МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ Рязанский государственный радиотехнический университет имени В.Ф. Уткина Кафедра «Космические технологии» ПОЯСНИТЕЛЬНАЯ ЗАПИСКА К КУРСОВОЙ РАБОТЕ по дисциплине «Геоинформатика» на тему «Оценка динамики заторов на дорогах по спутниковым системам» Выполнил: Студент группы 048 Репин В.Д. _______________________________ дата сдачи на проверку, подпись студента Проверил: проф. каф. КТ Васильев Е.П. _______________________________ дата допуска к защите, подпись руководителя Защита курсового проекта _______________________________ дата защиты, оценка, подпись руководителя Рязань 2023 Оглавление ВВЕДЕНИЕ .............................................................................................................. 3 1. Навигационные спутниковые системы ............................................................. 4 1.1. GPS .............................................................................................................. 4 1.2. ГЛОНАСС ................................................................................................... 7 1.3. BDS .............................................................................................................. 9 1.4. Проблемы систем спутниковой навигации ........................................... 10 2. Прогнозирование транспортных заторов ....................................................... 12 3. Яндекс.Пробки .................................................................................................. 17 ЗАКЛЮЧЕНИЕ ..................................................................................................... 19 СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ ............................................. 20 2 ВВЕДЕНИЕ В современном мире, где мобильность и доступность являются ключевыми факторами, эффективное и безопасное функционирование транспортной системы становится все более важным. Одним из главных препятствий для улучшения транспортной ситуации является проблема заторов на дорогах. Заторы не только снижают пропускную способность дорог, увеличивают время поездки и вызывают загрязнение окружающей среды, но и создают экономические потери для общества. Для решения данной проблемы необходимо проведение исследований, направленных на оценку динамики заторов и поиск возможных решений. В этом контексте спутниковые системы играют важную роль, предоставляя актуальную и точную информацию о ситуации на дорогах в режиме реального времени. Оценка динамики заторов с использованием спутниковых систем позволяет определить тенденции, выявить закономерности и разработать эффективные стратегии управления дорожным движением. Целью данной курсовой работы является изучение методов обнаружения заторов на дорогах с использованием спутниковых систем, а также анализ полученных результатов для определения оптимальных стратегий управления транспортными потоками. В рамках исследования будут рассмотрены основные методы и подходы к оценке заторов, а также применение данных, полученных со спутниковых систем. Основные задачи данной работы включают: 1. Обзор и анализ существующих методов оценки динамики заторов; 2. Изучение возможностей спутниковых систем для мониторинга и анализа дорожного движения; 3. Оценка эффективности предложенных стратегий управления транспортными потоками на основе полученных результатов. Актуальность данной работы заключается в необходимости решения проблемы заторов на дорогах, которые не только ухудшают транспортную ситуацию, но и наносят значительный экономический ущерб. В результате выполнения данной работы ожидается получение новых знаний и практических рекомендаций, которые могут быть использованы для оптимизации управления транспортными системами и повышения их эффективности. 