Имитационное моделирование траспортных потоков, дорожных сетей и терминалов

256
views

Предлагаем проведение имитационного моделирования транспортных потоков и дорожных сетей, включая крупные кластеры дорожных сетей и отдельные элементы в виде перекресток, развязок, терминалов и т.д.

Транспортная инфраструктура – одна из важнейших инфраструктур, обеспечивающих жизнь городов и регионов. В последние десятилетия во многих крупных городах исчерпаны или близки к исчерпанию возможности экстенсивного развития транспортных сетей. Поэтому особую важность приобретает оптимальное планирование сетей, улучшение организации движения, оптимизация системы маршрутов общественного транспорта.

Решение таких задач невозможно без математического моделирования транспортных сетей. Главная задача математических моделей — определение и прогноз всех параметров функционирования транспортной сети, таких как интенсивность движения на всех элементах сети, объемы перевозок в сети общественного транспорта, средние скорости движения, задержки и потери времени и т.д.

В наши дни вопрос управления транспортными потоками улично-дорожной сети (УДС)  стоит  крайне остро. Эта проблема касается многих населённых пунктов, но особенно часто с ней сталкиваются жители больших городов. Значительный рост количества личных и общественных средств транспорта привело к чрезмерной загруженности городских дорог, длительным остановкам движения, проблемам при передвижении пешеходов, росту числа аварий и многим другим негативным последствиям. Особое внимание в системе управления дорожным движением уделяется транспортному потоку, состоящему из транспортных средств (автомобилей, мотоциклов, трамваев, автобусов и др). Анализ дорожной ситуации является довольно трудоёмким мероприятием, т.к. система включает в себя большое количество факторов, не все из которых могут быть легко учтены при тщательном описании сложившейся ситуации. Кроме технического фактора, дорожная система включает в себя также и социальный[7], что определяет её специфику и делает управление довольно проблематичным.

Процесс построения имитационной модели транспортного потока включает в себя следующие этапы. На стадии постановки проблемы необходимо поставить цель проекта, определить изучаемую зону, выбрать вспомогательные средства и вид будущей модели. На этапе сбора данных необходима информация об интенсивности движения на изучаемом участке, карты изучаемых участков дорог, проведение натурных исследований. Следующим этапом служит непосредственно процесс построения базовой модели на основе данных, полученных в ходе натурных измерений, и оценка достоверности этих данных. Необходимым моментом исследования также является проверка достоверности результатов измерений. Окончательным этапом является построение модели транспортного потока с учётом всех имеющихся данных.

Описание и управление реальными транспортными потоками довольно проблематично в связи с рядом факторов. К ним можно отнести невозможность дать точную характеристику дорожной системы из-за большого количества параметров, которые трудно учесть. К примеру, нестационарность транспортных потоков, их зависимость от временных факторов: сезона, дня недели и времени суток и т.д.

Имитационное моделирование динамики транспортного потока с использованием компьютерных пакетов значительно упрощает процесс его изучения и контроля. Инструменты позволяют наглядно представить движение каждого отдельного автомобиля в потоке, оценить эффективность принятых решений, направленных на улучшение организации движения.

В состав моделирования транспортной инфраструктуры и транспортных потоков улично-дорожной сети входит:

  • Имитационное моделирование транспортных потоков
  • Создание имитационных моделей для проектов организации дорожного движения
  • Анализ проектов организации дорожного движения.
  • Отельные работы на имитационных моделях
  • Выбор оптимального цикла светофорного регулирования
  • Организация парковочных мест на отдельных территориях
  • Оптимизация проектов организации дорожного движения
  • Визуализация проектов организации дорожного движения
  • Создание 3D моделей объектов транспортной инфраструктуры (Создание имитационных моделей участков улично-дорожной с прилегающей архитектурой с целью визуализации и анимации объектов)
  • Создание видео-имитации дорожного движения

Наща компания эффективно работает в сфере моделирования транспортных потоков в улично-дорожной сети города или региона, что позволяет наглядно увидеть обстановку, в режиме реального времени, на улично-дорожной сети в случае различных дорожно-транспортных ситуаций, с возможностью изменения конфигурации сети.

Наши возможности:

  1. Создание и редактирование модели УДС города или региона;
  2. Калибровка модели транспортных потоков по данным с детекторов транспорта;
  3. Симуляция существующих и прогнозируемых транспортных потоков в визуальном режиме наблюдения;
  4. Расчет значений параметров транспортных потоков в ходе симуляции;
  5. Симуляция транспортных ситуаций на модели УДС в визуальном режиме наблюдения;
  6. Моделирование пассажирских потоков и перевозок в мультимодальных транспортных сетях.

С помощью моделирования мы предлагаем решить следубщие задачи:

Анализ зоны тяготения

Анализ зоны тяготения включает в себя проведение транспортных исследований с характеристикой существующих транспортных потоков ( учет интенсивности потоков: объем, скорость, структура, динамика и т.д.), анализом факторов, влияющих на исследуемый поток. Например, используется автоматическая регистрация или ручной классифицированный подсчет транспортных и пассажирских потоков с указанием количества пассажиров в легковых и пассажирских транспортных средствах, в том числе в соответствии с ОДМ 218.2.032-2013 “Методические рекомендации по учету движения транспортных средств на автомобильных дорогах” или иных необходимых характеристик.

Систематизация полученных данных для подготовки модели транспортных потоков

Создается на базе исследования транспортных потоков, проведенных замеров интенсивности движения и анкетирования среди пользователей. Также применяются данные статистических организаций, операторов сотовой и интернет связи. На основе полученной информации о пунктах отправления и назначения  пассажиров рассчитывается матрица корреспонденций, способствующая моделированию транспортных потоков.

