CC BY
116
УДК 004.021:656.025.2
Погребной Вадим Юрьевич
ФБГОУ ВПО «Национальный исследовательский Томский политехнический университет»
Россия, Томск Аспирант
E-Mail: vadimshah.1990@gmail.com
Алгоритмизация прогнозирования времени прибытия пассажирского транспорта города Томска на остановку с
использованием модели, основанной на исторических и реальных данных
Аннотация. В настоящее время все большую значимость в сфере пассажирских перевозок приобретают интеллектуальные транспортные системы. Применение глобальных навигационных спутниковых систем, одного из важнейших элементов современных интеллектуальных транспортных систем, позволяет прогнозировать различные параметры движения пассажирского транспорта и, в частности, прогнозировать время прибытия транспорта на остановку. Результаты данного прогноза важны и для пассажира, и для диспетчера, и для контролирующих органов. Особенную актуальность прогнозирование времени прибытия транспорта на остановку имеет в городах, не имеющих расписаний движения пассажирского транспорта с жесткой привязкой ко времени, к которым относится и город Томск. В данном исследовании были рассмотрены существующие модели и алгоритмы прогнозирования времени прибытия транспорта на остановку, выбрана модель, наиболее подходящая к условиям города Томска, и разработаны алгоритмы прогнозирования, основанные на исторических и реальных данных и позволяющие учитывать как статистические данные параметров движения транспорта, так и реальную дорожную ситуацию. Применение разработанных алгоритмов является базой для функционирования информационных систем, информирующих диспетчеров о текущей дорожной ситуации и пассажиров о времени прибытия транспорта на остановку, а также для автоматизации процесса формирования расписаний движения пассажирского транспорта города Томска.
Ключевые слова: Томск; пассажирские перевозки; общественный транспорт;
интеллектуальная транспортная система; информационная система; глобальная навигационная спутниковая система; навигационно-телеметрическая информация; время прибытия; модель прогнозирования; алгоритм прогнозирования.
Фадеев Александр Сергеевич
Муниципальное бюджетное учреждение Города Томска «Центр организации и контроля пассажироперевозок»
Россия, Томск Директор Кандидат технических наук E-Mail: fas@tpu.ru
Идентификационный номер статьи в журнале 100TVN613
Vadim Pogrebnoy
National Research Tomsk Polytechnic University Russian Federation, Tomsk E-Mail: vadimshah.1990@gmail.com
Alexander Fadeev
Municipal Budget Institution «Organization And Control Center Of Passenger Transportation»
Russia, Tomsk E-Mail: fas@tpu.ru
Algorithmization of Tomsk passenger transport arrival time prediction using historical and real data based model
Abstract: Nowadays intelligent transportation systems become more and more important in passenger transportation. It is allowed to predict different passenger transport traffic parameters, particularly, vehicle arrival time to a bus stop using global navigation satellite systems being one of the most important elements of modern intelligent transportation systems. The results of the prediction are important for passengers, dispatchers and control authorities. Prediction of vehicle arrival time to a bus stop is especially actual for cities, including Tomsk, where are not schedules of passenger transport with tight coupling to the time. In the study existing models and algorithms of vehicle arrival time to a bus top were examined, the best suited to the Tomsk traffic conditions model were selected and prediction algorithms based on historical and real data allowing to take into account both the statistical data of the traffic parameters and real traffic situation were developed. The developed algorithms are the basis for the information systems informing dispatchers about the current traffic situation and the passengers about vehicle arrival time to a bus stop and to automate formation of schedules of the Tomsk passenger transport.
Keywords: Tomsk; passenger transportation; public transport; Intelligent Transportation System; information system; global navigation satellite system; navigation and telemetry data; arrival time; prediction model; prediction algorithm.