3 1. Навигационные спутниковые системы Спутниковая система навигации (ГНСС, англ. Global Navigation Satellite System, GNSS) — система, предназначенная для определения местоположения (географических координат) наземных, водных и воздушных объектов, а также низкоорбитальных космических аппаратов. Спутниковые системы навигации также позволяют получить скорость и направление движения приёмника сигнала. Кроме того, могут использоваться для получения точного времени. Такие системы состоят из космического оборудования и наземного сегмента (систем управления). На 2023 год три спутниковые системы обеспечивают полное покрытие и бесперебойную работу для всего земного шара — GPS, ГЛОНАСС, BDS [4]. 1.1. GPS История создания Global Positioning System (GPS) ведёт своё начало с 1973 года, когда Управление совместных программ, входящее в состав Центра космических и ракетных исследований США, получило указание Министерства обороны США разработать, испытать и развернуть навигационную систему космического базирования. Результатом данной работы стала система, получившая первоначальное название NAVSTAR (NAVigation System with Time And Ranging), из которого прямо следовало, что система предназначена для решения двух главных задач – навигации, т. е. определения мгновенного положения и скорости потребителей, и синхронизации шкал времени. Поскольку инициатором создания GPS являлось Министерство обороны США, то в качестве первоочередных задач предусматривалось решение задач обороны и национальной безопасности. Отсюда ещё одно раннее название системы – оборонительная система спутниковой навигации (Defense Navigation Satellite System – DNSS). Разработка концепции построения и архитектуры GPS заняла примерно 5 лет, и уже в 1974 году фирма Rockwell получила заказ на изготовление первых восьми КА Block I для создания демонстрационной системы. Первый КА был запущен 22 февраля 1978 года, и в том же году Rockwell получила контракт на создание ещё четырёх КА. Первоначально предполагалось, что орбитальная группировка GPS будет насчитывать 24 КА в трёх орбитальных плоскостях высотой 20 200 км и наклонением 63°. К моменту начала серийного производства в 1989 году КА модификации Block II было принято решение об изменении параметров орбиты GPS, в частности, наклонение было изменено на 55°, а количество орбитальных плоскостей увеличено до 6. Выделяют два важных этапа развёртывания системы GPS – фазу первоначальной работоспособности (IOC) и фазу полной работоспособности (FOC). Этап IOC начался в 1993 году, когда в составе ОГ насчитывалось 24 КА различных модификаций (Block I/II/IIA), готовых к использованию по целевому назначению. Переход в режим FOC состоялся в июле 1995 года, 4 после завершения всех лётных испытаний, хотя фактически система начала предоставлять услуги в полном объеме с марта 1994 года. Таким образом, GPS является полностью работоспособной уже в течение более чем двух 10-летий, при этом на протяжении всей своей истории GPS постоянно модернизировалась с целью удовлетворения требований различных категорий как гражданских, так и военных потребителей. При проектировании GPS предполагалось, что точность навигационных определений при использовании C/A-кода будет в пределах 400 м. Реальная точность измерений по C/A-коду оказалась в 10 и более раз выше – 15…40 м (СКО) по координатам и доли метра в секунду по скорости. Возможность получения такой точности измерений с помощью несложной коммерческой АП вызвала в США опасения, что сигналы GPS могут быть использованы потенциальным противником, в том числе в системах высокоточного оружия. В качестве защитной меры, начиная с КА Block II, в GPS были реализованы два метода преднамеренной деградации (загрубления) точности навигационно-временного обеспечения гражданских потребителей – селективный доступ и одновременно принятые меры по защите от так называемых уводящих помех. Деактивация режима селективного доступа была осуществлена 2 мая 2000 г. около 4:00 (UT). Точность автономной навигации возросла почти в 10 раз, что дало гигантский импульс к развитию прикладных навигационных технологий. Текущий этап модернизации GPS предполагает разработку и производство КА следующего поколения Block III, которые в сочетании с усовершенствованным наземным комплексом управления и НАП обеспечат улучшенные характеристики в части помехозащищённости, точности, доступности и целостности координатно-временного и навигационного обеспечения. Штатная орбитальная группировка (ОГ) GPS (рис. 1) состоит из 32 основных КА, расположенных на шести круговых орбитах, обозначаемых латинскими буквами от A до F. Дополнительно на некоторых орбитах может находиться один или два резервных КА, предназначенных для сохранения параметров системы при выходе из строя основных КА. Наклонение орбитальных плоскостей 55°, долготы восходящих узлов различаются на 60°. Высоте орбит 20 200 км соответствует период обращения 11 ч 58 мин, т. е. орбиты КА GPS являются синхронными. 