Анализ эластичности спроса

При необходимости, эластичность спроса на поездки в общественном транспорте или по платной дороге в зависимости от размера тарифа/платы за проезд или других условий определяются на основе исследования транспортных потоков, а также социологического исследования о предпочтениях клиентов.

Моделирование транспортных потоков

Базой для построения транспортной модели являются полученные в ходе проведения  исследования транспортных потоков данные. Моделирование транспортных потоков в зависимости от потребности проекта может производиться как на собственном сертифицированном программном обеспечении, созданным на основе утвержденного  распоряжением Минтранса России от 19.06.2003 г. № ОС-555-р руководства по прогнозированию интенсивности движения на автомобильных дорогах, так и на известном на международном уровне (VISUM), также соответствующим СТО Автодор 2.2-2013 “Рекомендации по прогнозированию интенсивности дорожного движения на платных участках автомобильных дорог Государственной компании «Автодор» и доходов от их эксплуатации”. Транспортная модель, подготовленная на подобном программном обеспечении, является инструментом для привлечения финансирования в проект, обоснования технических решений.

Сопровождение и защита

Подготовка отчетных и презентационных материалов, сопровождение и защита проекта в заинтересованных организациях и органах экспертизы. Также производится пост-договорное сопровождение проекта в течение 6 месяцев после сдачи работ без дополнительной платы.

Примеры применения имитационного моделирования:

Имитационное моделирование узких мест транспортной сети

Аннотация

Если для анализа транспортных сетей большого объёма используются макромодели, построенные, например, на принципах сетевого моделирования, то для исследования «узких мест» дорожной сети создаются микромодели. Одними из наиболее широко используемых видов микромоделей являются имитационные модели. В работе построена имитационная модель «узкого места» транспортной сети одного из проблемных районов Санкт-Петербурга в среде имитационного моделирования AnyLogic версии 6.4.0., выполнены компьютерные эксперименты и даны практические рекомендации по организации дорожного движения.

В моделировании транспортных потоков под макромоделями понимаются такие модели, которые описывают транспортный поток как целое, то есть как совокупность всех транспортных средств (ТС). Эти модели применяются для анализа транспортных сетей большого объёма. С их помощью решаются задачи моделирования и оптимизации движения транспортных потоков в рамках определённого географического района, например, в рамках городской транспортной сети. Для решения подобных задач предлагается использовать сетевое моделирование [1].

Микромодели в отличие от макромоделей не рассматривают транспортный поток как некую целую совокупность транспортных средств, распределяющихся в транспортной сети по определенным принципам и с учетом ограничений, которые задает исследователь. Напротив, они характеризуются описанием отдельных транспортных средств, принципов их поведения на дороге и взаимодействия с другими транспортными средствами. Поэтому, у микромоделей другая, особенная цель – с их помощью можно достаточно детально исследовать отдельные, наиболее проблемные участки и перекрестки дорожной сети (так называемые «узкие места»), а также их совокупности.

Одними из наиболее широко используемых видов микромоделей являются имитационные модели [2]. Цель создания такой модели заключается в том, чтобы исследователь мог не только оценить текущую ситуацию на изучаемом участке, но и рассмотреть влияние вносимых им изменений и получить количественный результат, который наглядно представляется в модели.

Естественно, что имитационная модель всегда является упрощенным подобием реальной системы и отражает суть рассматриваемого процесса, явления и свойств входящих в нее объектов лишь в той степени достоверности, которая необходима для решения конкретной поставленной задачи. Она является по своей сути некоторым представлением реального объекта, и подобно любому представлению о реальности не отражает его в полной мере. Оценка того, насколько это представление устраивает нас, во многом неоднозначна потому, что реальность изменяется, а представление в целом остается прежним. Проблема состоит в том, что ожидания и представления редко соответствуют действительности в силу множества факторов, учесть даже большую часть из которых чаще всего не представляется возможным. Поэтому имитационная модель – это не универсальное средство решения проблем, а лишь инструмент, с помощью которого можно получить рекомендуемый путь решения.

В имитационном моделировании широко используется понятие «уровень абстракции», которое по своему смыслу обратно этой степени достоверности. То есть чем ниже уровень абстракции (и выше степень достоверности), тем точнее имитационная модель будет отражать суть явления. Обычно уровень абстракции известен изначально, он выбирается на начальных этапах создания имитационной модели. Однако количественная оценка того, насколько создаваемая модель будет соответствовать реальной (моделируемой) ситуации, заранее неизвестна. Эта оценка называется «адекватностью» имитационной модели, она определяется лишь после того, когда создана имитационная модель и имеются собранные фактические данные рассматриваемого явления (статистика) – путем сравнения результатов компьютерного эксперимента и реальных данных.

Применение имитационного моделирования для решения задач оптимизации транспортных потоков рассмотрим на конкретном примере, рассматривая транспортную сеть части Приморского района Санкт-Петербурга, отличающегося известными проблемами движения транспорта.

В работе [1] данная транспортная сеть на макроуровне исследовалась с помощью сетевых моделей, что позволило определить, как отразятся на пропускной способности дорог, суммарном пробеге и суммарном времени движения транспортных средств те или иные изменения в организации дорожного движения на рассматриваемом участке городской транспортной сети. Кроме того, исследование позволило выявить так называемые «узкие места» данной транспортной сети, одним из которых является перекресток «Коломяжский проспект–проспект Испытателей». Поэтому в данной работе была создана имитационная модель этого перекрестка.

