CC BY
35
-□ □-
Для визначення моментiв прибуття ван-тажних погздгв на техтчт станци розро-блено модуль прибуття, як один iз скла-дових прогнозног моделi погзног роботи напрямку. Модуль побудований на базi ней-ронног мережi, яка на основi статистичног тформацп за попередт перюди та даних про погзд, отриманих в режимi реального часу, визначае момент прибуття погзда на станцю
Ключовi слова: оперативне плануван-ня, прогноз, нейронна мережа, персептрон,
тривал^ть руху погзда
□-□
Для определения моментов прибытия грузовых поездов на технические станции разработан модуль прибытия, как один из составляющих прогнозной модели поездной работы направления. Модуль построен на базе нейронной сети, которая на основе статистической информации за предыдущие периоды и данных о поезде, полученных в режиме реального времени, определяет момент прибытия поезда на станцию
Ключевые слова: оперативное планирование, прогноз, нейронная сеть, персептрон,
продолжительность движения поезда -□ □-
1. Вступ
Сучасш умови ведення бiзнесу мають швидкоплин-ний характер, що потребуе ввд тдприемщв постшного контролю за станом виробництва, напрямками збуту продукцп та своечасшстю отримання сировини. Тому ритмiчнiсть, злагоджетсть, а також прогнозовашсть i шформатившсть функщонування шнуючих лопс-тичних ланцюпв постачання е наразi вкрай важливим для стабiльного розвитку бiзнесу. Для залiзниць, що е одним з лiдерiв на ринку транспортних послуг Украь ни, забезпечення яюсно1 та вчасно! доставки вантажiв е запорукою конкурентоспроможностi та залучення нових клiентiв. Разом з тим, ефектившсть функщо-нування залiзниць безпосередньо залежить вщ якостi планування и роботи. В першу чергу, це стосуеться оперативного планування по1зно1 роботи на залiзнич-них напрямках, яке мае базуватись на достовiрному прогнозi руху поiздiв.
Отримання достовiрних прогнозiв та розробка на iх основi ефективних оперативних планiв роботи, контроль за виконанням цих плашв як на рiвнi лiнiйних тдприемств, так i на рiвнi залiзничних напрямкiв ви-магае застосування потужного математичного апарату та сучасних програмних засобiв.
2. Аналiз лiтературних даних та постановка задачi
Одним з напрямюв пiдвищення ефективностi екс-плуатацшно! роботи на залiзничних напрямках е удо-
С Р. В. Вернигора, Л. О. Сльнв
УДК 656.212
|DOI: 10.15587/1729-4061.2015.42402|
ДОСЛ1ДЖЕННЯ ЕФЕКТИВНОСТ1 ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ ПРИ ПРОГНОЗУВАНН1 ПРИБУТТЯ ПОТЗД1В НА ТЕХН1ЧН1 СТАНЦ1Т
Р. В. Вернигора
Кандидат техычних наук, доцент* E-mail: [email protected] Л. О. £л ь н i к о в а
Астрант* E-mail: [email protected] *Кафедра «Станци та вузли» Днiпропетровський нaцiонaльний унiверситет зaлiзничного транспорту iM. ак. В. Лазаряна вул. В. Лазаряна, 2, м. Днтропетровськ, Украша, 49010
сконалення системи оперативного керування тяговим рухомим складом. З щею метою пропонуеться ство-рення автоматизованоi адаптивноi системи оперативного керування роботою локомотивiв та локомотивних бригад [1]. Вказана модель включае прогнозну модель залiзничного напрямку, яка призначена для визначення моменпв готовносп вантажних поiздiв рiзних категорiй до вiдправлення та моменпв готовностi ло-комотивiв та бригад до ввдправлення з поiздами на техшчних станцiях, а також розрахунковий модуль, що призначений для розробки найбшьш ращональ-ного оперативного плану закршлення локомотивiв та бригад до готових до вщправлення поiздiв
Одшею з складових прогнозноi моделi напрямку е модуль прибуття поiздiв, призначений для визначення моменпв прибуття поiздiв рiзних категорiй на технiчнi станци залiзничного напрямку на основi шформацп про поiзди (час та дата вщправлення з сусiдньоi тех-нiчноi станцii, маса поiзда та тип локомотива тощо). Як зазначалось в [2], використання апарату штучних нейронних мереж е досить новим та перспективним напрямком у сферi оперативного планування роботи залiзничного транспорту, в тому чж^ i при прогнозу-ваннi руху поiздiв мiж технiчними станцiями.