5 Рисунок 1 – ОГ GPS Управление ОГ GPS осуществляет 2-я оперативная космическая эскадрилья Космического командования ВВС США, расположенная на базе ВВС Шривер (штат Колорадо, США), под оперативным командованием Стратегического командования США (USSTRATCOM) со штаб-квартирой на базе ВВС Оффут (штат Небраска, США). Оперативное командование осуществляется непосредственно Командующим космическими войсками объединённого командования на базе ВВС Ванденберг (штат Калифорния, США). В настоящее время управление ОГ GPS осуществляет 2-е поколение наземного комплекса управления (НКУ) (рис. 2), обозначаемое Operational Control Segment (OCS) GPS и включающее в себя: главный центр управления (Master Control Station – MCS) на базе ВВС Шривер; резервный центр управления (Alternate Master Control Station – AMCS) на базе ВВС Ванденберг; глобальную сеть из четырех командно-измерительных и закладочных станций; 7 станций сети управления КА ВВС США (Air Force Satellite Control Network – AFSCN); глобальную сеть из 16 станций мониторинга, объединяющую шесть станций мониторинга НКУ GPS, принадлежащих ВВС США, и 10 станций мониторинга Национального агентства геопространственной разведки (National Geospatial Intelligence Agency – NGA). 6 Рисунок 2 – Наземный комплекс управления GPS 1.2. ГЛОНАСС Впервые использовать спутники для навигации предложил проф. В.С. Шебшаевич в 1957 году. Такая возможность была открыта им при исследовании приложений радиоастрономических методов в самолетовождении. Данные исследования были использованы в 1963 году при опытно-конструкторских работах над первой отечественной низкоорбитальной системой «Цикада». В 1967 году на орбиту был выведен первый навигационный отечественный спутник «Космос-192». Система «Цикада» была сдана в эксплуатацию в составе четырех спутников в 1979 году. После 2008 года потребители космических навигационных систем «Цикада» и «Цикада-М» были переведены на обслуживание системой ГЛОНАСС, и эксплуатация этих систем была прекращена. Летные испытания высокоорбитальной отечественной навигационной системы, получившей название ГЛОНАСС, были начаты в октябре 1982 года запуском спутника «Космос-1413». Система ГЛОНАСС была принята в опытную эксплуатацию в 1993 году. В 1995 году развернута ОГ полного состава (24 КА «Глонасс» первого поколения) и начата штатная эксплуатация системы. Штатная ОГ ГЛОНАСС (рис. 3) состоит из 24 спутников, находящихся на средневысотных околокруговых орбитах с номинальными значениями высоты – 19 100 км, наклонения – 64,8° и периода – 11 ч 15 мин 44 с. Значение периода позволило создать устойчивую орбитальную систему, не требующую, в отличие от орбит GPS, для своего поддержания корректирующих импульсов практически в течение всего срока активного существования. Номинальное 7 наклонение обеспечивает 100%-ную доступность навигации на территории Российской Федерации даже при условии выхода из ОГ нескольких КА. Рисунок 3 – ОГ ГЛОНАСС По данным 2022 года, благодаря новым спутникам GPS повысила точность по гражданским сигналам до 60–90 сантиметров, а ГЛОНАСС, по словам начальника отдела по использованию системы ГЛОНАСС госкорпорации «Роскосмос» Ивана Ревнивых, — до 1,32 метра. Наземный комплекс управления ГЛОНАСС (рис. 4) включает в себя: центр управления системой (ЦУС ГЛОНАСС); контрольные станции (КС); центральный синхронизатор (ЦС). Рисунок 4 – Наземный комплекс управления ГЛОНАСС 8 1.3. BDS BeiDou Navigation Satellite System является глобальной навигационной спутниковой системой, принадлежащей Китайской Народной Республике. Идея создания китайской национальной региональной навигационной системы была предложена в 1983 году. Концепция системы, использующей два геостационарных КА (рабочее название системы Twinsat), прошла экспериментальную проверку в 1989 году. Эксперимент проводился на базе двух связных КА DFH-2/2A, уже находившихся на орбите. Первый этап создания системы Beidou (Северный Ковш – китайское название созвездия Большой Медведицы) начался в 1994 году. В 2000 году было запущено два геостационарных спутника: КА Beidou-1A (30 октября 2000 года) и Beidou-1B (20 декабря 2000 года). Аппараты системы Beidou-1 построены на базе связной геостационарной платформы DFH-3. 