Условие отсутствия колонн определяется по формуле

    

    где /г - длительность фазы красного сигнала (с)

    геу - эффективная длительность зеленого сигнала (с)

    q - интенсивность на въезде (тр. ср./час)

    £ - насыщенный поток (тр, ср./час. зел.)

    Общее время ожидания ряда транспортных средств определено площадью треугольника:

    

    Если  интенсивность увеличивается, то очередь  не успевает разредиться в течение времени определенных циклов. Такое явление сначала появляется случайно как результат отношения мгновенного значения интенсивности к потоку насыщения. Наличие очереди в конце зеленого сигнала £>0 вызывает дополнительную задержку, которую необходимо включить в расчет общей задержки.

    При дальнейшем увеличении интенсивности, когда транспортный поток переходит  в состояние образования заторов, стохастическая составляющая, способствующая увеличению задержки, пренебрежимо мала по сравнению с систематической составляющей образования очередей. Для создания модели таких сетей целесообразно исходить из гидродинамической аналогии.

    

    Рис. 1.3. Пример образования колонн в конце зеленого сигнала

1.3. Задача управления насыщенной транспортной сетью

 

    В работе [38] решаются вопросы влияния  длинных очередей (охватывающих несколько  перекрестков) на общее время задержки. В таком случае транспортный поток  невозможно регулировать по обычным правилам с использованием обычных алгоритмов минимизации индекса PI (Performance Index), необходимо регулировать по минимальной длине колонн.

    Все величины регулирования (длительность цикла Тс, длительность зеленого сигнала  в главном Th и в поперечном Tv направлениях) достигли своих максимальных значений и нет никакого пространства для стандартного регулирования. Типичным является то, что транспортное средство не проезжает через перекресток в течение одного цикла и образуются колонны, которые могут доходить и до других узлов и вызывают опасность блокирования всей сети. Если такие явления наблюдаются на отдельных въездах, то речь может идти неудовлетворительном проекте и необходимо проверить решение транспортной сети. Если такое явление наблюдается в большем количестве точек сети, то необходимо руководствоваться следующими правилами:

    (а) Своевременная идентификация заторов

    Своевременная идентификация заторов имеет  принципиальное значение. Однако ее трудно реализовать путем наблюдения с  помощью мониторов. Поэтому для идентификации заторов, как правило, используется математический аппарат (Congestion Detection), а также алгоритмы для идентификации ДТП (Accident Detection). Эти алгоритмы отличаются от алгоритмов для идентификации заторов (Congestion Detection). Они работают быстрее при идентификации происшествий, но в большинстве случаев дают большее количество ложных сигналов. Обе системы детектирования, основанные на использовании современных стратегических детекторов или видеокамер, являются составной частью телематического решения транспортной проблематики.

    В принципе речь идет о том, что, как  правило, следят за конечной точкой транспортного  потока. Прогноз его состояния  охватывает время до 15 минут. Движение конечной точки определяет успешность регулирования. На рис. 2.32 показано движение конечного вектора, выражающего классифицированное состояния транспортного потока от 1 до 5, и далее среднюю скорость транспортного потока. В данном случае в момент времени 1 уровень загрузки составляет 3, 4 и скорость равна 32 км/ч. В следующий момент времени, который выбирается со сдвигом 5 минут, состояние транспортного потока улучшилось (3,2; 40). Если необходимо увеличить чувствительность наблюдения за изменениями транспортного потока, то целесообразно использовать среднее квадратическое отклонение для оценки прогнозируемых и действительных значений.

    (б) Реакция на местные заторы

    Если  заторы образуются в одной или  нескольких точках транспортной сети А и в соседней области Б  имеются более благоприятные  условия, то целесообразно перевести часть нагрузки из области А в область Б. Для этого используются методы, исходящие из эвристических знаний экспертов, как «soft computing» (мягкое вычисление - в большинстве случаев управление с нечеткой логикой) или экспертные системы, описанные ниже.

    Кроме того, для более равномерной нагрузки транспортной сети используются телематические системы, например, информации перед  поездкой (Интернет) или информации во время поездки (информационные табло).

    

    Рис. 1.4. Вектор, характеризующий состояние транспортного потока в рассматриваемом сечении (в) .

    В случае перегрузки транспортной сети образуются колонны в ряде точек  в соответствии с рис. 2.33. В таком случае, когда уже нет резерва в виде параметров регулирования, необходимо как раз использовать системы экспертного управления, а именно, методику управления в зависимости от очередей отдельно или в комбинации с управлением по скорости (градиенту) нарастания колонны. Величиной, которая вступает в процесс регулирования, является относительная длина очереди Ух у (%), определяемая по формуле:

    

    где: 1Х у — расстояние от стоп-линий  к следующему узлу; О^х У ~ Длина  колонны в направлении 1Х у

    Г Относительная длина очереди  должна быгь всегда меньше 100% для того, чтобы колонна не доходила до предыдущего  перекрестка.

    і Экспертное управление в этом случае заключается в слежении за множеством переменных длин очередей на сети улиц и за градиентом их роста р. Последний определен эвристически, например, 10% в данном интервале времени. Условие, по которому можно формулировать правила экспертного управления, определяется следующей формулой:

    

    Из  формулы вытекает, что для быстро растущей очереди в данном направлении  необходимо применить правило, которое, например, вызовет увеличение длительности зеленого сигнала в данном направлении и тем самым воспрепятствует заполнению предшествующего перекрестка.

    

    Рис. 1.5.