Апарат штучних нейронних мереж, як один iз ефективних сучасних математичних методiв аналiзу, прогнозування та моделювання складних процеав, використовуеться в найрiзноманiтнiших сферах ви-робництва та послуг [3, 4]. Нейромережi знайшли свое застосування як при прогнозуванш показникiв роботи транспорту, наприклад, обсяпв перевезень вантажiв
[5, 6], так i при моделювант роботи залiзничного транспорту. Так, автори наукових праць [7, 8] використову-ють нейроннi мережi при прогнозi мiсцезнаходження рухомих одиниць, автор роботи [9] застосовуе нейроме-режу для визначення ращональшл колii приймання або пропуску поiздiв в парках техшчних станцiй.
Нараз1 кнуе широкий виб1р титв архь тектури, правил навчання нейромереж для вирiшення рiзних задач [10, 11]. В якоси модуля прибуття поiздiв необхiдно побу-дувати таку нейронну мережу, яка б могла на основi iнформацii за попередт перiоди (вибiрка для навчання нейромереж^ та вь домостей про поiзд, отриманих в режимi реального часу, визначити найб^ьш ймовiрний момент прибуття поiзда на технiчну станщю.
3. Мета та задачi дослщження
Метою даноi роботи е побудова нейронноi мережi для розрахунку прогнозноi тривалостi руху вантаж-них поiздiв мiж технiчними станцiями залiзничного напрямку.
Для цього необхвдно вирiшити наступнi задача
- визначити параметри, якi будуть використовува-тись у якостi вхщного вектора нейромережi та правила формалiзацii фактичних даних про поiзд до вигляду, прийнятного для функщонування мережг,
- визначити архiтектуру нейронноi мережi ввдпо-вiдно до задачi, яка покладаеться на нейромережу;
- перевiрити адекватнiсть функцiонування модуля прогнозу прибуття поiздiв на технiчнi станцii.
4. Вибiр типу нейронно! мережi для прогнозування часу прибуття по¡здiв на техшчш станцп
Одним з основних елеменпв будь-якоi нейронноi мережi е вхщний вектор, тож першою задачею е фор-малiзацiя фактичноi шформацп про поiзд, момент прибуття якого на техшчну станцiю необхiдно спро-гнозувати. Як показали дослiдження, окрiм постiйних факторiв (графiк руху поiздiв, план та профiль колiй тощо), на тривалiсть знаходження вантажного поiз-да у дорозi мiж техшчними станцiями впливае i ряд змшних параметрiв. До таких параметрiв, вплив яких е найбшьш суттевим, можна ввднести час та дату (день тижня, мкяць) вiдправлення поiзда з сусiдньоi тех-нiчноi станцii, а також масу поiзда та тип локомотива [12]. Осюльки вказанi параметри мають рiзнi одиницi вимiру та значне розходження мiж мiнiмальним та максимальним значенням одного й того ж параметра (наприклад, маса поiзда), було прийнято ршення про кодування фактичноi шформацп про поiзд у бшарно-му виглядь
При побудовi вхiдного вектору значення кожного фактору були згруповаш по штервалам певноi величи-ни. Так, для кодування часу ввдправлення поiзда доба була подiлена на 8 перiодiв тривалiстю по 3 години кожний (Мв;дпр=3 год), тобто при ввдправлеш поiзда о 6 год 25 хв, що вщповщае 3-му перiоду доби, ввдпо-вщний елемент вхiдного вектора мае значення «1», а решта - «0» (рис. 1). Аналопчно виконувалось коду-
вання маси поiзда: значення маси поiзда було подiлено на штервали з кроком Дq=500 т. Дню тижня та мшяцю вiдправлення, а також типу локомотива поставлен у вщповщшсть номери, якi вiдповiдали номерам елемен-тiв вхiдного вектора (рис. 1).