Отличительной особенностью модели является то, что она также учитывает наличие транспортных проблем на следующем за пересечением «Коломяжский пр.–пр. Испытателей» перекрестке – на Светлановской площади, и позволила дать прогнозную оценку влияния на пропускную способность исследуемого перекрестка строительства на Светлановской площади многоуровневой развязки.

Создание имитационной модели осуществлялось в среде имитационного моделирования AnyLogic версии 6.4.0. Пакет AnyLogic – отечественный профессиональный инструмент имитационного моделирования нового поколения, разработанный фирмой «XJ Technologies», Санкт-Петербург [3]. Пакет AnyLogic существенно упрощает разработку имитационных моделей и их анализ, он основан на объектно-ориентированной концепции.

В качестве подхода в имитационном моделировании в данной модели выбрано дискретно-событийное моделирование (ДС). Данный подход предполагает следующее: автомобили выступают в качестве заявок, движущихся в сети между отдельными промежуточными пунктами по заранее намеченным траекториям. При этом с помощью команд программирования задается логика, согласно которой заявки (автомобили) ведут себя на дороге и при пересечении перекрестка тем или иным образом.

Общий вид созданной в среде AnyLogic модели представлен на рис.1.

Рис.1. Имитационная модель перекрестка «Коломяжский пр.–пр. Испытателей» в среде имитационного моделирования AnyLogic

Модель представляет собой аналог регулируемого перекрестка четырехполосного движения. В модели присутствует четыре автомобильных потока (рис.2):

  • исследуемый: красный (обозначен буквой «A»)
  • встречный: желтый (обозначен буквой «B»)
  • перпендикулярный: фиолетовый (обозначен буквой «D»)
  • перпендикулярный: синий (обозначен буквой «E»)

Рис.2. Транспортные потоки перекрестка «Коломяжский пр.–пр. Испытателей» и их условные обозначения

Модель строилась с основной целью: исследовать ситуацию с транспортными потоками на перекрестке Коломяжский пр.–пр. Испытателей в утренний период, поскольку именно в этот период в реальности наблюдается наиболее тяжелая дорожная ситуация на данном перекрестке, и разработать рекомендации по оптимизации этих потоков. Красный поток (поток «A») в данной модели является исследуемым, поскольку направлен строго в сторону выхода из района и наиболее интересен с точки зрения анализа. Однако в модели также присутствует возможность исследовать параметры и всех остальных потоков.

Анимация запущенной на выполнение модели представлена на рис.3.

Рис.3. Анимация имитационной модели перекрестка «Коломяжский пр.–пр. Испытателей»

Модель имеет входные и выходные параметры.

Входные параметры – параметры, позволяющие изменять результаты работы модели. К ним относятся:

  • фазы светофоров;
  • интенсивности входящих потоков, авт./мин;
  • вероятности поворотов и перестроений;
  • скорости движения,  км/ч;
  • наличие/отсутствие пешеходов.

Выходные параметры – параметры, подлежащие контролю для оценки текущей ситуации. К ним относятся:

  • интенсивности выходных потоков, авт./мин;
  • длины очередей, ед.

Таким образом, суть работы с моделью состоит в том, что, изменяя те или иные входные параметры, мы можем добиться изменения выходных параметров, которые являются контрольными и характеризуют эффективность функционирования перекрестка. Это необходимо, прежде всего, для оценки текущей ситуации, а также прогноза ее развития в случае принятия соответствующих мер.

Модель имеет свой интерфейс для удобства работы с ней, который состоит из четырех основных частей (секций): 1) «анимация» (наглядное представление прогонов модели); 2) «входные параметры» (задание входных параметры модели); 3) «выходные параметры» (контроль выходных параметров при проигрывании модели); 4) «настройки».

Проверка адекватности (достоверности) модели выполнялась путем сбора и анализа фактических входных и выходных данных на реальном объекте. Входные параметры вводились в модель и после ее прогона модельные выходные параметры сравнивались с фактическими. Проверка осуществлялась по параметру «интенсивность выходного потока», поскольку в рамках данного исследования проверить модель по параметру «длина очереди» не представлялось возможным. Проверка показала, что средняя погрешность модели составляет , (достоверность ). В рамках данного исследования адекватность модели была признана приемлемой.

Для реализации целей создания имитационной модели в работе были произведены с ее помощью компьютерные эксперименты, суть которых заключалась в том, чтобы оценить влияние тех или иных принимаемых мероприятий (изменение входных параметров) на результаты моделирования (выходные параметры).

В рамках данного исследования были произведены шесть экспериментов со следующими условными названиями: 1. «по фактическим данным»; 2. «накопления очередей»; 3. «строительство надземных пешеходных переходов»; 4. «постановка дорожных знаков»; 5. «оптимизация фаз светофора»; 6. «разгрузка Светлановской пл.»

Суть каждого эксперимента и выводы, сделанные по результатам их проведения, приведены ниже.

Эксперимент «по фактическим данным». Очевидно, что вначале необходимо определить те выходные параметры, которые формируются в модели при проигрывании фактических (полученных в ходе натурных измерений) данных. Именно это является главной целью эксперимента. Эксперимент также призван наглядно оценить текущую ситуацию.

Время эксперимента  было принято равным 1800 с (30 мин.) модельного времени. Графики зависимостей величин очередей и интенсивностей выходных потоков в авт./мин от величины модельного времени представлены на рис. 4.