15 декабря 2003 года китайская система Beidou первого поколения была сдана в эксплуатацию. Запуск третьего геостационарного спутника Beidou-1C в 2003 году улучшил эксплуатационные характеристики системы. Развитие системы Beidou второго поколения Beidou-2 началось в 2004 году. К концу 2012 года было запущено еще 14 спутников (5 геостационарных спутников, 5 спутников на наклонной геосинхронной орбите (ГСНО) и 4 спутника на средних орбитах), что позволило завершить развертывание ОГ. Beidou-2 была разработана по принципу совместимости с Beidou-1, по схеме пассивного позиционирования, что позволило ей обеспечить пользователей в странах Азиатско-тихоокеанского региона услугами определения местоположения, скорости, времени, широкодиапазонных дифференциальных поправок и отправки коротких сообщений. Третий этап — создание системы третьего поколения Beidou-3, начат в 2009 году. Главной целью является предоставление основных услуг для пользователей, находящихся на территории и акватории обоих Шелковых путей (сухопутного и водного), а также соседних регионов, и завершение развертывания ОГ из 35 КА, предназначенной для обеспечения глобальных услуг пользователей. Космический сегмент Beidou (рис. 5) представляет собой ОГ смешанного типа, состоящую из 30 и более КА на орбитах трех типов (средняя круговая орбита, геостационарная орбита, геосинхронная наклонная высокая орбита). 9 Рисунок 5 – ОГ BeiDou К концу 2012 года точность определения координат должна была составить 10 м. В 2022 году точность позиционирования улучшилась до менее 5 м, а в некоторых областях достигла 2-3 м. Точность синхронизации равнялась 10 наносекундам. Использование большой сети базовых станций системы «Бэйдоу-3» на территории КНР (более трёх тысяч станций) позволило достичь точности нескольких сантиметров в реальном времени и миллиметров при режиме накопления информации. 1.4. Проблемы систем спутниковой навигации Недостатком всех систем спутниковой навигации является то, что при определенных условиях сигнал от спутников может поступать к приемнику с задержкой либо не поступать вообще. Поскольку рабочая частота GPS лежит в дециметровом диапазоне радиоволн, уровень приема сигнала спутников приемником может значительно ухудшиться под плотной листвой деревьев, из-за большой облачности. Нормальному приему сигналов GPS могут помешать помехи от многих наземных радиоисточников, а также от магнитных бурь. Препятствиями для прохождения сигнала также могут быть: плотная застройка города (большое количество небоскребов), толстые бетонные или железобетонные стены, размещение приемника в подземном помещении. Чтобы минимизировать этот недостаток системы спутниковой навигации, рекомендуется размещать приемник на максимально открытой местности, или, если это невозможно, использовать выносные антенны для улучшения передачи сигналов. Перед выбором устройств спутниковой навигации стоит выяснить, какие системы спутниковой навигации лучше 10 функционируют в Вашей местности. Например, в полярных регионах GPS (NAVSTAR) имеет малую точность по сравнению с ГЛОНАСС (причиной является разный наклон орбит спутников), хотя в целом GPS обеспечивает более точное определение местонахождения. Также проблемой GPS (и некоторых других систем спутниковой навигации) считается сброс номера недели (WNRO - week number roll over), ведь это может повлиять на работу устройств спутниковой навигации. В составе навигационных радиосигналов, передаваемых со спутников системы к приемнику, содержится номер недели, максимальное значение которого 1023. Когда номер недели достигает значения 1023, счетчик сбрасывает