которая применялась для целого ряда городов США. В соответствии с этой моделью ожидаемое количество людей Ei, выбирающих способ передвижения I, определяется как сумма вероятностей выбора ими альтернативы I :
E = V P
i in
(1)
где Рп - вероятность выбора индивидом п способа
передвижения .
В более детализированном виде вероятность Р(/,ё,т,т) передвижения способом т по маршруту г в зону d (или к объекту d) предлагается рассматривать как
(2)
Р(/,ё,т,г ) =
= Р(/ )Р(/,й )Р{т,/4 )Р(г,/^,т)' где Р(/) - вероятность совершения передвижения; Р(/ ) - вероятность совершения передвижения в зону d (или к объекту d) при условии, что передвижение состоялось; Р(т,/ ) - вероятность использования способа передвижения при условии, что передвижение состоялось в зону d (или к объекту d);
Р(г,/ ,ё,т) - вероятность использования маршрута при использовании способа передвижения при условии, что передвижение состоялось в зону d (или к объекту d).
Очевидно, что построение дезагрегированных моделей выбора способа передвижения как и оценка количества генерируемых поездок требует систематических транспортных обследований и накопления статистических данных. Накопление таких данных необходимо для выполнения многих видов градостроительного и транспортного планирования и позволит повысить обоснованность решений, в том числе прогнозировать эффект от введения мер воздействия на транспортное поведение, как это было сделано в Голландии при введении оплаты за пользование автомобилем для агломерации Рапс^ас! [1].
Транспортная лаборатория ИрГТУ планирует осуществлять исследования транспортного поведения населения и генерации поездок различными видами объектов тяготения. Главной целью этих исследований определена разработка модели оптимального размещения перехватывающих парковок. Определённый объём информации о транспортном поведении уже накоплен при разработке концепции развития общественного транспорта города Иркутска.
n
Библиографический список
1. Bovy P.H.L. Innovative Approaches to Demand Management in The Netherlands // ITE Journal. August, 2000. P. 41-47
2. Downtown Parking and Mobility Management Plan // Wichita, Kansas. November, 2009. 171 р.
3.http://ec.europa.eu/transport/urban/urban_mobility/action_plan _en.htm
4. Mobility Management.User Manual // Rijswijk / Aachen. January, 1999. 109 р.
5. Applications of New Travel Demand Forecasting Techniques to Transportation Planning// http://ntl.bts.gov/DOCS/SICM.html
6. Transportation Demand Management // Deutsche Gesellschaft fur Technische Zusammenarbeit, Eschborn, Germany. April, 2009. 118 p.
7. Technology in Mobility Management: Coordinating and Improving Services in Southwest Idaho // Report No. 12-2009. September, 2009. 45 р.
УДК 656.13
МЕТОДИКА ПРИМЕНЕНИЯ МНОГОМЕРНОГО СТАТИСТИЧЕСКОГО АНАЛИЗА ДЛЯ РАЗРАБОТКИ ФУНКЦИОНАЛЬНОЙ КЛАССИФИКАЦИИ УЛИЦ ЦЕНТРОВ КРУПНЫХ ГОРОДОВ
1 2 С.Л. Чикалина , Е.Н. Чикалин
Национальный исследовательский Иркутский государственный технический университет, 664074, г. Иркутск, ул. Лермонтова, 83
Представлена методика определения границ пешеходных зон и зон успокоения движения. Предложена классификация улиц и мероприятия по организации дорожного движения для каждого класса улиц. Ил. 3. Библиогр. 5 назв.
Ключевые слова: успокоение движения; транспорт; классификация; безопасность движения.
1Чикалина Светлана Леонидовна, кандидат технических наук, доцент кафедры менеджмента на автомобильном транспорте, тел.: 89027654741, e-mail: [email protected]
Chikalina Svetlana, Candidate of technical sciences, Associate Professor of the chair of Management in Automobile Transport, tel.: 89027654741, e-mail: [email protected]
2Чикалин Евгений Николаевич, аспирант кафедры менеджмента на автомобильном транспорте, тел.: (3952) 655218, e-mail: [email protected]
Chikalin Evgeny, Postgraduate Student of the chair of Management in Automobile Transport, tel.: (3952) 655218, e-mail: Transservis.78 @ mail.ru
PROCEDURE TO APPLY A MULTIDIMENSIONAL STATISTICAL ANALYSIS FOR THE DEVELOPMENT OF FUNCTIONAL CLASSIFICATION OF STREETS IN THE CENTERS OF BIG CITIES S.L. Chikalina, E.N. Chikalin
National Research Irkutsk State Technical University, 83, Lermontov St., Irkutsk, 664074.