    Образование очередей на сети улиц

    (г)  Реакция на ДТП в любой точке  сети

    Принципы  отклика экспертной системы такие  же, как и в предшествующем случае. Это означает, что на основании  наблюдения транспортных происшествий в данной сети и на основании наблюдения реакций на эти происшествия создаются базы данных для типичных ситуаций, которые вводятся в базу данных экспертной системы.

2. Экспертные системы

    Под понятием экспертная система подразумевается  компьютерная программа, которая моделирует процесс принятия решений эксперта при решении сложных задач и использует надлежащим образом закодированные и выраженные в явном виде специальные знания, полученные от эксперта, с целью достижения высококачественных решений в заданной проблемной области. Однако целью экспертных систем является не простое копирование поведения эксперта (включая ошибки), а достижение наилучших реакций на реальные данные. В области транспорта речь в большинстве случаев идет об управлении процессом выявления дорожных происшествий.

    Экспертная  система, как правило, состоит из трех основных частей: база знаний, база данных и управляющий (решающий) механизм.

    База  знаний - содержит знания эксперта по данной проблематике. В отличие от обычных  программ, у которых данные имеются в неявном виде, база знаний содержит данные в явном виде. В эту базу должны входить как основные знания, так и знания эвристические14 (знания, которые невозможно доказать, эксперт их получил в результате продолжительной работы в данной области и знает, что они ему часто помогают при решении аналогичных проблем). Знания эксперта не имеют статический характер, а постоянно развиваются. Естественным требованием, предъявляемым к базе знаний, является высокая степень модульности и наглядности. База знаний имеет характер общего правила для принятия решений.

    

    Рис. 2.1 Блок-схема экспертной системы 

    База  данных - содержит даные для данного конкретного случая. Эта база, как правило, пользователем заполняется последовательно в режиме диалога и с помощью компьютера. В принципе она может быть образована как прямыми ответами пользователя, так и значениями, отсчитанными автоматически с измерительных приборов или из программ при ручном управлении.

    Механизм  управления - на основании базы знаний и базы данных создается модель системы. Механизм управления выбирает проблему, решение которой даст наибольшее количество сведений для уточнения  модели. Модель представляет текущее состояние решения проблемы и может изменяться двумя способами:

    — путем добавления новых данных в базу данных (в результате этого расширяется база данных и модель становится более реальной),

    — путем получения новых знаний на основании реальной модели.

    Управляющий механизм - это, в большинстве случаев, простой аппарат, действующий, например, на базе булевой логики. Это выгодно  тем, что в отличие от базы знаний или базы данных речь идет о совершенно универсальном подходе, который  не меняется в зависимости от других областей использования.

    щ Возможности использования процессов  и видов техники искусственного интеллекта являются предметом обзорной статьи [48]. Качественное моделирование  используется для прогноза нестандартных  состояний и для управления перекрестками в г.Валенсии [49]. В работах [50] и [51] авторы описывают дополнение качественной модели данными времени.

    1 Пример базы знаний по транспортной  проблематике (речь идет о точных  и эвристических правшах):

    1) если интенсивность больше 15 и скорость меньше 50, то транспорт имеет степень 4;

    2) если степень на улице Легерова имеет значение 4 и на улице Ечна - степень 5, то длительность зеленого сигнала следует увеличить на Dt;

    3) если длина очереди больше 150 м, если сегодня понедельник и первая половина дня, то следует использовать вариант TACTIC I.

    В отличие от всех видов управления (зависящее от состояния транспортного  потока, адаптивное), которые разрабатываются  исключительно транспортным инженером, в данном случае оператор является не только пассивным пользователем, но и соавтором решения, так как он укладывает в пустую базу знаний свой опыт и, тем самым, он определяет поведение всей системы.

    В отличие от некоторых работ, в  которых осуществлено моделирование  нечеткого регулятора на уровне узла, были опубликованы первые результаты использования системы в Канаде с целью управления несколькими перекрестками, описанные в следующем разделе.

    Британская  Колумбия, Канада

    Министерство  транспорта провинции Британская Колумбия стало инициатором исследований и последующего практического использования нечеткого управления группой перекрестков [52]. Использование нечеткой логики на первом этапе служило анализу транспортных данных в многоразмерном пространстве состояний путем использования метода fuzzy-clustering - нечеткой кластеризации. Последний дал возможность представить состояния транспортного потока в виде сопряженных образцов, причем эти образцы автоматически идентифицировались с помощью нечеткого нейронного алгоритма. Для каждого образца предусмотрена система предварительно рассчитанных сигнальных планов, которые в заранее заданные интервалы времени вводятся в устройства управления. Существенное улучшение характеристик регулирования обеспечено краткосрочным и долгосрочным прогнозом состояния транспорта.

    Для столь остроумной программы пришлось приспособить и транспортные устройства управления, т. е. контроллеры фирмы Peek MDM100. Начиная с 1993 года, нечеткая технология испытывалась в более  чем 16 городских коридорах, начиная  с 1995 года, стало использоваться устройство, работающее в автономном режиме (без прогноза), которое автоматически изменяло сигнальные планы. По сравнению с системой фиксированных интервалов времени среднее время ожидания сократилось на 25 %.

    В апреле 1996 г. в городе Денкен в Британской Колумбии была пущена в эксплуатацию первая динамическая система управления пятью перекрестками. Речь идет о динамическом адаптивном устройстве, и оказывается, что в часы пик, когда обычное динамическое управление из-за высокой и почти постоянной интенсивности движения дает, как правило, малую экономию по сравнению с системой с фиксированными интервалами времени, в данном случае дополнительная экономия времени доходит до 15 %. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Заключение

 

    Метод экспертных оценок основан на построении единого показателя эффективности посредством суммирования произведения имеющихся показателей на соответствующие весовые коэффициенты.