Identification number of article 100TVN613
В России в сфере пассажирских перевозок получило широкое распространение использование систем автоматического определения местоположения транспортных средств, в частности, глобальных навигационных спутниковых систем (ГЛОНАСС и GPS) [1, 2]. Благодаря использованию данных систем появляется возможность отслеживать местоположение транспортных средств перевозчиков в реальном масштабе времени и прогнозировать их дальнейшее перемещение, что является базовым элементом концепции интеллектуальных транспортных систем (ИТС) [3, 4]. Применение навигационнотелеметрической информации, информации о маршруте и прочих условиях движения в сочетании с интеллектуальными алгоритмами, обрабатывающими эти данные, позволяет наиболее точно предсказать время прибытия пассажирского транспорта в нужную точку [3, 5].
Большинство существующих моделей прогнозирования времени прибытия транспорта на остановку в качестве исходных данных используют GPS-статистику, отражающую историю параметров движения транспортных средств (ТС), полученную методом периодического опроса ТС. Эти данные затем в каждой модели интерпретируются по-разному и преобразовываются во входные параметры данной модели. Дихуа Сан (Dihua Sun) [6] в качестве входных данных использует сумму времен задержек в последующих контрольных точках относительно текущего местоположения, средние интервалы движения между контрольными точками, текущую скорость движения ТС, среднюю скорость движения на каждом сегменте между контрольными точками. Сима С.Р. (Seema S.R.) [7] использует в качестве входных параметров нейронной сети интервалы движения между предыдущими контрольными точками маршрута относительно текущего местоположения. Ран Хи Чжон (Ran Hee Jeong) [5], исследуя три вида моделей, в качестве входных параметров использует времена прибытия ТС, времена задержек и соблюдение графика на предыдущих контрольных точках. Выходными параметрами моделей являются предсказанные времена прибытия ТС на последующих остановках маршрута.
Существующие в настоящее время модели и алгоритмы предсказания можно разделить на шесть классов [5, 8]:
• модели и алгоритмы, основанные на исторических данных;
• регрессионные модели;
• модели временных рядов;
• модели фильтра Калмана;
• модели, использующие искусственные нейронные сети;
• модели на основе метода опорных векторов.
Проектирование системы прогнозирования
Разработка интеллектуальной информационной системы прогнозирования движения пассажирского транспорта ведется в рамках разработки комплексной ИТС Города Томска. Задачей системы является прогнозирование времени прибытия ТС к остановке с использованием интеллектуальных моделей и алгоритмов предсказания.
Объектами контроля системы предсказания являются пассажирские транспортные средства Города Томска: троллейбусы, трамваи и автобусы, обслуживаемые Томским городским унитарным муниципальным предприятием «Трамвайно-троллейбусное управление», а также автобусы частных организаций-перевозчиков. Большинство единиц подвижного состава пассажирского транспорта оснащено навигационно-связным
оборудованием ГЛОНАСС или ГЛОНАСС/GPS, обеспечивающим определение текущего местоположения и параметров движения ТС. В единую систему также интегрированы координаты остановок, занимаемый ими радиус или полигон, что позволяет определять момент прибытия ТС к остановке и момент отправления от нее. Сформированные структуры маршрута в виде последовательности его остановок обеспечивают отслеживание передвижения ТС по схеме конкретного маршрута.
Во время проектирования системы прогнозирования в нее были заложены следующие методы обработки данных:
а) Линеаризация маршрута
Так как расстояние между контрольными точками маршрута часто невозможно определить как длину прямой линии между этими точками, необходимо маршрут разбить на более мелкие сегменты, длины которых можно складывать, получая расстояния между контрольными точками. Длина сегмента, представляющего прямую линию, при этом определяется по следующей формуле:
где L - длина сегмента;
(х1, у1) - координаты предыдущей точки сегмента;
(х2, у2) - координаты последующей точки сегмента.
Разбив маршрут движения на отдельные сегменты в виде прямых линий, помимо вычисления длин данных сегментов также появляется возможность вычисления угла векторов, соединяющих начальную и конечную точки сегментов, относительно северного направления меридиана (т.е. путевого угла). С помощью путевого угла можно определять направление маршрута движения ТС путем сравнения направления движения ТС, полученного с использованием навигационной спутниковой системы, и направления вектора текущего сегмента. Для вычисления путевого угла используется следующая формула:
где а - путевой угол контрольной точки;
L - длина сегмента;
(х1, у1) - координаты предыдущей точки сегмента;
(х2, у2) - координаты последующей точки сегмента.