Рис. 1. Приклад кодування вхщного вектора фактичних даних про
поТзд
Таким чином, для кодування часу ввдправлення поiзда використовуеться 8 елеменпв вектора, дня тижня - 7, мшяця року - 12, маси поiзда - 12, типу локомотива - 4, тобто розмiрнiсть вхщного вектора нейронноi мережi становить 43 елементи.
Наступним кроком е вибiр типу нейромереж^ най-бiльш прийнятноi для виршення поставленоi задачi прогнозування моментiв прибуття поiздiв. Пiд час виконання дослщження були виконаш експеримен-ти з щлим рядом нейромереж рiзних титв [13-16]. При цьому у якосп навчальноi вибiрки використо-вувався масив даних з АСК ВП УЗ-6 про тривалкть руху вантажних поiздiв на залiзничному напрямку Синельникове-1 - Нижньодншровськ-Вузол - П'яти-хатки за 15 дiб сiчня, квiтня, червня та вересня 2014 року. Аналiз результаив виконаних експериментiв показав, що мережi прямого поширення, в тому числi каскадна нейромережа, мережа Елмана (частково-ре-курентна мережа), таю мережi зi зворотними зв'язками як мережа з нелшшною авторегреаею та внутрiшнiм входом, а також мережа з рекурентним шаром дають дуже значну диспераю отриманого прогнозу вiдносно фактичних даних. При цьому, рiзниця мiж розрахова-ною та фактичною тривалiстю руху на дшьнищ сягае 1,5 год при середнш тривалостi руху вантажних поiздiв 3,5 год, тобто похибка становить бшьше 40 %, що шяк не може вважатись як задов^ьний результат. Тому було зроблено висновок про неввдповщшсть вказаних титв нейромереж для виршення поставленоi задачь
Разом з тим, у результат експериментiв з рiзни-ми нейромережами було встановлено, що найменшу похибку отриманих результапв прогнозу забезпечуе персептрон - нейромережа, структура якоi наведена на рис. 2 [17].
Х1
Х2
Хк
N
Рис. 2. Структура персептрона
Тут хь х2, ..., хк - вхiднi сигнали мережу кожний з яких характеризуеться своею вагою Wl, W2, ..., wk, де к - це розмiрнiсть вхiдного вектора (в даному випадку
к=43). Юльюсть нейронiв N у шарi вiдповiдаe юлько-стi поiздiв у навчальнш вибiрцi. Суматор Е виконуе обробку вхiдних сигналiв за формулою [18]:
5. Дослщження впливу величини змши iнтервалiв при кодуваннi маси по¡здiв та часу вiдправлення на точшсть прогнозу
и = ^ wixi =1
(1)
В якостi функцп активацii персептрону використо-вуеться порогова функщя, аргументом якоi е змшна и [19]. Активацiйна функцiя мае наступний вигляд:
У =
[1, при и < 0, 0, при и > 0.
(2)
Принцип роботи нейромережi базуеться на пошуку схожих параметрiв вiдправлення поiздiв у навчальнiй вибiрцi (базi статистичних даних прогнозноi моделi) та формуванш вiдповiдного значення тривалостi руху поiзда при пред'явленнi вхiдного вектору параметрiв з фактичними даними про ввдправлення поiзда.
На рис. 3 наведено алгоритм роботи персептрона для визначення прогнозного часу прибуття вантажно-го поiзда на техшчну станцiю.
