Автор: Маслов Е.С., Вакуленко С.П.
Источник: Научный форум: Инновационная наука: сб. ст. по материалам XII междунар. науч.-практ. конф. — № 3(12). — М., Изд. «МЦНО», 2018. — С. 47-52.
Маслов Е.С., Вакуленко С.П. Аналитический обзор по методам моделирования транспортных объектов в Интеллектуальных Транспортных Системах (ИТС). В статье рассмотрены основные принципы и методы моделирования в интеллектуальных транспортных системах. Понятие интеллектуальных транспортных систем по определению включает в себя: моделирование транспортных систем и регулирование на основе транспортных потоков. Таким образом создание и успешное функционирование ИТС невозможно без моделирования транспортных объектов и объектов транспортной инфраструктуры, находящихся под ее контролем и регулированием.
Потребность в моделировании возникает, когда необходимо исследовать объекты, процессы и системы, реальные эксперименты над которыми затруднены или невозможны, которые являются технически сложными в исполнении, продолжительными, ресурсоемкими, дорогостоящим процессом или из-за невозможности использования других методов научного исследования для подтверждения, отбраковки проверяемой научной гипотезы. Моделирование позволяет проводить опытно-практические эксперименты или серию опытов для проверки научных методов или наблюдений за естественным ходом протекания процессов и явлений, опытов, экспериментальных проверок, на основании которых можно собирать статистику и делать научные выводы. В результате полученных опытным путем знаний, формируются теории и методы развития по определенным процессам и системам, а также выбираются правильные решения, которые позволят избежать в будущем дорогостоящих ошибок.
Методом моделирования называется способ замены объекта-оригинала объектом-заместителем, обладающим определенным сходством с оригиналом, с целью подтверждения имеющейся и получения новой информации об оригинале. Моделью называется объект-заместитель объекта-оригинала, предназначенный для получения информации об исходном объекте. Наиболее важными свойствами моделей являются: сходство с оригиналом в важных для изучения чертах, простота разработки и использования, удобство изучения. Методологическими основами построения моделей являются гипотезы и аналогии.
Современные исследования и построение сложных процессов и систем невозможно представить без использования различных видов и методов моделирования. Суть методов моделирования заключается в том, что объекты исследования, особенно если они постоянно недоступны или невозможно вмешательство в их работу и функционирование, заменяются соответствующими моделями, пользуясь которыми можно проводить эксперименты, изучать их поведение, и реакцию при изменении параметров внутренней и внешней среды. Выбор того или иного способа моделирования, зависит от предметной области и специфики задач, которые предполагается решить. Одному и тому же объекту можно сопоставить множество различных моделей и представлений, которые отличаются друг от друга различными признаками. Относительно временного фактора модели делятся на два вида: статические и динамические, соответственно в зависимости от использования или не использования функции времени при моделировании процессов.
Основными видами моделей, используемых в инженерной деятельности, относительно формы модели выделяют материальные и информационные модели. В качестве материальных моделей используются объекты материального мира. К ним относятся различные макеты, скульптуры, уменьшенные модели транспорта, лабораторные установки и комплексы. Информационные модели представляют объекты или процессы в образной или знаковой форме. К ним относятся описательная модель, экономическая, графическая, табличная, математическая (интегральная, дифференциальная, имитационная, оптимизационная, прогнозная, дискретная и др.). В зависимости от исследуемой области, модели приобретают признаки характерные для данной отрасли, и определяются параметрами характеризующие основные виды деятельности, и воспроизводят свойственный данной предметной области круг проблем.
Одним из классов сложных в исследовании систем являются интеллектуальные транспортные системы, при исследовании которых в условиях реальной эксплуатации модельное представление транспортных систем является практически единственным средством изучения и анализа эффективности их работы, а также выбора вариантов развития и совершенствования управления. Постановка эксперимента на реальном транспортном объекте связана не только с большими капитальными затратами, но и часто с практической невозможностью проведения [2].
Для исследования интеллектуальных транспортных систем необходимо создавать модель описывающую процесс работы системы и с помощью методов моделирования производить оценки и анализ параметров, сбор информации и анализ эффективности способов управления и взаимодействия с объектами, а также как изменение параметров движения, сказываются на транспортном движении и решение транспортных проблем. Без подтверждения практических результатов ввод изменений в управление, архитектурно-планировочные решения, расписание или параметры движения на транспортных объектах опасен своими последствиями. Принципиальную невозможность проведения масштабных натурных экспериментов так же наблюдается и в сфере управления дорожным движением. Эта невозможность предопределена, во-первых, необходимостью обеспечения безопасности движения, во-вторых, материальными и трудовыми затратами на проведение эксперимента и, в-третьих, тем, что серьезные изменения в комплексной схеме организации движения затрагивают интересы большого количества людей – участников движения.
