ЧАСОВО-ПРОСТОРОВИЙ АНАЛІЗ ТА МОДЕЛЮВАННЯ ЗАТРИМОК ГРОМАДСЬКОГО ТРАНСПОРТУ НА ВУЛИЧНО-ДОРОЖНІЙ МЕРЕЖІ МІСТ
DOI:
https://doi.org/10.32347/2786-7269.2025.14.88-96Ключові слова:
просторовий розвиток міста, транспортна інфраструктура, вулично-дорожня мережа, міська мобільність, системи моніторингу руху, розумне місто, інтелектуальні транспортні системи, оптимізація перевезень, планування міського середовищаАнотація
Представлено результати дослідження багаторівневої структури затримок міського пасажирського транспорту на вулично-дорожній мережі великих міст та окреслено підходи до їх зменшення на основі сучасних цифрових технологій. Проаналізовано еволюцію наукових поглядів на міські транспортні потоки – від описових статистичних моделей і класичних графових підходів до мікросимуляцій та методів машинного навчання, що забезпечують оперативну оцінку й прогнозування затримок. Проведено порівняльний огляд світових методик HCM, TRANSYT, мікросимуляційних інструментів і рішень на основі великих даних, визначено їх переваги, обмеження та оптимальні сфери застосування для задач міського пасажирського транспорту. На базі даних GPS-моніторингу, дорожніх детекторів і мобільних сервісів здійснено аналітичну оцінку та верифікацію часово-просторових профілів затримок, сформовано карти «гарячих точок», виокремлено сезонно-добові закономірності та головні причини перевантажень – від недостатньої пропускної здатності окремих ділянок і неефективних світлофорних циклів до впливу погодних умов та інцидентів. Запропоновано концепцію системи моніторингу затримок у реальному часі, що інтегрує багатоканальний збір даних, потокову обробку та алгоритми машинного навчання для миттєвого виявлення й прогнозу порушень руху. Обґрунтовано механізми впровадження «розумної» мобільності через поєднання цієї системи з міськими цифровими платформами – інтелектуальним керуванням світлофорами, електронними квитковими сервісами, геоінформаційними порталами та сервісами Mobility as a Service. Практичне значення роботи полягає у створенні передумов для оперативного диспетчерського управління, скорочення затримок, підвищення регулярності перевезень і зниження екологічного навантаження. Перспективи подальших досліджень охоплюють розроблення адаптивних прогнозних моделей на базі штучного інтелекту, інтеграцію з системами автономного та мікротранспорту, а також уніфікацію відкритих стандартів обміну даними між операторами міської мобільності.
Посилання
Daganzo, C.F. (1997). Fundamentals of transportation and traffic operations. Oxford: Pergamon. 352 pp. {in English}.
Transportation Research Board. (2000). Highway capacity manual (HCM 2000). Washington, DC: National Academy of Sciences. 1134 pp. {in English}.
Robertson, D.I., Bretherton, R.D., & Whelan, R.A. (2004). TRANSYT: Traffic Network Study Tool—Latest developments. Traffic Engineering & Control, 45(6), 207–213. 7 pp. {in English}.
Barceló, J., & Casas, J. (2007). Dynamic network simulation with AIMSUN. In L.K. Helbing, S. Lämmer, & J. Seyfried (Eds.), Simulation approaches in transportation analysis (pp. 57–98). Springer. 42 pp. {in English}.
Cats, O., & van Lint, H. (2012). Real-time transit control using bus arrival predictions. Transportation Research Part C: Emerging Technologies, 22, 73–84. 12 pp.
Li, Z., Hong, Y., & Zhang, D. (2015). A real-time travel time prediction method for urban arterials using big data. Transportation Research Part C: Emerging Technologies, 60, 29–44. 16 pp. {in English}.
Zheng, Z., & Liu, H. (2019). Data-driven adaptive traffic signal control using deep reinforcement learning. Transportation Research Part C: Emerging Technologies, 103, 99–118. 20 pp. {in English}.
Chen, X., & Wang, J. (2023). Smart city mobility platforms for public transport delay management. Journal of Urban Technology, 30(2), 45–67. 23 pp. {in English}.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.