Так как модель прогнозирования, основанная на исторических данных, подразумевает использование информации о средних интервалах движения ТС в каждом сегменте маршрута, колебания скорости движения ТС относительно средней скорости движения в пределах сегмента должны быть минимальны. Для этого необходимо выбирать точки, ограничивающие сегменты, исходя из их влияния на скорость движения транспортного потока (например, перекрестки, кольца, остановки, места частого скопления транспорта) (рисунок 1).
L = 7(У2 -Уь>2 + (Х2 -Х1)2,
Рис. 1. Линеаризация маршрута
Метод линеаризации заключается в том, чтобы траекторию движения ТС по маршруту привести к последовательности упорядоченных узлов, соединяющих короткие сегменты в виде прямых линий [5, 6, 9, 10]. Маршрут может проходить по одному и тому же сегменту несколько раз, поэтому каждый узел в маршруте должен иметь свой порядковый номер, позволяющий понять, на каком этапе движения в маршруте находится ТС. Пример такой ситуации представлен на рисунке 2, а линеаризованный маршрут - на рисунке 3, где А-Е -контрольные точки маршрута, 1-8 - упорядоченные номера точек.
Рис. 2. Пример маршрута с повторяющимся прохождением сегментов
А Б ВГДБ в Е
ггтп глш птп
_ф_ _ф_ _ф_
1 т 3 4 5 6 7 8
Рис. 3. Пример линеаризованного маршрута
б) Конечный автомат определения направления в маршруте
Для того чтобы предсказать параметры движения ТС, необходимо знать маршрут и направление в маршруте, по которому движется данное ТС. Для решения данной задачи используется метод, основанный на конечном автомате [6]. Конечный автомат М определяется следующим образом:
м = (0,£Мо^), где Q - конечное множество состояний, Vq £ Q;
£ - входные данные;
5 - функция перехода, 5 : Q X £ ^ Q; q0 - начальное состояние, q0 £ Q;
F - конечный набор состояний, F £ Q.
В любой момент времени ТС может находиться в одном из четырех состояний из набора Q: начальное состояние ^0), состояние прогноза (Р), неизвестное состояние, конечное состояние. Отношения между состояниями представлено на рисунке 4.
Рис. 4. Схема конечного автомата системы предсказания
В начальном состоянии происходит определение текущего маршрута и направления в маршруте. Если данные получены (начальное состояние нормальное), 5 равна состоянию прогноза, иначе (произошло неожиданное событие) 5 равна неизвестному состоянию. Система находится в состоянии прогноза, пока не произойдет неожиданное событие, или автобус не достигнет конца маршрута. Конечное состояние возникает, когда автобус достигает конца маршрута, а неизвестное состояние - когда происходит неожиданное событие: отсутствие навигационных данных в течение определенного периода времени, поломка ТС, нарушено направление движения ТС и т.д. При достижении неизвестного состояния система переходит в начальное состояние для инициализации данных.
в) Определение положения в маршруте
Проверка текущего направления в маршруте по навигационным данным основана на сопоставлении текущего положения ТС с одной из контрольных точек направления или на поиске текущего положения ТС в определенном сегменте и сопоставлении направления движения ТС с направлением вектора данного сегмента.
Для сопоставления текущего положения ТС с контрольной точкой необходимо определить, принадлежит ли точка, соответствующая положению ТС, фигуре, ограничивающей контрольную точку. Контрольная точка может быть ограничена либо окружностью, либо полигоном. Для определения принадлежности точки кругу необходимо проверить следующее неравенство:
(хтс хкт) + (утс укт) — К ,
где (хтс, утс) - текущие координаты ТС;
(хкт, Укт) - координаты контрольной точки;
R - радиус контрольной точки.
Если неравенство выполняется, то ТС находится в пределах контрольной точки.
Если контрольная точка ограничена полигоном, то для проверки принадлежности точки полигону используется метод трассировки луча.