Применительно к транспортным объектам и процессам для моделирования определяют и используют, так называемую интеллектуальную транспортную модель. Транспортная модель может быть, как материальной, так и информационной, но большинство решений и существующих транспортных моделей относятся к классу математических моделей, с помощью которых описывают транспортные процессы и системы. Математическая модель – это совокупность математических объектов и соотношений между ними, адекватно отображающая свойства и поведение исследуемого объекта. Математическое моделирование – процесс построения и изучения математических моделей реальных процессов и явлений. В основу классификации математических моделей можно положить различные принципы. По способу представления свойств объекта моделирования математические модели можно классифицировать на [1]:
В зависимости от масштаба моделируемого объекта и уровня детализации транспортной системы, выделяют макро- и микро-моделирование. На каждом уровне работают со своими понятиями и объектами и применяют наиболее подходящие для них методы моделирования. На макроуровне (страна, город, микрорайон) оперируют демографическими данными, понятиями “граф дорог”, “зона притяжения”, “транспортный спрос и предложение”. При микромоделировании оперируют отдельными транспортными объектами, такие как регулируемый перекресток, транспортная развязка, сеть улиц, автотранспорт, транспортно-пересадочный узел, пешеходы и пассажиропоток.
Макромоделирование – это такой тип моделирования, основывающийся на применении к транспортному потоку и трафику законов гидродинамики, по аналогии с жидкостью в трубе. Как следствие, такой тип моделирования выражается в написании систем дифференциальных уравнений в частных производных, сформулированных относительно интересующих величин – например, плотности потока автомобилей или их средней скорости. Для макромоделирования транспортных объектов преимущественно используют аэро- и гидродинамические модели.
Микромоделирование, позволяет представить каждое транспортное средство или пассажира индивидуально. Основное преимущество микромоделирования для транспортных систем в возможности представления перегруженных дорожных сетей, поскольку микро-моделирование позволяет симулировать очереди. Модели, применяемые в микромоделировании, позволяют получать результаты даже при высокой насыщенности потока, вплоть до пробки. Эта способность делает данный тип моделирования исключительно полезным для анализа дорожной обстановки в городских зонах и центрах городов, включая развязки, переходы транспортно-пересадочных узлов, регулируемые и нерегулируемые светофоры. Микромоделирование также отражает относительно небольшие изменения в физической среде, такие как уменьшение числа полос, перенос переезда, перехода или внезапные случайно возникающие остановки. Процессы в микромоделях наиболее оптимально позволяют воспроизводить, подходы и методы имитационного моделирования. В зависимости от уровня абстракции процессов имитационные моделирования, разделяют на: дискретно-событийное моделирование (абстрагироваться от непрерывной природы событий и рассматривать только основные события моделируемой системы, такие, как: “ожидание”, ”обработка заказа” и др.), системная динамика (для исследуемой системы строятся графические диаграммы причинных связей и глобальных влияний одних параметров на другие во времени) и агентное моделирование (динамика функционирования которых определяется не глобальными правилами, а результатом индивидуальной активности членов группы-агентов). Имитационное моделирование ставит своей целью воспроизведение всех деталей движения, включая развитие процесса во времени. Имитационные модели позволяют оценить скорости и плотности движения, задержки на перекрестках, длины и динамику образования очередей, заторов и другие характеристики движения транспортных объектов. Область применения таких моделей на транспорте – улучшение организации и управления движением, проверка архитектурно-планировочных решений, прогнозирование дорожно-транспортных ситуаций, перераспределения пассажирских потоков и др.
Так как интеллектуальные транспортные системы представляют собой сложное сочетание “умной” транспортной инфраструктуры, транспортных средств и логических средств управления и их взаимодействия во времени, поэтому для проверки научных гипотез, воспроизведения транспортных событий и процессов обслуживания пассажиров, внутритранспортного взаимодействия в сети, наиболее подходящими средствами формализации транспортных процессов и логики объектов являются различные виды имитационного моделирования. С помощью которых можно воспроизводить дорожные ситуации с максимальной степенью сходства с реальной транспортной обстановкой и показывают высокую степень наглядности, убедительную анимацию и при этом задавать логико-разностные модели интеллектуального управления объектами.
На основании проведенного обзора и исследования можно сделать вывод, что для выбора метода моделирования транспортных процессов и систем, необходимо представление задачи, которую необходимо промоделировать. Детальность и точность модели определяется исключительно задачами, на основе задачи определяются параметры и характеристики объектов, которые должны быть измерены, оценены и проверены на модели. Далее на основе требуемых параметров определяется уровень детализации модели (макромодель, микромодель). Иногда исследователями предлагается выделить некий симбиоз этих уровней мезоскопические модели, для анализа макропоказателей на микромодели, но как показывает практика, результаты исследований не всегда приносят значительную выгоду или кардинально новые результаты. Для каждого уровня определен ряд методов, которые позволяют получать необходимые результаты с максимальной точностью. Наиболее популярные методы в реализации программных продуктов для моделирования транспортных потоков являются подходы имитационного моделирования: агентное моделирование, дискретно-событийное моделирование, системная динамика. Модели данного типа позволяют воспроизводить характерные для транспортных потоков и объектов события, происходящие в действительности, поведение и реакции которых совпадают с реальными жизненными ситуациями.
1. Блинов Ю.Ф., Иванцов В.В., “Методы математического моделирования”, Ч. 1. Электронное учебное пособие. Таганрог, ТТИ ЮФУ, 2012. C.130
2. Гасникова А.В. “Введениев математическое моделирование транспортных потоков”, // Учебное пособие, М.: Изд-во МФТИ, 2013- C.79.
3. Горев А.Э. “Основы теории транспортных систем” // Учебное пособие, Санкт-Петербург, СПб.: СПбГАСУ, 2010.
4. Дворецкий С.И. “Моделирование систем.” М.: ИЦ Академия, 2009.
5. Доенин В.В, “Основы абстрактной теории транспортных процессов и систем”, Изд. «Спутник+», Москва 2011.