отсчет номера недели до 0 (примерно каждые 20 лет). Не подготовленные к данному событию устройства могут начать неправильно высчитывать время и дату, может повлиять на функции устройства, которые зависят от данных параметров. Для минимизации влияния WNRO на ваши устройства спутниковой навигации, необходимо своевременно обновлять ПО и, при возникновении вопросов, обращаться к производителю. Хорошая новость заключается в том, что с модернизацией GPS (и других ССН) максимальное значение номера недели увеличится (специалисты GPS хотят увеличить количество бит счетчика), и о WNRO можно будет не беспокоиться значительно дольше. 11 2. Прогнозирование транспортных заторов Рассмотрим процесс движения транспортных средств по одному перегону длиной ab=L какой-либо регулируемой дороги, соединяющей два смежных перекрестка сети (рис. 6). Рисунок 6 – схема движения по перегону При этом в качестве элемента улично-дорожной сети можно рассматривать не только собственно перегоны между перекрестками, но и перегоны между остановочными пунктами городского общественного транспорта. При въезде на перегон (в сечении a) транспорт движется компактной группой. Внутри транспортного потока могут присутствовать автомобили разных типов. Порядок следования транспортных единиц может не всегда повторять тот самый порядок, в котором они находились в очереди на входном перекрестке, ожидая права проезда. Используем классический пример [1]. По мере своего движения по перегону ab вследствие различных характеристик транспортных средств, психофизиологических свойств водителей и целей поездок группа рассредоточивается во времени и в пространстве. Механизмом, заставляющим группу «развалиться», являются перестроения, обгоны и другие маневры транспортных средств в потоке. Таким образом, структура потока в сечении перегона является функцией времени движения пачки автомобилей до заданного сечения. На вероятность распадения пачки автомобилей, а значит на возможность совершения маневров, влияют такие факторы как интенсивность транспортного потока, ширина проезжей части, число полос, состав потока и длина перегона. Предлагается за характеристику состава потока в данном сечении улицы считать усредненное число прибытий транспортных средств в это сечение по времени [1]: по многим циклам регулирования в случае (1) перегона между регулируемыми перекрестками; за выбранный интервал времени в случае (2) перегона между нерегулируемыми перекрестками; по интервалу следования автобусов в случае (3) перегона между остановочными пунктами. 12 Эту характеристику называют гистограммой потока. Очевидно, наибольший интерес представляют гистограммы в сечениях, находящихся в непосредственной близости от следующих по ходу движения перекрестков, т.к. вид гистограмм именно в этих сечениях говорит о наличии ярко выраженных пачек. Такой вид гистограмм может иметь совершенно произвольную форму в исследуемых сечениях. Для количественного описания стабильности потока можно ввести меру компактности потока [1], характеризующую возможную неравномерность прибытия транспорта. Проще описывать состояние пачек в случаях 1 и 3. Пусть гистограмма потока в произвольном сечении улицы описывается функцией 𝑞̅(𝑡) – средняя интенсивность прибытия транспортных средств в данное сечение в момент времени t. Как уже указывалось, эта функция является периодической с периодом, равным (в нашем случае 1) длительности цикла регулирования на перекрестке 𝑇ц , т.е. 𝑞̅(𝑡 + 𝑇ц ) = 𝑞̅(𝑡). Поступающие в сечение a транспортные средства могут быть разделены на w типов, каждый из которых появляется с вероятностью 𝑓𝑤 (𝑤 = 1, 2, … , 𝑛). Располагая базой данных о частоте прибытия и времени проезда по отдельным перегонам всей транспортной сети, возможно проведение такой операции как прогнозирование транспортных заторов. Пусть в момент времени t в сети на некотором перегоне (i, j) возникает транспортный затор. Первой задачей будет определение пространственных и временных координат, т.