1287/opre.9.2.209.
17. Dynamical model of traffic congestion and numerical simulation / M. Bando [et al.] // Physical Review E. 1995. Vol. 51, iss. 2. P. 1035–1042. DOI:https://doi.org/10.1103/Phys- RevE.51.1035.
18. Komatsu T. S., Sasa S. -I. Dynamical model of traffic congestion and numerical simulation // Physical Review E. 1995. Vol. 51, iss. 2. P. 1035–1042. DOI:https://doi.org/10.1103/Phys- RevE.51.1035.
19. Lenz H., Wagner C. K., Sollacher R. Multi-anticipative carfollowing model // Eur. Phys. J. 1998. B. 7. P. 331–335. DOI:https://doi.org/10.1007/s100510050618.
20. Nagatani T. Stabilization and enhancement of traffic flow by the next-nearest-neighbor interaction // Physical Review E — Statistical Physics, Plasmas, Fluids, and Related Interdisciplinary Topics. 1999. Vol. 60, iss. 6. P. 6395–6401. DOI:https://doi.org/10.1103/PhysRevE.60.6395.
21. Sawada S. Nonlinear analysis of a differential-difference equation with next-nearest-neighbour interaction for traffic flow // Journal of Physics A: Mathematical and General. 2001. Vol. 34, iss. 50. P. 11253–11259. DOI:https://doi.org/10.1088/0305-4470/34/50/307.
22. Konishi K., Kokame H., Hirata K. Coupled map carfollowing model and its delayed-feedback control // Physical Review E — Statistical Physics, Plasmas, Fluids, and Related Interdisciplinary Topics. 1999. Vol. 60, iss. 4 A. P. 4000–4007. DOI:https://doi.org/10.1103/physreve.60.4000.
23. Konishi K., Kokame H., Hirata K. Decentralized delayed-feedback control of an optimal velocity traffic model // European Physical Journal B. 2000. Vol. 15, iss. 4. P. 715–722. DOI:https://doi.org/10.1007/s100510051176.
24. Zhao X., Gao Z. The stability analysis of the full velocity and acceleration velocity model // Physica A: Statistical Mechanics and its Applications, Elsevier. 2007. Vol. 375, no. 2. P. 679–686. DOI:https://doi.org/10.1016/j.physa.2006.10.03.
25. Phase transition on speed limit traffic with slope / X.-L. Li [et al.] // Chinese Physics B. 2008. Vol. 17, iss. 8. P. 3014– 3020. DOI:https://doi.org/10.1088/1674-1056/17/8/042.
26. Komada K., Masukura S., Nagatani T. Effect of gravitational force upon traffic flow with gradients // Physica A: Statistical Mechanics and its Applications. 2009. Vol. 388, iss. 14. P. 2880–2894. DOI:https://doi.org/10.1016/j.physa.2009.03.029.
27. Zhu W.-X., Yu R.-L. Nonlinear analysis of traffic flow on a gradient highway // Physica A: Statistical Mechanics and its Applications. 2012. Vol. 391, iss. 4. P. 954–965. DOIhttps://doi.org/10.1016/j.physa.2011.09.026.
28. Liang Y.-J., Xue Y. Study on traffic flow affected by the road turning Wuli Xuebao // Acta Physica Sinica. 2010. Vol. 59, iss. 8. P. 5325–5331.
29. Zhu W.-X., Zhang L.-D. Friction coefficient and radius of curvature effects upon traffic flow on a curved Road // Physica A: Statistical Mechanics and its Applications. 2012. Vol. 391, iss. 20. P. 4597–4605. DOI:https://doi.org/10.1016/j.physa. 2012.05.032.
30. Zhu W.-X., Yu R.-L. A new car-following model considering the related factors of a gyroidal road // Physica A: Statistical Mechanics and its Applications. 2014. Vol. 393. P. 101–111. DOI:https://doi.org/10.1016/j.physa.2013.09.049.
31. Zhai C., Wu W., Xiao Y. 2023. Modeling continuous traffic flow with the average velocity effect of multiple vehicles ahead on gyroidal roads // Digital Transportation and Safety. 2023. Vol. 2, iss. 2. P. 124–138. DOI: 10.48130/ DTS‑2023–0010.