1НФОРМАЦ1Я ПРО ПО1ЗД: час вiдправлення -
20 год 28 хв; день тижня-середа; мюяць - сiчень; маса по!зда - 3443 т; локомотив - ВЛ11М.
. *
Вхiдний вектор даних про по!зд I
|0|1|0|0|0|0|0|1|0|0|0|1|0|0|0| 1
НЕЙРОННА МЕРЕЖА
1
Вихiдний вектор г
0 0 0 0 0 0 010 0 0 0 0 0 0
1
Тривалють руху по!зда: розрахункова - 2 год 56 хв
(фактична - 3 год 01 хв)
I
Шсля вибору типу нейронноi мережi для виршен-ня поставленоi задачi та отримання точного прогнозу необхщно встановити найбiльш прийнятну величину iнтервалiв при кодуваннi маси поiздiв та часу ввд-правлення. Очевидно, що менша величина iнтервалу, з одного боку, деталiзуе вхiдну шформащю, що дозволяе отримувати бiльш точний прогноз, однак, з шшого боку, зменшення величини iнтервалу призводить до суттевого зростання розмiрностi вхiдного вектора, векторiв навчальноi вибiрки i, вщповщно, до збшьшен-ня обсягiв розрахунюв та зменшення максимального розмiру навчальноi вибiрки (числа нейронiв). Тому була поставлена задача: перше - з'ясувати, чи мае мшце вплив величини штервалу при кодуванш маси поiзда та часу вiдправлення поiзда на яюсть прогнозу, друге - встановити найбшьш рацiональнi значення величини вказаних iнтервалiв при забезпеченш достат-нього рiвня точностi прогнозу та прийнятного обсягу розрахунюв.
Шд час попереднiх дослiджень кодування маси поiзда при формуваннi вхiдного вектора викону-валось з iнтервалом Дq=500 т, часу вiдправлення -з штервалом Дtвiдпp=3 год. Для встановлення ращо-нальних значень вказаних iнтервалiв були проведенi експерименти при рiзних значеннях Дq (500 т, 250 т, 100 т, 50 т) та Д^;дпр (3 год, 2 год, 1 год, 0,5 год). Результата, отримаш в ходi проведення експерименив, наведенi в табл. 1, в якш вказанi: величина змши iнтервалiв маси поiзда та часу вщправлення з сусщ-ньоi технiчноi станцii, розмiрнiсть вхiдного вектора, максимальне число нейрошв мережi при вщповщно-му розмiрi вхiдного вектора, середне вщхилення та частка вщхилень розрахункових значень тривалостi ходу вантажних поiздiв в порiвняннi з фактичними даними з АСК ВП УЗ-6.
Таблиця 1
Дослщження впливу величини змши параметрiв вщправлення по'|здв на точшсть прогнозу
Прогнозний час прибуття по!зда на технiчну станщю - 23 год 24 хв
Рис. 3. Алгоритм роботи персептрона
Як видно, шформащя про поiзд кодуеться та пода-еться на вхщ нейронноi мережi у бiнарному виглядг, результатом роботи нейромережi також е бшарний вихiдний вектор, значення якого штерпретуеться у тривалiсть руху поiзда, а потiм розраховуеться прогнозний час прибуття вантажного поiзда на техшчну станщю. В даному прикладi розрахункова тривалiсть руху поiзда менше фактичноi (за даними, отриманими з АСК ВП УЗ-6) на 5 хв, тобто на 3,3 %.