Рис. 4. Эксперимент по фактическим данным. Зависимость: а) величин очередей; б) интенсивностей выходных потоков от модельного времени

По результатам исследования можно сделать следующие выводы. Во-первых, из собранных фактических данных по интенсивностям входящих потоков и вероятностям поворотов вытекает ожидаемый вывод о том, что большая часть всех потоков стремится в одном направлении – к Светлановской пл., заполняя очередь на проблемном участке за перекрестком. В результате же эксперимента выявлено, что наиболее высокие темпы роста имеет очередь потока A, наименее высокие – поток B. Интенсивность выхода принимает наименьшие значения для потока D, наибольшие – для потока E. Поток A оказывается в наибольшей степени заторможенным пробкой, образованной за перекрестком, поскольку практически весь устремлен в проблемный участок. В то же самое время большая, чем для A, часть потоков D и E устремлена не в направлении Светлановской пл., и интенсивности входа этих потоков меньше, чем для A. Поэтому очереди в данных условиях для потоков D и E образуются медленнее. Величина же очереди на участке перед Светлановской пл. не имеет тенденции к снижению.

Эксперимент «накопления очередей» (рис.5). В нем моделируется процесс накопления «с нуля» очередей каждого потока непосредственно перед перекрестком, а также очереди к Светлановской пл. на участке за перекрестком. Основная цель данного эксперимента – проследить, как накапливается очередь на участке перед Светлановской пл., а также очереди всех потоков.

Рис. 5. Эксперимент накопления очередей. Зависимость: а) величин очередей; б) интенсивностей выходных потоков от модельного времени

Эксперимент отличается от предыдущего тем, что в настройках очередь перед Светлановской пл. заранее не заполняется. Время эксперимента принято равным 4500 с (1 ч. 15 мин.) модельного времени.

В эксперименте «накопления очередей» установлено, что очередь за перекрестком на участке перед Светлановской пл. накапливается приблизительно за 3000 с (50 мин), затем ее колебания устанавливаются около определенного значения, близкого к переполнению указанного участка. Очередь потока A начинает возрастать к 2500 с (42 мин) эксперимента, когда участок перед Светлановской пл. начинает переполняться. Это происходит вследствие того, что практически весь поток A устремлен прямо в проблемный участок за перекрестком, и проблемы не возникает, пока он не начинает переполняться. В наибольшей степени возрастает очередь потока D, в наименьшей – потока B, что объясняется торможением двух рядов потока D, поворачивающих направо, пешеходами. Аналогичные выводы вытекают из анализа интенсивностей выхода потоков.

Из эксперимента «по фактическим данным» и «накопления очередей» вытекает очевидный вывод о том, что разгрузка Светлановской пл. за счет строительства многоуровневой развязки может решить проблему пробок и на рассматриваемом перекрестке. Однако реализация этой меры согласно «Концепции совершенствования и развития дорожного хозяйства Санкт-Петербурга до 2010 года с прогнозом до 2015 года»  планируется лишь на период до 2015 года. Поэтому необходимо выявить возможные варианты решения проблемы без разгрузки Светлановской пл., для чего было произведено еще несколько экспериментов с моделью.

Эксперимент «строительство надземных пешеходных переходов». Очевидно, что пешеходы являются помехой проезду автомобильного транспорта при поворотах на перекрестках. Следовательно, можно предположить, что если организовать возможность разделения пешеходных и автомобильных потоков (например, в разных уровнях), то это предоставит не только повышение безопасности дорожного движения, но и позволит увеличить пропускную способность перекрестка и уменьшить очереди автомобильных потоков. Именно такие ситуации и моделируются в данных экспериментах. Отметим, что строительство именно надземных пешеходных переходов дешевле, чем подземных. И, кроме того, они могут быть быстрее реализованы в реальном проекте.

Таким образом, проводится несколько последовательных экспериментов, отменяя в каждом из них проход пешеходов по определенному переходу (то есть моделируется наличие надземного перехода, пешеходов нет на проезжей части), и контролируется изменение выходных параметров.

Эксперимент «строительство надземных переходов» выявил, что для изменения ситуации достаточно строительства только одного надземного пешеходного перехода – через пр. Испытателей за рассматриваемым перекрестком в направлении Светлановской площади. Однако в дополнение к этой мере должны быть приняты определенные действия по уравниванию потоков – перенастройка фаз светофора. Наилучшим вариантом является использование интеллектуальной автоматически перенастраиваемой светофорной установки.

Эксперимент «постановка дорожных знаков». Проведена серия экспериментов с постановкой различного типа дорожных знаков и оценивается влияние таких мер на выходные параметры модели.

Типичной ситуацией является стоянка автомобилей в правом ряду пр. Испытателей перед рассматриваемым перекрестком по направлению движения потока A. Наличие постоянно стоящих автомобилей в правом ряду снижает пропускную способность дороги, поскольку невозможным становится использование правого ряда. Таким образом, моделируется постановка знака «Стоянка запрещена» на всём протяжении пр. Испытателей от перекрестка с Серебристым бульваром до перекрестка с Коломяжским проспектом. Отметим, что постановка знака «Остановка запрещена» вблизи станции метро нецелесообразна, поскольку в таких местах всегда должна быть возможность кратковременной остановки частного и пассажирского транспорта для посадки и высадки пассажиров. Проводились также эксперименты с постановкой знаков движения по полосам:  отмена левого поворота потока A и отмена левого поворота потока E.

В результате эксперимента «постановка дорожных знаков» выявлено, что наиболее эффективной мерой является постановка знака «Стоянка запрещена» по направлению движения потока A на всем протяжении пр. Испытателей от предыдущего до рассматриваемого перекрестка. Это поможет существенно снизить очередь потока A на пр. Испытателей. Запрещение левого поворота потоку A – неэффективная и неоправданная мера, лишь усугубляющая проблему очереди за перекрестком. Хорошие результаты по снижению очередей потоков E и A дает запрет левого поворота потоку E. Однако к воплощению этой меры в реальной жизни следует подойти с осторожностью, поскольку она заставляет водителей ехать в объезд, что может усугубить ситуацию на соседних перекрестках.