32. Миненко Е. Ю., Кусморова Е. Ю. Повышение безопасности дорожного движения на вираже // Мир транспорта и технологических машин. 2015. № 1 (48). С. 103–110. EDN TNIJJL.
33. Михайлов К. А. Проектирование виража // Теоретические и практические аспекты развития современной науки: теория, методология, практика: сборник научных статей по материалам IX Между- народной научно-практической конференции (Уфа, 29 ноября 2022 года). Ч. 2. Уфа: НИЦ «Вестник науки», 2022. С. 219–224. EDN YGYAQS.
34. Тарасик В. П. Оценка управляемости и устойчиво- сти автомобиля при движении на вираже // Грузовик. 2020. № 11. С. 22–29. EDN EDPLNH.
35. Мустафин А. Ф. Анализ методик расчета виража по отечественным и зарубежным нормативным документам для автомобильной дороги IV категории // Перспективные научные исследования: опыт, проблемы и перспективы развития: сборник научных статей по материалам VI Международной научно-практической конференции (Уфа, 26 ноября 2021 года). Уфа: НИЦ «Вестник науки», 2021. С. 52–56. EDN MRKKTJ.
36. Миненко Е. Ю., Кусморова Ю. А. Повышение без- опасности дорожного движения на вираже // Мир транспорта и технологических машин. 2015. № 1 (48). С. 103–110. EDN TNIJJL.
37. Dynamical model of traffic congestion and numerical simulation / M. Bando [et al.] // Physical Review E. 1995. Vol. 51. P. 1035–1042 DOI:https://doi.org/10.1103/physreve.51.1035.
38. Helbing D., Tilch B. Generalized force model of traffic dynamics // Physical Review E. 1998. Vol. 58. P. 133–138. DOI:https://doi.org/10.1103/physreve.58.133.
39. Jiang R., Wu Q., Zhu Z. Full velocity difference model for a car-following theory // Physical Review E. 2001. Vol. 64. P. 017101. DOI:https://doi.org/10.1103/PhysRevE.64.017101.
40. Zhu W., Yu R. A new car-following model considering the related factors of a gyroidal road // Physica A: Statistical Mechanics and Its Applications. 2014. Vol. 393. P. 101– 111. DOI:https://doi.org/10.1016/j.physa.2013.09.049.
41. Sun D., Kang Y., Yang S. A novel car following model considering average speed of preceding vehicles group // Physica A: Statistical Mechanics and Its Applications. 2015. Vol. 436. P. 103–109. DOI:https://doi.org/10.1016/j.physa.2015.04.028.
42. Multi-anticipative average flux effect in the lattice hydrodynamic model / H. Kuang [et al.] // IEEE Access. 2021. Vol. 9. P. 35279–35286. DOI:https://doi.org/10.1109/access. 2021.3060080.
43. Zhai C., Wu W., Xiao Y. Modeling continuous traffic flow with the average velocity effect of multiple vehicles ahead on gyroidal roads // Digital Transportation and Safety. 2023. Vol. 2, iss. 2. P. 124–138. DOI: 10.48130/ DTS‑2023-0010.
44. Malicious traffic detection on sampled network flow data with novelty-detection- based models / A. Campazas-Vega [et al.] // Scientific Reports. 2023. Vol. 13, no. 1. P. 15446. DOI:https://doi.org/10.1038/s41598-023-42618-9. EDN EYVFBM.
45. Traffic flow prediction under multiple adverse weather based on self-attention mechanism and deep learning models / W. Zhang [et al.] // Physica A: Statistical Mechanics and its Applications. 2023. Vol. 625. P. 128988. DOI:https://doi.org/10.1016/j.physa.2023.128988. EDN OTBNLX.
46. Воробьев А. И. Управление движением высокоавтоматизированных автотранспортных средств в цифровой модели дорожного движения // XIV Всероссийская мультиконференция по проблемам управления МКПУ‑2021: материалы XIV Мультиконференции (Дивноморское, Геленджик, 27 сентября – 2 октября 2021 года): в 4 т. Ростов-на-Дону; Таганрог: Южный федеральный университет, 2021. Т. 4. С. 145–147. EDN QJZKXM.