е. номера перегона (i, j) и момента времени t предполагаемого затора. В этом случае на близлежащих перегонах будут измеряться времени проезда по ним, которые будут называться измерениями в контрольных сечениях [1]. Пусть с заданным временным шагом система измерения фиксирует интенсивность движения 𝑞𝑎𝑏 , так что в момент времени 𝑡 − ∆𝑡 были получены 𝑡−∆𝑡 значения 𝑞𝑎𝑏 соответствующих интенсивностей. В конечном итоге 𝑡 𝑡−∆𝑡 необходимо знать по установленным величинам 𝑞𝑎𝑏 интенсивности 𝑞𝑖𝑗 , которые могут сложиться к моменту времени t на предполагаемых перегонах (i, j). Предлагается использовать для этого регрессионное уравнение: 𝑡 𝑡−∆𝑡 𝑞𝑖𝑗 = ∑ 𝑎𝑎𝑏 𝑞𝑎𝑏 + 𝑎𝑖𝑗 , (𝑎,𝑏) где 𝑎𝑎𝑏 и 𝑎𝑖𝑗 – коэффициенты регрессии. Суммирование в данной формуле ведется по всем перегонам (a, b) сети. 𝑡 Таким образом, для прогнозирования интенсивностей 𝑞𝑖𝑗 в системе измерения необходимо устанавливать значения коэффициентов 𝑎𝑎𝑏 и 𝑎𝑖𝑗 , входящих в уравнение регрессии. Если при прогнозировании окажется, что текущее 𝑡 значение 𝑞𝑎𝑏 будет превышать 𝑞𝑖𝑗 , то это будет означать возможность появлния заторов на перегоне (i, j) к моменту времени t. 13 Кроме случайного характера прибытия автомобилей на перекресток нужно учитывать также случайность взаимодействия автомобилей в транспортном потоке при различных дорожно-транспортных ситуациях, различных составах транспортного потока. Для характеристики такого взаимодействия предложен показатель 𝑇(∆𝑣, ∆𝛾, ∆𝑐) ℎ= , 𝐿 где ∆𝑣 – изменение скорости; ∆𝛾 – изменение направления движения; ∆𝑐 – изменение ускорения; 𝐿 – протяженность перегона улицы; 𝑇 – продолжительность движения по перегону. Показатель h позволяет оценить, как каждый отдельный перегон улицы для выявления ее степени загрузки, так и эффективность применяемых методов и средств организации движения. Технические системы, основанные на применении детекторов транспорта, позволяют определять только интенсивность движения, в то время как желательно определять одновременно и интенсивность, и скорость, и плотность [3]. Такую возможность предоставляют автоматизированные радионавигационные системы диспетчерского управления движением городского общественного транспорта. С целью преодоления технических проблем предлагается использовать такой параметр транспортного потока, называемый занятостью перегона улицы, который может быть аналогичен плотности. Занятость определяется 𝑛 1 𝑂 = ∑ 𝑡𝑖 , 𝑇 𝑖=1 n где t - суммарное время движения по перегону в реальных условиях. i 1 i Если принять, что L – длина перегона, на котором расположено n автомобилей, v – скорость движения по перегону «плавающего» автомобиля, d – средняя длина этого автомобиля и k – плотность потока, то тогда [3]: 𝑘 = 𝑂 ⁄𝑑 . Зная величину O можно определить приближенное значение плотности потока и среднее значение скорости: 𝑞 𝑛𝑑 𝑣= = . 𝑘 𝑇𝑂 Наиболее прямым в технологическом смысле слова методом измерения является использовании на всем протяжении перегона навигационных отметок о положении и скорости «плавающих» автомобилей, получаемых с помощью выше упомянутой автоматизированной радионавигационной системы диспетчерского управления движением городского общественного транспорта. Таким образом, можно говорить о том, что теория транспортных потоков содержит достаточно полные сведения об условиях и методах применения «плавающего» автомобиля для экспериментальных исследований 14 характеристик транспортных потоков. Однако все эти методы ориентированы только на получение научной информации от одиночных дорожноисследовательских лабораторий, используемых в качестве «плавающих» автомобилей. Объем информации, и оперативность ее обработки не позволяют применять эти методы для управления движением в реальном режиме времени. Функциональные возможности интеллектуальных транспортных систем (ИТС) позволяют произвести существенные изменения в методах мониторинга характеристик транспортных потоков и повысить качество дорожно-транспортной информации при управлении дорожным движением. До настоящего времени основным путем повышения достоверности информации о дорожном движении являлось насыщение улично-дорожной сети стационарными транспортными детекторами (датчиками), расположенными на определенных участках дорожной сети. Расстояние между этими датчиками может значительно изменяться, поэтому собранная информация иногда не может являться