Эксперимент «оптимизация фаз светофора». Цель эксперимента – найти оптимальные фазы светофоров, минимизирующие величины очередей потоков. Результаты этого эксперимента оказываются во многом неоднозначными, поскольку вариация фаз светофоров по-разному влияет на выходные параметры каждого отдельного потока.

Эксперимент имеет специфическую методику. Очевидно, что два светофора на одном перекрестке являются взаимосвязанными. Это означает, что они работают согласованно, и изменение длительности зеленого света одного из них неизбежно должно вести к изменению длительности красного света на другом. В модели длительности красного света светофоров вычисляются автоматически, в зависимости от длительностей зеленого и желтого света светофоров, задаваемых пользователем. Но поскольку варьировать длительность желтого света светофоров и получать при этом определенные результаты – действие, не имеющее смысла и практического применения, то остаются только два варьируемых параметра – длительности горения зеленого света двух светофоров. В модели эти варьируемые параметры обозначены следующим образом: Tgreen – длительность зеленого света первого светофора (для потоков A и B); Tgreen1 – длительность зеленого света второго светофора (для потоков D и E). Под «фазой» будем понимать именно длительности горения зеленого света Tgreen и Tgreen1.

Суть эксперимента состоит в следующем: последовательными прогонами модели при различных значениях Tgreen и Tgreen1 получаем данные о величинах очередей каждого потока. При этом один параметр (Tgreen1) фиксируется, а второй (Tgreen) изменяется с определенным шагом. Для примера на рис. 6 приведена подобная зависимость для потока А.

Рис. 6. Зависимость величины очереди потока A от времени горения зеленого света светофора прямого потока (Tgreen)

Затем на шаг изменяется Tgreen1, и снова получаются данные при изменении Tgreen при фиксированном Tgreen1. Затем из полученных данных выбираются так называемые «наиболее благоприятные» и «оптимальные» сочетания фаз светофоров Tgreen и Tgreen1 для каждого из потоков. Наиболее благоприятными считаются такие сочетания фаз, при которых при фиксированном значении одной из фаз (Tgreen1) подбирается наилучшее с точки зрения длины очереди для конкретного потока значение второй фазы (Tgreen).

Оптимальными сочетаниями фаз считаются такие наиболее благоприятные сочетания, которые обеспечивают минимально возможную очередь данного конкретного потока при данных условиях.

Очевидно, что оптимальные и наиболее благоприятные сочетания будут различными для различных потоков. Поэтому в ходе эксперимента получаем результаты для всех потоков (табл. 1).

Таблица 1 Оптимальные сочетания фаз светофоров

Основной вывод по данному эксперименту – оптимальные сочетания фаз светофоров различны для различных потоков, и поэтому для того, чтобы добиться минимизации величины очереди для определенного потока, необходимо смириться с возможным увеличением величин очередей других потоков. Наиболее эффективным будет постановка интеллектуального автоматически перенастраиваемого светофора. Есть и альтернативный вариант – регулировка фаз светофоров сотрудником ДПС исходя из визуальной оценки ситуации.

Эксперимент «разгрузка Светлановской пл.». В нем моделируется ситуация, когда на Светлановской пл. организована многоуровневая развязка. Очевидно, что эта развязка призвана решить проблему пробок на участках дорог перед Светлановской площадью. В модели эта ситуация реализуется простым включением зеленого света светофора перед Светлановской пл. на бесконечный период времени.

Из эксперимента вытекает ожидаемый вывод об уменьшении величин очередей всех потоков. Однако очереди потоков D и E сохраняют тенденции к росту, что свидетельствует о необходимости решения проблемы с пешеходным переходом, задерживающим эти потоки, либо дополнительной регулировки светофоров.

Проведенное исследование транспортных потоков городской дорожной сети позволяет сделать следующие выводы и обобщения:

  • моделирование транспортных потоков следует проводить в два этапа, путем построения макромоделей, которые применяются для анализа транспортных сетей большого объёма и микромоделей, с помощью которых можно достаточно детально исследовать отдельные, наиболее проблемные участки дорожной сети.
  • наиболее удобным и естественным способом построения макромоделей транспортных потоков является сетевое, а микромоделей – имитационное моделирование.
  • сетевое и имитационное моделирование является инструментом исследования транспортных потоков, который позволяет выявить существующие проблемы и указать возможные пути их решения.

Литературные источники

  1. Бочкарев А.А., Петров А.В., Пилипчук С.Ф. Оптимизация распределения транспортных потоков в городской транспортной сети. // Логистика и управление цепями поставок, № 5, 2010, с. 80-96.
  2. Кельтон В. Имитационное моделирование. Классика CS: [пер. с англ.] / В. Дэвид Кельтон, Аверилл М. Лоу. – 3-е изд. – СПб.: Питер; Киев: Издательская группа BHV, 2004. – 847 с.
  3. Карпов Ю.Г. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5 / Ю.Г. Карпов. – СПб. БХВ-Петербург, 2005. – 400 с.

Авторы: Петров А.В., Пилипчук С.Ф.

Источник: http://www.lscm.ru/

Имитационная транспортно-логистическая модель для планирования пригородных пассажирских перевозок

Проблема

Пассажирские железнодорожные перевозки в России — сфера со своей спецификой. Из-за нерентабельности пригородные ж/д маршруты часто сокращают. Это может негативно сказаться не только на пассажирах, но и на социально-экономической ситуации в регионах.