да, т Д£в1дпр, год Розм1ршсть вхщного вектора Число нейрошв N Середне вщ-хилення,хв Частка вщ-хилень, %
3 43 300 32 80,7
500 2 47 300 11 34,3
1 60 300 7 20,7
0,5 84 250 3 6,3
250 3 58 200 8 24,5
1 77 200 2 5,7
3 93 200 5 14,5
100 2 97 200 3 6,7
1 109 200 1 2,7
0,5 134 150 0 0
50 3 154 150 3 7,3
50 0,5 194 150 0 0
Аналiз отриманих результатiв показуе, що точшсть прогнозу значною мiрою залежить вщ величини iнтер-
валiв при кодуванш маси та часу вщправлення поiзда для формування нейромереж^ тобто вiд параметрiв персептрону. Так, наприклад, при вихвдних значеннях Дq=500 т та Дtвiдпp=3 год частка вщхилень розрахунко-вих значень вщ фактичних склала 80,7 %, а при Дq=50 т та Д^;дпр=0,5 год - 0 %, проте, при цьому майже в 4 рази зб^ьшилась розмiрнiсть вхiдного вектора - з 43 до 194 елеменпв, а максимальне число нейрошв у на-вчальнiй вибiрцi зменшилось в два рази - з 300 до 150. Окрiм того, результати проведених експерименпв вка-зують на те, що при формуванш персептрону на яюсть прогнозу бiльший вплив мае величина штервалу варь ювання маси поiзда порiвняно з величиною штервалу вартвання часу вiдправлення.
У результат виконаних дослiджень, остаточно величина iнтервалiв маси поiзда була прийнята рiвною Дq=100 т, часу ввдправлення поiзда - Дtвiдпp=1 год; при цьому, розмiрнiсть вхiдного вектора складае 109 еле-ментiв, число нейрошв - 200, середне вщхилення роз-рахункових значень тривалостi руху мiж технiчними станцiями дiльницi ввд фактичних даних не перевищуе 1 хв, частка ввдхилень прогнозних даних про тривалкть руху поiзда ввд фактичних складае 2,7 %, що е прийнят-ним у техшчних розрахунках.
6. Висновки
В данш статтi запропоновано використання апа-ратy нейронних мереж при прогнозyваннi моментiв
прибуття вантажних поïздiв на TexHi4Hi станци в оперативному режимi на ootobî вiдомоï iнформацiï про поïзди. Враховуючи рiзну розмiрнiсть та значний po36ir значень вхiдних параметрiв про рух поïздiв, для ïx пред-ставлення у вхвдному векторi та у навчальнш вибiрцi нейромережi пропонуеться використовувати бшарне кодування. У результатi виконаних дослвджень було визначено, що найбшьш доцiльним для вирiшення вка-заноï задачi прогнозування е використання нейронноï мережi типу персептрон. Експерименти з величиною змши iнтервалу маси та часу вщправлення поïзда з сусiдньоï теxнiчноï станци при формуваннi вхвдного вектору та навчальноï вибiрки показали суттевий вплив вказаних факторiв на точшсть прогнозу тривалостi ходу шлзда мiж теxнiчними станцiями дiльницi. Аналiз результатiв проведених експериментiв дозволив вста-новити найбiльш рацiональну величину iнтервалiв при кодуваннi маси поïздiв (Aq=100 т) та часу вiдправлення (Мв;дпр=1 год) для вирiшення поставленоï задач^ що за-безпечують, з однiеï сторони, достатнiй рiвень точностi прогнозу, з iншоï - прийнятний обсяг розрахунюв.
Результати виконаних дослiджень е основою для розробки модуля прибуття поïздiв в прогнознш моделi поïзноï роботи залiзничного напрямку та, у тдсумку, дозволять створити адаптивну систему оперативного керування локомотивним парком [1]. Створення та впровадження такоï системи дозволить тдвищити ефективнiсть використання наявних тягових ресурив та за рахунок цього покращити економiчнi показники роботи залiзниць.
Лiтература
1. Вернигора, Р. В. Перспективи створення адаптивно! системи оперативного керування роботою локомотив1в та локомотивних бригад [Текст] / Р. В. Вернигора, Л. О. бльшкова // Зб1рник наукових праць Дншропетровського нацюнального ушверситету зашзничного транспорту ¡меш академжа В. Лазаряна. Транспортш системи та технологи перевезень. - 2012. - Вип. 4. - С. 25-29.
