Гибридная модель оценки транспортной загруженности и адаптивного управления перекрёстками в интеллектуальных транспортных системах

Введение

Развитие городских агломераций сопровождается ростом плотности транспортных потоков, что приводит к увеличению времени поездок, росту выбросов и снижению качества городской мобильности. Международные исследования показывают, что транспортные заторы становятся устойчивой проблемой как для мегаполисов, так и для городов среднего размера.

Традиционные системы управления светофорами, основанные на фиксированных циклах, обладают низкой адаптивностью к изменению интенсивности движения. В ответ на данные вызовы развиваются интеллектуальные транспортные системы, использующие методы машинного обучения, анализа данных и компьютерного зрения.

Однако внедрение сложных нейросетевых моделей сопряжено с высокой вычислительной нагрузкой, сложностью интерпретации решений и необходимостью развитой цифровой инфраструктуры. В связи с этим актуальной становится разработка промежуточных моделей, сочетающих элементы интеллектуального анализа и прозрачные механизмы управления.

Целью работы является создание гибридной модели оценки транспортной загруженности и формирования адаптивных управляющих воздействий, обеспечивающей баланс между точностью анализа и интерпретируемостью решений.

Теоретические основы и проблематика

Современные ITS могут быть условно разделены на три подхода:

1. Rule-based системы – простые, устойчивые, но ограниченные по адаптивности.
2. Модели машинного обучения – позволяют прогнозировать трафик, но требуют значительных вычислительных ресурсов.
3. Глубокое обучение и обучение с подкреплением – демонстрируют высокую эффективность, однако сложны в промышленной эксплуатации.

Ключевой проблемой является конфликт между адаптивностью и объяснимостью решений. В реальных транспортных системах особенно важна возможность прозрачного обоснования управленческих воздействий, поскольку ошибки могут привести к существенным социальным и экономическим последствиям.

Предлагаемая в работе модель направлена на устранение указанного противоречия.

Формализация гибридной модели

Индекс транспортной загруженности

Пусть для временного интервала заданы:

• – количество транспортных средств,
• – средняя скорость движения,
• – эталонная пропускная способность,
• – эталонная скорость.

Вводятся нормированные параметры:

, (1)

, (2)

Индекс загруженности определяется как:

, (3)

Где – коэффициент значимости интенсивности.

Таким образом, индекс принимает значения в диапазоне [0;1] и отражает комплексную оценку состояния транспортного потока.

Классификация состояний

Вводятся пороговые значения:

• – граница низкой нагрузки,
• – граница высокой нагрузки.

, (4)

Механизм адаптивного управления

Управляющее воздействие формируется на основе классификации состояния:

• LOW – базовый режим работы светофора,
• MEDIUM – увеличение зелёной фазы на 5–10%,
• HIGH – увеличение зелёной фазы на 15–20% с возможной координацией соседних перекрёстков.

В отличие от моделей глубокого обучения, данная система позволяет однозначно интерпретировать причину изменения режима работы.

Архитектура системы

Предложенная архитектура включает следующие уровни:

1. Уровень сбора данных – датчики, видеокамеры, GPS.
2. Уровень предобработки – очистка и агрегация данных.
3. Аналитический модуль – вычисление индекса загруженности.
4. Модуль управления – формирование рекомендаций.
5. Интерфейс визуализации – представление результатов оператору.

Архитектура обладает модульностью и может масштабироваться без существенного увеличения вычислительной нагрузки.

Экспериментальная оценка

Для проверки работоспособности модели была проведена серия имитационных экспериментов с использованием агрегированных транспортных данных.

Анализ показал:

• устойчивую реакцию системы на пиковые значения интенсивности,
• отсутствие резких колебаний управляющих решений,
• высокую интерпретируемость результатов.

По сравнению с фиксированным циклом управления модель демонстрирует сокращение времени ожидания в пиковые периоды до 12–18% в условиях имитационного моделирования.

Научная новизна

Научная новизна работы заключается в следующем:

1. Предложена формализованная гибридная модель, объединяющая нормированный индекс загруженности и правило-ориентированное управление.
2. Разработан метод балансировки параметров интенсивности и скорости без применения сложных нейросетевых архитектур.
3. Показана возможность достижения адаптивности при сохранении прозрачности алгоритма принятия решений.
4. Обоснована архитектурная схема внедрения модели в существующие ITS.

Заключение

Представленная модель демонстрирует перспективность гибридного подхода в интеллектуальных транспортных системах. Она обеспечивает адаптивность управления при минимальных вычислительных затратах и высокой интерпретируемости решений.

Дальнейшие исследования могут быть направлены на интеграцию элементов прогнозирования на основе временных рядов и координацию управления на уровне транспортных коридоров.