основанием для достоверного прогнозирования изменения ситуации. Задача же размещения фиксированных транспортных детекторов с достаточной плотностью является нереальной, прежде всего вследствие высокой стоимости, а также из-за недостаточной полноты информации. Во многих случаях невозможно однозначно интерпретировать информацию. При ухудшении погодных условий детекторы передают данные о низкой скорости, что приводит к заключению о предполагаемом возникновении затора. Но также возможно, что автомобили медленно движутся из-за временного ограничения скорости или дорожнотранспортного происшествия. В то же время информация, полученная от «плавающих» автомобилей, может включать данные о местоположении автомобиля и его скорости, погодных условиях, характеристиках транспортных потоков, помехах, заторовых ситуациях. После соответствующей обработки и обобщения транспортная информация может быть использована для управления дорожным движением и передачи другим участникам движения. Таким образом, «плавающие» автомобили могут рассматриваться как средство совершенствования информационного обеспечения дорожного движения. Поэтому одним из актуальных направлений развития функций интеллектуальных транспортных систем является исследование методов мониторинга характеристик транспортных потоков с помощью «плавающих» автомобилей. Существующие технические возможности уже в настоящее время позволяют в массовом количестве производить автомобили, которые имеют бортовые интегрированные средства передачи и обработки информации и поэтому могут быть использованы для формирования базы данных о дорожных условиях от «плавающих» автомобилей. Эти средства транспортной телематики имеют чрезвычайно широкий диапазон по своим функциям и техническому уровню исполнения от спутниковых 15 навигационных систем GPS до раций СВ-диапазона и мобильных телефонов. Важно то, что все эти устройства могут использоваться «плавающими» автомобилями. Решение основных проблем ИТС связано с получением привязанной ко времени информации о движении транспортных средств (координаты, скорость). Располагая реальными данными о таких параметрах оборудованных автомобилей (например, маршрутных автобусов, которые начинают играть роль «плавающих») на отдельном элементе сети, как время проезда этого элемента, занятость, время задержки на нем, скорость движения и ряда других, можно оценивать степень загрузки как отдельных участков, так и в целом всей сети. Технически такая возможность предоставляется благодаря технологиям спутниковых навигационных систем. 16 3. Яндекс.Пробки Яндекс.Пробки показывают пользователям картину загруженности дорог [5]. Для этого сервис собирает из разных источников данные о загруженности улиц, анализирует их и отображает на Яндекс.Картах. В наиболее крупных городах, где пробки — серьезная проблема, а не просто неприятность, сервис рассчитывает балл пробок — средний уровень загруженности. Чтобы понять, как именно работают Яндекс.Пробки, рассмотрим весь путь — от реальной дорожной ситуации на дороге до ее изображения на сервисе. Технология сервиса устроена таким образом, что информацию о пробках собирают в том числе и сами пользователи. То есть можно сказать, что водители помогают водителям объезжать пробки. Представим ДТП. Своим появлением оно перегородили, допустим, два ряда из существующих трёх. Автомобилисты, которые двигались по этим рядам, вынуждены объезжать, а водители, перемещавшиеся по третьему ряду, — пропускать объезжающих. Некоторые из них — пользователи приложений Яндекс.Карты и Яндекс.Навигатор, и их мобильные устройства передают Яндекс.Пробкам данные о движении автомобиля. По мере приближения машин этих пользователей к нашему ДТП их скорость будет уменьшаться, и устройства начнут «сообщать» сервису о заторе. Каждые несколько секунд устройство водителя передаёт свои географические координаты, направление и скорость движения в компьютерную систему Яндекс.