2. Вернигора, Р. В. Можливосп використання штучних нейронних мереж при прогнозуванш поТзно! роботи зашзничних нарямюв [Текст] / Р. В. Вернигора, Л. О. бльшкова // Зб1рник наукових праць Дншропетровського нацюнального ушверситету зал1знич-ного транспорту ¡меш академжа В. Лазаряна. Транспортш системи та технологи перевезень. - 2014. - Вип. 7. - С. 15-19.
3. Николаева, И. В. Применение искусственных нейронных сетей для прогнозирования динамики экономических показателей [Электронный ресурс] / И. В. Николаева // Сфера услуг: инновации и качество. - 2012. - Вып. 8. - Режим доступа: http:// journal.kfrgteu.ru/files/V2012_8_22.pdf
4. Кремень, Т. Використання нейронни! мереж1 Елмана для прогнозування надшносл программного забезпечення [Текст]: матер. V М1жн. конф. / Т. Кремень, В. Яковина, О. Синицька // Комп'ютерш науки та ¡нженер1я: CSE-2011. - Нацюнальний ушверситет «Льв1вська полггехнша». - Льв1в: Видавництво Льв1всько! поллехшки, 2011. - C. 88-89. - Режим доступа: http://ena.lp.edu.ua:8080/bitstream/ntb/22553/1/26-Kremen-88-89.pdf
5. Кудрицька, Н. В. Прогнозування розвитку транспортно-дорожнього комплексу Украши за допомогою нейронних мереж [Текст] / Н. В. Кудрицька // Економшо-математичне моделювання сощально-економ1чних систем. - 2014. - Вип. 19. -С. 198-207. - Режим доступу: http://nbuv.gov.ua/j-pdf/emmses_2014_19_13.pdf
6. Sun, Y. A PSO-GRNN model for railway freight volume prediction [Text] / Y. Sun, M. Lang, D. Wang, L. Liu // Journal of Industrial Engineering and Management. - 2014 - Vol. 7, Issue 2. - P. 413-433. doi: 10.3926/jiem.1007
7. Anitha, B. A heuristic moving vehicle location prediction technique via optimal paths selection with aid of genetic algorithm and feed forward back propagation neural network [Text] / B. Anitha, K. Duraiswamy // International Journal of Computer Science. - 2012. -Vol. 8, Issue 12. - P. 2008-2016. - Available at: http://thescipub.com/PDF/jcssp.2012.2008.2016.pdf doi: 10.3844/jcssp.2012.2008.2016
8. Anitha, B. An efficient optimization based vehicle movement prediction with aid of feed forward back propagation neural network [Text] / B. Anitha, K. Duraiswamy // International Journal of Computer Applications. - 2014. - Vol. 91, Issue 12. - P. 24-31. -Available at: http://research.ijcaonline.org/volume91/number12/pxc3895196.pdf doi: 10.5120/15933-5196
9. Лаврухин, А. В. Формирование интеллектуальной модели функционирования железнодорожной станции при выполнении поездной работы [Текст] / А. В. Лаврухин // Наука та прогрес транспорту. Вюник Дншропетровського нацюнального ушверситету зашзничного транспорту. - 2015. - № 1 (55). - C. 43-53.
10. Филиппенко, О. И. Биологические, искусственные и нейроавтоматные сети - сравнительный анализ. Часть 2. Искусственные нейронные сети. [Текст] / О. И. Филиппенко, И. Г. Филиппенко // Восточно-Европейский журнал передовых технологий. - 2005. - Т. 3, № 2(15). - С. 87-93.
11. Хайкин, С. Нейронные сети: полный курс [Текст] / С. Хайкин. - М.: Издательский дом «Вильямс», 2006. - 1104 с.
12. бльшкова, Л. О. Дослщження тривалост руху вантажних поïздiв мiж техшчними станщями зашзничного напрямку [Текст] / Л. О. бльшкова // Збiрник наукових праць Дшпропетровського нацюнального ушверситету зашзничного транспорту iменi академiка В. Лазаряна. Транспортш системи та технологи перевезень. - 2014. - Вип. 8. - С. 35-39.