Текущий сегмент направления в маршруте определяется при помощи следующей формулы:
где Ьш - расстояние между начальной точкой 1-го сегмента и текущим положением
Ькі - расстояние между текущим положением ТС и конечной точкой сегмента, м;
Ьнкі - длина сегмента, м.
Когда значение Di равно нулю, ТС находится в пределах сегмента і, таким образом, текущий сегмент соответствует минимальному Di. При этом если для найденного сегмента значение Di больше некоторого порога, то текущий сегмент считается неопределенным.
Для того чтобы определить положение ТС в сегменте, не находящемся в пределах контрольной точки, необходимо опустить проекцию точки, соответствующей координатам местоположения ТС, на текущий сегмент маршрута. Если координаты проекции не принадлежат сегменту, то положение ТС в сегменте считается неопределенным.
Для того чтобы сопоставить направление движения ТС и направление вектора сегмента, необходимо сравнить соответствующие путевые углы. Если разность между путевыми углами больше некоторого порога, то считается, что направления не сопоставлены.
г) Периоды движения транспорта
Для отражения условий, влияющих на движение транспорта, актуально выделить следующие периоды движения маршрутного наземного пассажирского транспорта:
- По сезонам: летний, зимний и демисезонный интервалы;
- По типам дней: будни и выходные дни;
- По интервалам дня: до утреннего часа пик, утренний час пик, день, вечерний час пик, после вечернего часа пик.
Таким образом, формируется 30 периодов, относительно которых хранится статистика движения транспорта.
д) Оценка точности прогноза
Оценка точности прогноза производится с помощью показателя МАРЕ [5], который вычисляется по следующей формуле:
ТС, м;
і 0
где уі - прогнозируемое время прибытия ТС к остановке;
уо - наблюдаемое время прибытия ТС к остановке;
п - количество наблюдений.
Меньшее значение МАРЕ соответствует большей точности предсказания.
Структура системы прогнозирования
Информационная система прогнозирования движения пассажирского транспорта состоит из базы данных и трех основных модулей: модуля фиксирования статистики движения транспорта, модуля интеллектуального прогнозирования и модуля взаимодействия с клиентами.
База данных информационной системы хранит историю передвижения ТС, статистику проезда транспортом контрольных точек, оперативные и исторические данные об интервалах движения между контрольными точками и о временных задержках на контрольных точках. Хранение оперативных данных позволяет отразить текущую ситуацию на дорогах, а хранение исторических данных - среднестатистическую информацию о движении на разных сегментах в разные периоды времени.
Структура информационной системы представлена на рисунке 5.
Рис. 5. Структура системы прогнозирования
Модуль фиксирования статистики движения транспорта выполняет функцию заполнения базы данных оперативными и историческими данными. После получения идентификатора сессии от сервера модуль через определенные промежутки времени запрашивает последние навигационные данные ТС и циклически выполняет алгоритм, представленный на рисунке 6. Алгоритмы поиска направления в маршруте и проверки текущего направления в маршруте для абонента представлены на рисунке 7 и 8
соответственно. Алгоритм работы данного модуля управляет конечным автоматом определения направления в маршруте, постоянно изменяя состояния ТС в системе. После получения текущих координат транспорта данный модуль фиксирует моменты проезда транспортом контрольных точек, производит расчет оперативных и средних интервалов движения, а также оперативных и средних времен задержек на контрольных точках.
Рис. 6. Алгоритм работы модуля фиксирования статистики движения
Модуль взаимодействия с клиентами предназначен для ожидания запросов от информаторов и других систем, получения по запросу клиентов необходимых данных от модуля интеллектуального прогнозирования и предоставления полученных данных в нужном формате запрашивающему объекту.
Модуль интеллектуального прогнозирования анализирует информацию, хранящуюся в базе данных, с целью предсказания параметров движения с точки зрения различных клиентов информационной системы. В системе применяется алгоритм прогнозирования времени прибытия транспорта к объекту контроля по разным маршрутам.
