Search academic texts

Information × Registration Number 2122U007037, Article popup.category Опубліковано, Стаття Title VISUAL SIMULATION TECHNOLOGY FOR PASSENGER FLOWS IN THE PUBLIC TRANSPORT FIELD AT SMART СITY popup.author Литвин В. В.Бублик М. І.Висоцька В. А.Мацелюх Ю. Р.Lytvyn V.Bublyk M.Vysotska V.Matseliukh Y. popup.publication 11-01-2022 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/251012 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. На сьогоднішній день проблема візуальної симуляції пасажиропотоків у сфері громадського транспорту є важливою при створенні інформаційних систем для розвитку сучасних Smart City. В умовах Industry 4.0 важливим є створення технологій, засобів та інструментів для впровадження єдиної саморегульованої інтелектуальної системи обміну даними при наданні відповідних послуг перевезення пасажирів у сфері громадського транспорту. Наприклад, наочно відображати проблемні ділянки на маршрутах в Smart City, формувати множити та індентифікувати основні зупинки в часових зрізах з найбільшим пасажирообміном, формувати пропозиції щодо потреби модернізації маршрутів з врахуваням збільшенням завантаженності громадського транспорту на певних ділянках Smart City та отримувати результати прогнозування пасажиропотоків при внесенні відповідних змін на основі методів машиннного навчання. Метою дослідження є розроблення технології візуальної симуляції пасажиропотоків у сфері громадського транспорту для підвищення якості надання послуг пасажирських перевезень в Smart City. Метод. Удосконалено імітаційну модель для обчислення пасажиропотоку при зміні кількості рухомого складу на маршруті, де на відміну від відомих, додано прогнозування на основі розробленої нейронної мережі. Удосконалено механізм візуальної симуляції пасажиропотоків з використанням карт GoogleMaps та динамічне переміщення по них з контролем швидкості відображення симуляції. Запропоновано нейронну мережу з повнозв’язними шарами з використанням оптимізаційного алгоритму з адаптивним рівнем навчання Adam для прогнозування пасажиропотоку між зупинками за визначений період доби. Визначені критерії деталізації даних про пасажиропотоки на міських маршрутах, включаючи загальні показники відношення пасажирообміну на певній зупинці до поточного періоду доби. При проектуванні інтелектуальної системи зазнав подальшого розвитку підхід зміни місткості рухомого складу громадського транспорту у Smart City, де на відміну від відомих, зміна місткості обмежена наявними транспортними засобами. Зазнав подальшого розвитку метод розрахунку комплексу показників пасажиропотоків на зупинках та перегонах з врахованням додаткових локальних графіків та специфіки роботи транспорту на окремих індивідуальних маршрутах. Результати. Розроблено інтелектуальну систему візуального моделювання пасажирських перевезень на основі нейронної мережі та машинного навчання, яка дозволяє оптимізувати роботу пасажирських перевезень громадським транспортом в Smart City. Це подання даних надає можливість оцінити рентабельність додавання нового транспортного засобу на маршрут чи необхідно скоригувати розклад інших транспортних засобів для кращого покриття завантажених ділянок у час пік. Для роботи програмного засобу використовується загальновідомий стандарт подання даних про громадський транспорт – GTFS. Це дозволяє адаптувати розроблений програмний продукт універсальним, а не специфічним для конкретного міста чи країни. Проведено порівняння отриманих результатів на множині даних тролейбусних маршрутів (біля 2000 записів, з зібраних на основі експериметнальних маркетингових досліджень) в місті Львів (Україна) для формування прогнозу зміни пасажиропотоків на певних ділянках в різні проміжки часу. Висновки. Виявлено, що спрогнозовані нейронною мережею пасажиропотоки у порівнянні з фактичними, призводять до їх зростання у середньому на 28% на критичних перегонах в годину пік. Ці отриманні результати дозволяють обґрунтувати доцільність додавання розкладу нового транспортного засобу для кращого покриття завантажених ділянок у час пік. Порівняння зміни пасажиропотоків, розподілених за перегонами у часі доби з 19:00 до 20:00, за фактичними даними та після роботи нейронної мережі вказує на їх збільшення у середньому в 70% перегонів, які були спрогнозовані, що дасть змогу прийняти обґрунтоване рішення про запуск додаткового транспорту на відповідні маршрути. popup.nrat_date 2026-02-09 Close