13. Руденко, О. Г. Штучш нейронш мережi [Текст]: навч. пос. / О. Г. Руденко, б. В. Бодянський. - Харгав: ТОВ «Компашя СМ1Т», 2006. - 404 с.
14. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы [Текст] / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. И. Д. Рудинского. - М.: Горячая линия - Телеком, 2006. - 452 с.
15. Бодянский, Е. В. Искусственные нейронные сети: архитектуры, обучение, применения [Текст]: монографiя / Е. В. Бодян-ский, О. Г. Руденко. - Харьков: Телетех, 2004. - 369 с.
16. Bishop, C. M. Neural networks for pattern recognition [Електрон. ресурс] / C. M. Bishop. - Clarendon Press, Oxford, 1995. -498 p. - available at: http://www.engineering.upm.ro/master-ie/sacpi/mat_did/info068/docum/neural%20networks%20for%20 pattern%20recognition.pdf
17. Sussner, P. Perceptrons [Text] / P. Sussner. - Wiley Encyclopedia of Electrical and Electronics Engineering, 1999. doi: 10.1002/047134608x.w5112
18. Новотарський, М. А. Штучш нейронш мережк обчислення [Текст] / М. А. Новотарський, Б. Б. Нестеренко. - Пращ 1нститу-ту математики НАН Украши. Т. 50. - Кшв: 1н-т математики НАН Украши, 2004. - 408 с. - Режим доступу: http://novotarskiy. narod.ru/mono2.htm
19. Lotfi, E. A novel single neuron perceptron with universal approximation and XOR computation properties [Text] / E. Lotfi, M.-R. Akbarzadeh-T // Computational Intelligence and Neuroscience. - 2014. - Vol. 2014. - P. 1-6. doi: 10.1155/2014/746376
Пропонуеться подальший розвиток теори шформащг в моделi сприйняття водiем дорожньог обстановки. В щй моделi процес направленого формування середовища руху шляхом регулювання швидкостi руху розгля-даеться як динамiчний процес змтення вид-носног оргатзащг поля сприйняття водiя. З щею метою використовуеться передатна функщя водiя, виршення яког створюеться на основi перетворювання Лапласа
Ключовi слова: теорiя шформащг, дорож-ня обстановка, передатна функщя, сприйняття, водш, iмпульсна функщя
□-□
Предлагается дальнейшее развитие теории информации в модели восприятия водителем дорожной обстановки. В данной модели процесс направленного формирования среды движения путем регулирования скоростей движения рассматривается как динамический процесс изменения относительной организации поля восприятия водителя. С этой целью применяется передаточная функция водителя, решение которой осуществляется на основе преобразования Лапласа
Ключевые слова: теория информации, дорожная обстановка, передаточная функция, восприятие, водитель, импульсная функция
УДК 65.015.11: 621.3.011.711
|РО!: 10.15587/1729-4061.2015.42480|
ПРИМЕНЕНИЕ ИНФОРМАЦИОННЫХ ХАРАКТЕРИСТИК В МОДЕЛЯХ ВОСПРИЯТИЯ
ВОДИТЕЛЕМ ДОРОЖНОЙ ОБСТАНОВКИ
Н. И. Кульбашная
Старший преподаватель Кафедра электрического транспорта* E-mail: [email protected] И. Э. Линник Доктор технических наук, профессор Кафедра городского строительства* E-mail: [email protected] *Харьковский национальный университет городского хозяйства им. А. Н. Бекетова ул. Революции, 12, г. Харьков, Украина, 61002
1. Введение
Функция дорожной среды состоит в обеспечении удобных и комфортных условий для работы водите-
ля, в осуществлении взаимного функционирования всех участников движения. При этом вопросы согласования требований водителей со средой движения необходимо решать путём «подгонки» параметров (ус-
©