Модель и алгоритм прогнозирования
Для прогнозирования времени прибытия транспорта к остановкам разработана модель, основанная на исторических данных. Модель учитывает как средние значения параметров движения транспорта на отдельных сегментах маршрута, так и самые последние параметры движения, наблюдаемые в режиме реального времени на тех же сегментах. При этом влияние средних значений параметров имеет прямую зависимость от удаленности ТС от той остановки, для которой необходимо предсказать время прибытия, а влияние последних значений имеет обратную зависимость. Другими словами, чем дальше ТС от остановки, тем больше вклад средних значений параметров и тем меньше вклад оперативных значений параметров, и наоборот. Дополнительное хранение оперативных значений параметров движения позволяет учитывать реальную дорожную ситуацию. Алгоритм данной модели выполняется в рамках модуля интеллектуального прогнозирования в режиме реального времени, используя статистику, которая накапливается модулем фиксирования статистики движения, и запускается после запроса какого-либо клиента информационной системы предсказания. Алгоритм прогнозирования времени прибытия ТС, движущихся по разным маршрутам, на остановку представлен на рисунке 9.
Рис. 9. Алгоритм прогнозирования времени прибытия к остановке
Заключение
В результате проведенных исследований было определено, что особую роль в современных ИТС имеет функция предоставления своевременной и точной информации о времени прибытия транспорта в определенную контрольную точку. В связи с тем, что в Томске концепция ИТС только развивается, среди существующих шести моделей прогнозирования была выбрана модель, основанная на исторических и реальных данных. Статистическая информация об интервалах движения и задержках в контрольных точках пассажирского транспорта города Томска накоплена в объемах, не достаточных для осуществления точного прогноза, поэтому в первую очередь работа алгоритмов основывается на реальной обстановке в городе. Результаты работы созданной на основе выбранной модели информационной системы планируются к использованию для информирования диспетчеров о текущей дорожной ситуации, информирования пассажиров о времени прибытия транспорта на остановку с использованием электронных табло, мобильных приложений и веб-сайтов, а также для автоматизации процесса формирования расписаний движения пассажирского транспорта. С введением данной системы в эксплуатацию появится возможность для оценки точности выполняемого прогноза, корректировки разработанных алгоритмов и создания новых алгоритмов, основанных на более точных моделях прогнозирования.
ЛИТЕРАТУРА
1. Johnson C.M. Automatic Vehicle Location Successful Transit Applications: A CrossCutting Study / E.L. Thomas. — Federal Transit Administration, U.S. Department of Transportation, 2000. — 20 p.
2. Глобальная навигационная спутниковая система ГЛОНАСС. Интерфейсный контрольный документ: навигационный радиосигнал в диапазонах L1, L2 (редакция 5.1) [Электронный ресурс]. — Москва, 2008. — Режим доступа: http://www.aggf.ru/gnss/glon/ikd51ru.pdf, свободный. (Дата обращения:
15.03.2013).
3. Advanced Public Transportation Systems: The State of the Art Update 2000. Publication FTA-MA-26-7007-00-1 / R.F. Casey, L.N. Labell, L. Moniz, J.W. Royal, M. Sheehan, et al. — Federal Transit Administration, U.S. Department of Transportation, 2000. — 218 p.
4. Панамарева О.Н. Интеллектуальные транспортные системы — инструмент
повышения эффективности экономики России в целом [Электронный ресурс]. — 2013. — Режим доступа: http://dom-hors.ru/issue/pep/2012-
2/panamareva.pdf, свободный. (Дата обращения: 03.03.2013).
5. Ran Hee Jeong. The prediction of bus arrival time using automatic vehicle location systems data: Submitted to the Office of Graduate Studies of Texas A&M University in partial fulfillment of the requirements for the degree of doctor of philosophy: Civil Engineering / Ran Hee Jeong. — Beon 1-Dong, Kangbuk-Gu, Seoul, Korea, 2004. — 303 p.
6. Dihua Sun. Predicting Bus Arrival Time on the Basis of Global Positioning System
Data / Dihua Sun // Transportation Research Record: Journal of the Transportation
Research Board, No. 2034, Transportation Research Board of the National Academies. — Washington, D.C., 2007. — P. 62-72.
7. Seema S.R. Dynamic Bus Arrival Time Prediction Using GPS
Data / S.R. Seema // 10th National Conference on Technological Trends (NCTT09). — 2009. — P. 193-197.
