В статье приведена оптимизация потока транспортных средств в многолюдном районе города Худжанд с использованием концепции агентного моделирования и программного обеспечения для моделирования AnyLogic.
Ключевые слова: имитационное моделирование, оптимизация, городской транспорт, спутниковый снимок, агентное моделирование.
Практический пример, связанный с оптимизацией транспортных потоков, основан на городской транспортной системе города Худжанд. Для настройки модели, которая будет использоваться для моделирования, был выбран спутниковый снимок из интернета в качестве открытого источника с изображением района города Худжанд на карте Google.
В этой работе был принят во внимание сценарий, основанный на многолюдной городской зоне, главной городской дороге, которая пересекает реку Сирдаря и соединяет центр города с выездом из города. Поскольку выезд из города проходит через международный аэропорт Худжанд, иногда возникают пробки, в основном в часы пик, что приводит к изменению транспортной системы городской мобильности из-за роста движения транспортных средств и, следовательно, большего количества участников движения.
Сценарий тематического исследования основан на следующих элементах: считается, что пять транспортных средств, организованных в виде конвоя, войдут в город из южной части Худжанда для погрузки товаров и важных предметов с таможни Худжанд, расположенной недалеко от международного аэропорта Худжанд; Затем колонна направится на запад к съезду с Худжанд. Из-за реки Сирдаря колонна должна пройти единственную доступную дорогу к таможне Худжанд, двигаясь по мосту, а затем направиться к выезду из Худжанд. Этот маршрут довольно загружен, особенно в начале и в конце недели. Проблема заключается в том, как оптимизировать поток транспортных средств в назначенном районе Худжанда, чтобы сократить продолжительность движения колонны из одного пункта в другой, принимая во внимание возможные заторы на дорогах (Рис 1).
Рис. 1. Многолюдный городской район
Для решения задачи оптимизации, относящейся к индивидуализированному сценарию, для построения имитационной модели использовалась программа AnyLogic. Для этого был разработан ряд необходимых шагов.
Шаг 1. Создание дорожной сети
Во-первых, была создана новая имитационная модель с названием «Transportation_khujand city». Затем в AnyLogic был добавлен спутниковый снимок с карты Google, относящийся к указанной городской зоне Худжанд, выбранной для анализа и оптимизации. Для получения хороших результатов созданную модель нужно было масштабировать с реальными измерениями на основе масштаба спутникового снимка, выровненного со шкалой AnyLogic (в нашем случае масштаб составлял 20 метров).
Во-вторых, построены дороги и созданы перекрестки. Перекрестки были адаптированы, как и в действительности, с учетом количества пересечений полос движения и поворотных точек (Рис 2).
Рис. 2. Указанная городская территория Худжанд — дороги, построенные в AnyLogic
Шаг 2. Логика транспортных потоков
На основе дорог, созданных на предыдущем шаге, была построена блок- схема с учетом ориентации / потока каждой полосы движения (прямое / обратное пути движения транспортных средств).
Блок-схема состоит, в основном, из следующих элементов: carSource, carMoveTo, carDispose и их логических связей (selectOutput). Элемент selectOutput имеет два или пять соединителей, чтобы обеспечить возможность настройки каждого перекрестка, как в действительности, в зависимости от того, сколько направлений движения могут быть использованы транспортными средствами в транспортном потоке. Если у автомобиля есть возможность повернуть направо, ехать прямо и повернуть налево, то он подходит для использования selectOutput5 с большим количеством разъемов; Кроме того, для каждой из них была установлена вероятность использовать определенную полосу движения в зависимости от возможностей автомобилей следовать определенному маршруту.
Затем мы соединили каждый сегмент дороги с определенными элементами (Рис. 3).
Рис. 3. Блок-схема модели городского транспорта
Шаг 3. Настройка светофоров. После построения блок-схемы модель была смоделирована, чтобы выявить нарушения в работе.
На перекрестках обязательно установить светофоры (Рис. 4.). В противном случае AnyLogic отобразит предупреждение о неисправности в нашей симуляции.
Рис. 4. Моделирование дорожного движения
Шаг 4. Оптимизация светофоров. Во-первых, добавлен тип автомобиля, который знает время входа в модель.
На рис. 5. замечено, что средняя продолжительность составляет 63,345 секунды при продолжительности моделирования эксперимента около 10 минут (600 секунд).
Рис. 5. Имитационный эксперимент
Далее была оптимизирована транспортировка за счет сокращения фаз светофора. Длительность каждой фазы параметризовалась; поэтому было использовано четыре параметра со значением по умолчанию 30 секунд. Затем продолжительность каждой фазы светофора изменялась в соответствии с установленными параметрами: p1 и p2 для светофоров; p3 и p4 для светофоров1.
Для оптимизации городского транспорта был создан и запущен новый оптимизационный эксперимент. Целью эксперимента по оптимизации был поиск набора параметров, соответствующего наилучшему значению предоставленной целевой функции. Оптимизация в условиях неопределенности поддерживается с помощью репликаций. AnyLogic отображает график выполнения оптимизации во время итераций моделирования.
Для оптимизации эксперимента с потоком трафика все параметры были изменены с фиксированных значений на дискретные в диапазоне от 10 до 35 секунд с шагом 5 секунд. Затем для запуска эксперимента по оптимизации был создан пользовательский интерфейс по умолчанию (в нашем случае было выполнено около 200 итераций).
На рис. 6. диаграмма наглядно иллюстрирует процесс оптимизации. Ось X представляет моделирование, а ось Y представляет текущую цель, наилучшую невыполнимую цель и наилучшую достижимую цель, найденную для каждого моделирования.
Следующим шагом является копирование наилучших возможных значений для каждого параметра и вставка их в исходный имитационный эксперимент.
Рис. 6. Оптимизационный эксперимент
Как видно на графике, с новыми значениями, полученными в результате проведения эксперимента по оптимизации, относящегося к светофорам, параметры были изменены на p1 = 15 с, p2 = 35 с, p3 = 20 с и p4 = 35 с. Таким образом, после оптимизации среднее значение уменьшилось с 63,345 секунды до 50,514 секунды (Рис. 7).
Рис. 7. Запуск оптимизированного моделирования
Заключение
В настоящее время оптимизация транспортного потока является важным фактом, возникающим в густонаселенной городской среде, где транспортная система должна функционировать должным образом. Программное обеспечение AnyLogic также можно использовать для добавления дополнительных участников в транспортных потоках. Сосредоточившись на моделировании на основе агентов, городскую транспортную систему можно смоделировать и проанализировать после соответствующих итераций моделирования. Другие участники, принадлежащие к городской транспортной системе, могут влиять на имитационное моделирование и экспериментирование.
Литература:
- Хьюн, Н., Цао, В.Л., Викрамасурия, Р., Берриман, М., Перес, П., и Бартелеми, Дж. (2015). Инфраструктура и город: агентная модель для моделирования спроса на транспорт и землепользования
- Macal, CM, & North, MJ (2009). Агентное моделирование и симуляция, Труды зимней конференции по моделированию 2009 г., Техас, США, 1.
- Puentes, R. (2015). The Avenue. Rethinking urban traffic congestion to put people first.
