Wpływ informacji o gęstości ruchu na czas przejazdu

• Autorzy: Mieczysław Chalfen , Joanna Kamińska
• Języki publikacji: PL

Abstrakty

W pracy przedstawiono makroskopowy model ruchu samochodowego w mieście. Sieć ulic w mieście potraktowano jako graf skierowany. Trasę przejazdu pojazdu od punktu startowego do docelowego wyznaczono korzystając z algorytmu Dijkstry wyszukiwania najkrótszej w czasie trasy. Prędkość poruszania uzależniono od aktualnej na danym odcinku ulicy gęstości ruchu. Obliczenia symulacyjne wykonano w dwóch wariantach. W pierwszym trasę przejazdu wyznaczono w chwili startu pojazdu i nie modyfikowano jej trakcie dalszej podróży. W drugim trasę modyfikowano na każdym skrzyżowaniu w zależności od dynamicznie zmieniającej się gęstości ruchu w mieście. Na przykładzie hipotetycznego miasta wykazano, że wdrożenie systemu ciągłej informacji o ruchu w mieście może wyraźnie skrócić średni czas podróży. Wskazano także na potrzebę dostosowania parametrów sieci ulic w sytuacji korzystania przez kierowców z systemu wyznaczającego optymalne w czasie trasy przejazdu.(abstrakt oryginalny)

EN

The paper presents a macroscopic model of city traffic flow. Network of streets in the city was treated as a directed graph. The route of the vehicle from the starting point to the target was determined by using the Dijkstra's algorithm searching shortest-time route. The speed of movement was modeled as a traffic density function. Simulations carried out in two variants. In the first route was not modified during the travel. The second route was modified at every intersection, depending on dynamically changing traffic density in the city. In the paper on hypothetical city have shown that the implementation of a system of continuous information about traffic in the city can significantly reduce the average travel time.(original abstract)

Słowa kluczowe

PL

Ruch drogowy; Ograniczenie natężenia ruchu; Samochody; Transport samochodowy

EN

Road traffic; Traffic calming; Automobiles; Motor transport

• Czasopismo: Logistyka
• Rocznik: 2015
• Numer: nr 4, CD 2
• Strony: 2739--2746

Twórcy

autor

Mieczysław Chalfen

• Uniwersytet Przyrodniczy we Wrocławiu

autor

Joanna Kamińska

• Uniwersytet Przyrodniczy we Wrocławiu

Bibliografia

• 1. Brügmann J., Scheckenberg M., Luther W., 2014. A verifiable simulation model for real-word microscopic traffic simulation. Simulation Modelling Practice and Theory 48 p.58-92.
• 2. Chalfen M., Kamińska J., 2013. Algorytm Dijkstry w modelowaniu samochodowego ruchu miejskiego. Autobusy Technika, Eksploatacja, Systemy Transportowe 3/2013 p. 1885-1893.
• 3. Costeseque G., Lebacque J-P., 2014. A variational formulation for higher order macroscopic traffic flow models: Numerical investigation. Transportation Research Part B, 70 p.112-133.
• 4. Dijkstra E. W., 1959. A note on two problems in connection with graphs. In Numerische Mathematik, 1, pp. 269-271.
• 5. Hu X., Yang D., 2008. Estimation of Traffic Density on Urban Freeways. Journal of Transportation vol. 8, Issue 3, p.79-82.
• 6. Jastriebow A., Poczęta K., 2014. Modelowanie systemu prognozowania natężenia ruchu z zastosowaniem rozmytej mapy kognitywnej i wielokrokowych algorytmów uczenia. Logistyka 3/2014, p.2590-2597.
• 7. Kozieł G., Algorytmy wyznaczania optymalnej trasy przejazdu. Logistyka 6/2014 p.3206-3212.
• 8. Pamuła T., 2014. Model predykcji natężenia ruchu pojazdów z użyciem sztucznych sieci neuronowych. Logistyka 6/2014, p.4946-4952.
• 9. Tian J., Treiber M., Maa S., Jia B., Zhang W., 2015. Microscoping Driving theory with oscillatory congested states: Model and empirical verification. Transportation Research Part B, 71, p.138-157.
• 10. Ważna A., 2014. Wpływ inteligentnych systemów transportowych na oszczędność czasu w transporcie pasażerskim. Logistyka 6/2014, p.10963-10969.
• 11. http://www.mapa.naviexpert.pl/.
• 12. https://mapa.targeo.pl/korki.