8. Seyed Mojtaba Tafaghod Sadat Zadeh. А survey on application of artificial
intelligence for bus arrival time prediction / Seyed Mojtaba Tafaghod Sadat Zadeh, Toni Anwar, Mina Basirat // Journal of Theoretical and Applied Information Technology. — 2012. — P. 516-525.
9. Wei-Hua Lin. Modeling Schedule Recovery Processes in Transit Operations for Bus Arrival Time Prediction / Wei-Hua Lin // Department of Systems and Industrial Engineering The University of Arizona. — 2004. — 23 p.
10. Wei-Hua Lin. An experimental study on real time bus arrival time prediction with gps data / Wei-Hua Lin. — Center for Transportation Research And Department of Civil and Environmental Engineering 200 Patton Hall Virginia Polytechnic Institute & State University Blacksburg. — 15 p.
Рецензент: Ямпольский Владимир Захарович, профессор, доктор технических наук, Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Национальный исследовательский Томский политехнический университет», Российская Федерация, город Томск.
REFERENCES
1. Johnson C.M. Automatic Vehicle Location Successful Transit Applications: A CrossCutting Study / E.L. Thomas. — Federal Transit Administration, U.S. Department of Transportation, 2000. — 20 p.
2. Global'naja navigacionnaja sputnikovaja sistema GLONASS. Interfejsnyj kontrol'nyj
dokument: navigacionnyj radiosignal v diapazonah L1, L2 (redakcija 5.1) [Jelektronnyj resurs]. — Moskva, 2008. — Rezhim dostupa:
http://www.aggf.ru/gnss/glon/ikd51ru.pdf, svobodnyj. (Data obrashhenija:
15.03.2013).Advanced Public Transportation Systems: The State of the Art Update 2000. Publication FTA-MA-26-7007-00-1 / R.F. Casey, L.N. Labell, L. Moniz, J.W. Royal, M. Sheehan, et al. — Federal Transit Administration, U.S. Department of Transportation, 2000. — 218 p.
3. Panamareva O.N. Intellektual'nye transportnye sistemy — instrument povyshenija
jeffektivnosti jekonomiki Rossii v celom [Jelektronnyj resurs]. — 2013. — Rezhim dostupa: http://dom-hors.ru/issue/pep/2012-2/panamareva.pdf, svobodnyj. (Data
obrashhenija: 03.03.2013).Ran Hee Jeong. The prediction of bus arrival time using automatic vehicle location systems data: Submitted to the Office of Graduate Studies of Texas A&M University in partial fulfillment of the requirements for the degree of doctor of philosophy: Civil Engineering / Ran Hee Jeong. — Beon 1-Dong, Kangbuk-Gu, Seoul, Korea, 2004. — 303 p.
4. Dihua Sun. Predicting Bus Arrival Time on the Basis of Global Positioning System
Data / Dihua Sun // Transportation Research Record: Journal of the Transportation
Research Board, No. 2034, Transportation Research Board of the National Academies. — Washington, D.C., 2007. — P. 62-72.
5. Seema S.R. Dynamic Bus Arrival Time Prediction Using GPS
Data / S.R. Seema // 10th National Conference on Technological Trends (NCTT09). — 2009. — P. 193-197.
6. Seyed Mojtaba Tafaghod Sadat Zadeh. A survey on application of artificial
intelligence for bus arrival time prediction / Seyed Mojtaba Tafaghod Sadat Zadeh, Toni Anwar, Mina Basirat // Journal of Theoretical and Applied Information Technology. — 2012. — P. 516-525.
7. Wei-Hua Lin. Modeling Schedule Recovery Processes in Transit Operations for Bus Arrival Time Prediction / Wei-Hua Lin // Department of Systems and Industrial Engineering The University of Arizona. — 2004. — 23 p.
8. Wei-Hua Lin. An experimental study on real time bus arrival time prediction with gps data / Wei-Hua Lin. — Center for Transportation Research And Department of Civil and Environmental Engineering 200 Patton Hall Virginia Polytechnic Institute & State University Blacksburg. — 15 p.