С ситуацией сокращения пригородных ж/д маршрутов столкнулось руководство Центрального федерального округа. Чтобы снизить вероятность негативных последствий от отмены ж/д рейсов, они решили параллельно спланировать альтернативные автобусные маршруты.

Задачу планирования топологии альтернативных маршрутов и определения экономического эффекта от их создания руководство поручило консультантам компании. Для тестирования и оценки эффективности консультанты выбрали метод имитационного моделирования. С его помощью они смогли бы в безрисковой среде спланировать и проанализировать варианты топологии транспортной системы, понаблюдать за её работой в динамике и оценить финансовую эффективность.

Таким образом, перед консультантами стояла задача создать модель, которая бы являлась системой поддержки принятия решений. СППР должна была помочь:

  • отразить текущую транспортную ситуацию в регионе;
  • сформировать альтернативные маршруты с учётом пассажиропотоков;
  • спрогнозировать транспортную ситуацию по альтернативному сценарию;
  • оценить экономический эффект планируемых изменений в транспортной системе региона.

Решение

Вид модели на Main

Консультанты проанализировали существующие на рынке программные средства имитационного моделирования и выбрали AnyLogic для создания транспортно-логистической модели в связи с несколькими факторами:

  • AnyLogic — единственное коммерческое ПО, которое поддерживает агентное моделирование.
  • В модели AnyLogic можно интегрировать ГИС-карты и использовать их при анимации.
  • Модель, созданную в AnyLogic, можно экспортировать в виде независимого от среды разработки Java-приложения.
  • AnyLogic позволяет использовать Excel-шаблоны и базы данных для ввода и вывода данных.

С помощью агентного подхода консультанты задали поведение и правила взаимодействия типовых объектов: поселений, поездов, автобусов, ж/д станций и автобусных остановок. При этом данные по местоположению объектов загружались в модель в виде Excel-файла. Это значительно ускорило процесс построения модели. Все объекты располагались на ГИС-карте региона. Информация о реальных железнодорожных и автомобильных маршрутах загружалась автоматически.

Интерфейс транспортно-логистической модели

Интерфейс транспортно-логистической модели: ж/д станции и автобусные остановки

Когда модель была настроена, консультанты протестировали различные виды топологий транспортной сети с учётом финансовых показателей. Так консультанты смогли понять, какие альтернативные маршруты убыточны, а какие рентабельны.

Результат

В результате проекта было найдено шесть альтернативных автобусных маршрутов. Экономический анализ показал, что четыре из шести найденных маршрутов будут убыточными. Это информация позволит заказчику принимать обоснованные и взвешенные решения.

Модель передана заказчику в виде настраиваемого автономного приложения — СППР. Пользователи могут изменять входные данные, например, объем пассажиропотоков, проводить эксперименты с альтернативными маршрутами, сравнивать их эффективность с уже существующими и на основе этого принимать решения о замене маршрутов. Это приложение также можно переконфигурировать для планирования транспортного сообщения в других регионах.

Имитационная модель для для увеличения пропускной способности железнодорожного контейнерного терминала

Проблема

«РУСКОН» – одна из крупнейших компаний России в сфере внешнеторговых контейнерных перевозок. Компания обратилась к консультантам, чтобы найти оптимальное решение для модернизации одного из своих объектов – контейнерного ж/д терминала. Задача состояла в определении максимальной пропускной способности контейнерного терминала, а также отдельных его составляющих, таких как:

  • перегрузочная техника;
  • железнодорожная инфраструктура;
  • контейнерная площадка.

Кратко об объекте оптимизации:

  • Контейнерный ж/д терминал имеет железнодорожную инфраструктуру общей протяжённостью порядка 3 000 м и собственный парк маневровых локомотивов.
  • Склад временного хранения занимает площадь более 22 000 м².
  • На территории терминала есть открытая площадка вместимостью 2 500 TEU для складирования и хранения крупнотоннажных контейнеров, с возможностью размещения 20-ти и 40-ка футовых контейнеров в зоне таможенного контроля и на складе временного хранения.
  • Контейнерный терминал имеет возможности по обработке (приём/отправка, погрузка/выгрузка) фитинговых платформ, универсальных платформ, крытых вагонов, полувагонов и т. д.
  • Терминал эксплуатирует два козловых крана, вилочные погрузчики, собственный парк автомобильных тягачей и другую вспомогательную технику.

Для поиска оптимального варианта модернизации объекта консультанты решили смоделировать несколько различных сценариев развития терминала.

Решение

Было принято решение разработать цифрового двойника терминала в виде имитационной модели в среде AnyLogic с высоким уровнем соответствия реальному физическому объекту, где расхождение между результатами виртуальной эксплуатации и фактическими данными было бы в пределах 5%. Цифровой двойник позволяет достичь высокой точности моделирования и учесть большое количество параметров, нелинейные, неочевидные или неизвестные зависимости и причинно-следственные связи.

Кроме точности, технология имитационного моделирования, в отличие от аналитического, позволяет разворачивать процессы во времени, например, ускоряя их: за несколько минут можно смоделировать несколько месяцев или лет и провести множество экспериментов.

Точкой входа модели стал приход составов с гружеными контейнерами на сортировочную станцию РЖД, после чего с учетом расписания движения транзитных поездов производились манёвровые работы по перемещению вагонов на ж/д пути объекта заказчика. Точка выхода – уход составов с порожними контейнерами из сортировочной станции РЖД.

Внутри границ проекта моделировались все основные процессы ж/д терминала:

  • внутренняя и примыкающая ж/д логистика;
  • автоперевозки гружёных и порожних контейнеров;
  • складская логистика;
  • таможенное оформление.