Пробок. Все данные обезличены, то есть не содержат никакой информации о пользователе или его автомобиле. Затем программа-анализатор строит единый маршрут движения с информацией о скорости его прохождения — трек. Треки поступают не только от частных водителей, но и от машин компаний-партнеров Яндекса (организации с большим парком автомобилей, курсирующих по городу). Помимо своих координат автомобилисты могут сообщать сервису дополнительную информацию об авариях, ремонтных работах или других дорожных неприятностях. Например, какой-нибудь сознательный водитель, увидев наше ДТП, предупредил о нём других автолюбителей, поставив соответствующую точку в мобильных Яндекс.Картах. GPS-приёмники допускают погрешности при определении координат, что затрудняет построение трека. Погрешность может «сместить» автомобиль на несколько метров в любую сторону, например, на тротуар или крышу рядом стоящего здания. Координаты, поступающие от пользователей, попадают на электронную схему города, на которой очень точно отображены все здания, парки, улицы с дорожной разметкой и прочие городские объекты. Благодаря этой детализации программа понимает, как на самом деле двигался автомобиль (рис. 7). Например, в том или ином месте машина не могла выехать на встречную полосу или поворот был совершен по дорожной разметке, не «срезая» угол. 17 Рисунок 7 – Алгоритм исправления неточных координат Чтобы правильно воссоздать картину загруженности дорог, необходимо проверять, соответствует ли трек ситуации на своём участке. Пользователи мобильных Яндекс.Карт могут иногда останавливаться или замедлять движение не из-за пробки. И если мимо свободно едут еще несколько автомобилей с мобильными устройствами, такой трек будет отсеян алгоритмом, потому что не отображает реальную загруженность участка. Поэтому, чем больше пользователей у сервиса, тем точнее информация о дорожной ситуации. После объединения проверенных треков алгоритм анализирует их и выставляет «зелёные», «жёлтые» и «красные» оценки соответствующим участкам дорог. Далее происходит агрегация — процесс объединения информации. Каждые две минуты программа-агрегатор собирает, как мозаику, информацию, полученную от пользователей мобильных Яндекс.Карт в одну схему. Эта схема обрисовывается на слое «Пробки» Яндекс.Карт — и в мобильном приложении, и на веб-сервисе. 18 ЗАКЛЮЧЕНИЕ В данной курсовой работе была рассмотрена проблема оценки динамики заторов на дорогах с использованием спутниковых систем. В ходе работы был проведен анализ существующих методов и инструментов для мониторинга транспортных потоков, а также рассмотрены возможности использования спутниковых данных для определения загруженности дорог. Были определены основные факторы, влияющие на образование заторов, такие как плотность транспортного потока, время суток, погодные условия и дорожные условия. Проанализировав полученные результаты, можно сделать вывод о том, что использование спутниковых систем и алгоритмов машинного обучения позволяет оперативно отслеживать динамику заторов на дорогах, определять их причины и прогнозировать развитие ситуации. Это, в свою очередь, позволяет принимать своевременные меры для предотвращения и устранения заторов, а также оптимизировать работу транспортных систем в целом. Однако, стоит отметить, что использование данных спутниковых систем имеет свои ограничения и требует дополнительных исследований и разработок для повышения точности и надежности результатов. Кроме того, необходимо учитывать возможность взаимодействия различных факторов, влияющих на динамику заторов, и их комплексное влияние на транспортную систему. Тем не менее, перспективы развития данной области исследований и применения полученных результатов в практической деятельности весьма значительны. 19 СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 1. Брайловский Н.О., Грановский Б.И. Управление движением транспортных средств. – М.: Транспорт, 1975. – 112 с. 2. Сильянов В.В. Теория транспортных потоков в проектировании дорог и организации движения. – М.: Транспорт, 1977. – 303 с. 3. Иносэ Х., Хамада Т. Управление дорожным движением / Под ред. Блинкина М.Я.: Пер. с англ. – М.: Транспорт, 1983. – 248 с. 4. Куприянов А.О. Глобальные навигационные спутниковые системы: Учебное пособие. – М.: МИИГАиК, 2017. – 76 с. 5. https://yandex.ru/company/technologies - WEB-сайт компании Яндекс. 20