Модель ж/д контейнерного терминала

Благодаря возможностям среды AnyLogic в модель была добавлена 2D- и 3D-анимация. Она позволяла приближать определенные участки модели или наблюдать работу отдельных её компонентов, что помогало визуально контролировать ход процессов на каждом участке.

С помощью цветовой анимации обозначался различный статус контейнеров:

  • красные контейнеры – не прошедшие таможенную очистку;
  • зеленые – растаможенные и готовые на отгрузку;
  • желтые – порожние.

Кроме того, консультанты разработали систему «виртуальных датчиков», с помощью которых был организован процесс сбора данных с цифрового двойника. Операционные данные обновлялись в режиме реального времени. Они позволяли следить за текущими показателями терминала, а также осуществлять калибровку модели. Именно благодаря такой скрупулёзной работе над сбором данных удалось добиться высокой степени соответствия цифрового двойника терминала реальному объекту.

После создания и калибровки цифрового двойника была определена максимальная пропускная способность терминала, а показатели сравнили с данными из аналитической модели. При сравнении показателей работы моделей терминала с режимом «как есть» точность аналитической модели составила 72%, а с имитационной – 96%.

Имитационная модель контейнерного ж/д терминала

Также были проведены виртуальные испытания работы основного перегрузочного механизма терминала – портального крана: с различной длительностью для каждой крановой операции в трех-осевом передвижении основы и спредера. Таким образом были выявлены узкие места в работе крана и были предложены варианты оптимизации его работы, подкрепленные данными экспериментов.

В AnyLogic за моделирование погрузочно-разгрузочных работ отвечает специализированная Библиотека производственных систем. Она позволяет создавать точные модели транспортровки грузов на складах и предприятиях, в портах и треминалах, проще управлять материальными потоками и выявлять узкие места в технологических процессах.

Другая группа экспериментов касалась моделирования работы терминала при различной организации внутренней логистики. Показатели эффективности работы терминала, отображаемые в модели, позволили проанализировать значения выходных параметров при различной настройке экспериментов. В результате моделирования были разработаны рекомендации по модернизации инфраструктуры и реорганизации бизнес-процессов терминала, также основанные на данных моделирования.

Результат

После проведения необходимых экспериментов и получения выходных данных инженеры выявили узкие места в работе и оптимальные сценарии модернизации. Консультанты определили, что при имеющихся мощностях и оптимизации определенных операций пропускную способность терминала можно повысить на 57%.

Имитационная модель для оптимизации пропускной способности железнодорожных вокзалов

Проблема

В 2018 году Россия принимает чемпионат мира по футболу. Перед организаторами стояло много задач, одной из которых было подготовить железнодорожную транспортную инфраструктуру страны к работе в условиях увеличенной нагрузки. Для этого руководство компании РЖД решило оценить готовность к чемпионату 31 ж/д вокзала в городах-организаторах: Москве, Санкт-Петербурге, Казани, Сочи, Саранске, Самаре, Ростове-на-Дону, Волгограде, Калининграде, Нижнем Новгороде и Екатеринбурге.

Проект поручили консультантам. Перед ними стояли задачи:

  • проанализировать пропускную способность ж/д вокзалов в существующих условиях и во время проведения чемпионата;
  • определить узкие места в работе вокзалов в ситуациях повышенного пассажиропотока;
  • разработать рекомендации по оптимизации обслуживания пассажиров на вокзалах во время чемпионата;
  • оптимизировать пути эвакуации в зданиях вокзалов, чтобы избежать проблем во время нештатных ситуаций.

Решение

Для решения этих задач консультанты выбрали технологию имитационного моделирования AnyLogic. Инструмент позволил консультантам разработать собственную Библиотеку моделирования вокзалов, которая помогла сократить время создания моделей за счёт уже готовых элементов разметки пространства, типичных для вокзалов: платформ, сервисов и мест ожидания.

Консультанты ИРТС создали имитационные модели вокзалов для каждого города-организатора. На первом этапе в моделях отразили существующие процессы обслуживания пассажиров пригородных поездов и поездов дальнего следования. Чтобы максимально приблизить модель к реальности, консультанты откалибровали модель на основе текущей обстановки на вокзалах и уточнили особенности поведения пассажиров.

На следующем этапе консультанты загрузили в модель данные по ожидаемому пассажиропотоку в период проведения чемпионата, а также новое расписание прибытия и отправления поездов. После этого были выявлены узкие места в инфраструктуре вокзалов и разработаны рекомендации по оптимизации планировочных решений и повышению пропускной способности в период проведения массовых мероприятий.

Наконец, консультанты провели анализ путей эвакуации пассажиров из здания вокзала. Учитывая, что на вокзале обслуживаются клиентские группы с разными особенностями поведения (наличие багажа, время ожидания в кафе, в зале вокзала или на платформе и т.д.), был определён период с наибольшим скоплением пассажиров в здании, и на его основе запускался сценарий эвакуации. В дальнейшем сценарий использовался для анализа загруженности эвакуационных выходов и времени, за которое люди смогут покинуть здания.

Возможности AnyLogic позволяли выгружать готовые модели в виде самостоятельного приложения. Оснащённое удобным интерфейсом, оно даёт возможность заказчику работать с моделью и проводить эксперименты без привязки к AnyLogic.

Результат

В результате разработчикам модели удалось найти решения по эффективному обслуживанию пассажиров на ж/д вокзалах как в период проведения чемпионата, так и в случае чрезвычайных ситуаций. При этом интерфейс моделей позволял вносить корректировки в расписание движения поездов, изменять тип состава, количество вагонов и структуру пассажиропотока. Таким образом, заказчик получил гибкий инструмент, дающий возможность моделировать работу вокзала не только во время чемпионата, но и других мероприятий.

В будущем модели вокзалов будут доработаны в части анализа коммерческого потенциала: сотрудники компании-заказчика смогут редактировать планировочные решения вокзалов, изменять конфигурацию торговых площадей и проводить анализ по их влиянию на пропускную способность вокзала. При этом планировку зданий можно будет редактировать перед запуском модели прямо в окне Simulation, без задействования режима разработчика.

Имитационная модель для оптимизации пассажирский и автопотоков в аэропорту

«Шереметьево» — крупнейший аэропорт в России с годовым пассажиропотоком в 40 млн. человек. Инфраструктура аэропорта расширяется: в 2018 будет введён в эксплуатацию пассажирский терминал B, а 2020 и 2023 он будет интегрирован со строящимися терминалами С1 и С2. Кроме того, планируется расширить автомобильную стоянку на привокзальной площади. Ожидается, что эти изменения помогут увеличить пропускную способность аэропорта и выйти на годовой пассажиропоток в 52 млн. человек к 2024 году.

Моделирование терминалов B, С1 и С2

Проблема

Чтобы оценить эффективность нововведений и понять, справится ли проектируемый аэропорт с ожидаемой нагрузкой, руководство обратилось к консультантам для разработки имитационных моделей трёх перспективных терминалов.

Перед консультантами стояли следующие задачи:

  • проанализировать пропускную способность планировочных решений терминалов B, C1 и C2;
  • определить оптимальное количество и расположение лимитирующих элементов инфраструктуры аэровокзала: пунктов досмотра, эскалаторов, турникетов, лифтов и т.д.;
  • провести стресс-тесты и оценить устойчивость планировочных решений в случае увеличения нагрузки.

Решение

Консультанты из ИРТС разработали имитационную модель трёх взаимосвязанных терминалов, а также терминала аэроэкспресса. Пассажиры в модели передвигаются различными способами: на личном и общественном транспорте, на такси и на аэроэкспрессе. В модели учтены различные характеристики пассажиров, среди них:

Модель пункта досмотра в аэропорту

  • наличие багажа — в модели это влияло на скорость передвижения пассажиров и время обслуживания в сервисах;
  • использование ими тележек — это влияло на габариты пассажира и скорость передвижения;
  • наличие рядом с пассажирами встречающих и провожающих — это влияло на свободное пространство для движения;
  • использование пассажирами лифтов — это влияло на загрузку эскалаторов.

Также разработчиками был детально смоделирован процесс обслуживания пассажиров на пунктах досмотра.

Результат

Применение имитационного моделирования позволило:
  • изменить схему подъёма и спуска пассажиров со второго этажа в двух терминалах аэровокзала;
  • определить оптимальный вариант расположения досмотрового оборудования;
  • определить требуемую ширину пешеходных переходов между паркингами и терминалами.
  • принять решение по дополнительной закупке оборудования.

На базе данного проекта консультанты разработали собственную Библиотеку моделирования аэровокзальных комплексов, при помощи которой можно создать модель аэровокзала любой сложности за короткое время.

Моделирование привокзальной площади

Проблема

Перед вводом в эксплуатацию пассажирского терминала B руководство аэропорта хотело понять, какой вариант организации дорожного движения (ОДД) на привокзальной площади аэропорта будет наиболее эффективным, выявить «узкие» места в выбранном варианте и понять, как их оптимизировать.

Для решения этой задачи консультанты из ИРТС использовали в модели элементы Библиотеки дорожного движения AnyLogic. Она помогла детально смоделировать физическое перемещение машин, интегрировать привокзальную площадь в существующую дорожную сеть и оценить загруженность дорог вокруг терминала до начала его работы.

Решение

Консультанты разработали имитационные модели трёх вариантов ОДД, которые оценили на наличие заторов и скорость на определённых участках дорог. Также на эффективность планировочного решения в данном случае повлияли следующие параметры:

  • количество въездных и выездных КПП и время обслуживания на них;
  • угол разворота при подъезде к КПП (в одном из вариантов автомобили разворачивались на 180 градусов);
  • количество парковочных мест;
  • расположение пешеходных переходов;
  • бесплатное время ожидания в зоне посадки и высадки пассажиров.

В зависимости от текущего действия автомобиль, заезжающий на привокзальную площадь, изменял цвет.

Цветовая индикация помогла консультантам определили причины возникновения заторов на привокзальной площади. В разных случаях ими стали:

  • большое количество черных машин, которые не нашли парковочное место – на это могли повлиять большой автопоток, высокая пропускная способность въездного КПП или большое количество автотранспорта, время ожидания которого превышало 15 мин;
  • высокая интенсивность автомобилей бордового цвета, выезжающих из паркинга;
  • недостаточное количество выездных КПП;
  • наличие затора на участке после выездного КПП.

Консультанты также провели стресс-тестирование, чтобы выявить “узкие” места в модели. С помощью карты пробок, доступной в AnyLogic, они отслеживали, как меняется плотность автопотока при изменении:

  • количества автомобилей, заезжающих на привокзальную площадь;
  • количества автомобилей, ожидающих более 15 минут;
  • времени обслуживания на выездном КПП;
  • количества пассажиров в автомобилях.

Результат

В результате экспериментов с моделью была выбрана оптимальная схема ОДД на привокзальной площади. Она и будет реализована при строительстве. Ожидается, что технология имитационного моделирования будет использоваться и при планировании дорожного движения перед терминалами С1 и С2.