The article presents a procedure to determine the boundaries of pedestrian zones and zones of traffic calming. The authors propose a street classification and measures on the traffic organization for each class of streets. 3 figures. 5 sources.
Key words: traffic calming; transport; classification; traffic safety.
В последнее время большое внимание уделяется организации дорожного движения в центральных деловых районах. При этом главными задачами организации движения являются: снижение транспортных нагрузок на центральные деловые районы, обеспечение приоритета общественного пассажирского транспорта, повышение безопасности и комфортности движения пешеходов. Для решения этих задач широко применяется успокоение дорожного движения, которое признано одним из наиболее эффективных средств повышения безопасности дорожного движения.
Успокоение движения достигается изменениями уличной сети и техническими мероприятиями и является одним из мощнейших инструментов повышения безопасности в центрах городов. При создании зон успокоения: выводится транзитное движение; используется принцип превращения сквозных улиц в тупиковые, петлевые и кольцевые; вводятся определенные ограничения на паркирование. Благоустройство и дизайн улиц в зонах успокоения выполняются как средства снижения скорости движения транспортных средств. Обслуживание зон успокоения движения часто осуществляется общественным транспортом, который получает приоритет.
В настоящее время накоплен достаточный опыт применения различных технических приемов успокоения движения, но не разработаны методы обоснования положения зон успокоения движения, определения их размеров и границ. В данной статье рассмотрена методика выделения зон успокоения движения, которая основана на двух принципиальных положениях:
• границы зон успокоения определяются на основе выделения определенного класса улиц с близкими функциональными характеристиками;
• функциональные классы улиц определяются формализовано с использованием многомерного статистического анализа.
Для решения сформулированной задачи функциональной классификации городских улиц можно использовать:
• многомерное шкалирование - его целью является определение местонахождения объекта в «пространстве восприятия (субъектов)» и создание его образа;
• кластерный анализ - позволяющий классифицировать многомерные наблюдения, каждое из которых описывается набором исходных переменных.
С учетом специфики изучаемых объектов при разработке классификации улиц предпочтение отдано кластерному анализу:
• он дает возможность производить выделение объектов не по одному параметру, а по целому набору признаков;
• в отличие от большинства математико-статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов и позволяет рассматривать множества исходных данных произвольных видов;
• позволяет рассматривать любые объемы информации.
Наиболее распространенными методами кластерного анализа являются иерархические агломератив-ные методы, которые используются в том случае, если число кластеров заранее неизвестно. В свою очередь методы иерархического кластерного анализа различается не только используемыми мерами сходства (различия), но и алгоритмами классификации: метод полных связей, метод средней связи, центроидный метод (метод взвешенных групп), метод Уорда [1,2].
Для разработки функциональной классификации улиц принят метод Уорда, основные положения которого приведены ниже.
Список учитываемых в классификации параметров обозначается с указанием множества значений, принимаемых каждым из них. Список классов обозначается как Б={БЬ Б2,...Б/}, которые получают на основе объектов классификации Х={Х1, Х2,...Хт}. В качестве меры сходства/различия между двумя объектами х, хк е Х в п - мерном пространстве применяется евклидово расстояние:
d(xt,xk) = £(nj(xi) -Pj(xk))2
(1)
j=i
где ц(х), щХ,} - меры обладания ]-м свойством соответственно /'-го и к-го объектов.
Оптимальность классификации определяется двумя функционалами: внутриклассовым разбросом наблюдений 12(Б} и мерой взаимной удаленности (близости) классов 1(Б}. Расчеты ведутся по формулам:
2
\^Ld(xr'xj)
(2)
К 1=1 {п1(п1 -1) \ г-1 >
где К - число классов в классификации, п - число объектов в классе I.
Суммирование (2) происходит так, что I принимает все значения от 1 до п, а ] - для каждого / все значе-
ния больше / ; б(х,х) - евклидово расстояние между объектами х, и х.
2 п1 п1
'2 = Щ-Т) £ ^
здесь б(3,, 3) - евклидово расстояние между классами й, Зу.
Суммирование (3) производится так, что I принимает все значения от 1 до К, а значения ] для каждого / выбираются так, чтобы они были больше /.
Процесс многомерной классификации выполняется в указанной ниже последовательности. Формируется исходная матрица, в которой количество строк соответствует выбранному числу объектов наблюдения
(/= 1, т), а количество столбцов - числу окончательно принятых показателей классификации (¡= 1,п).
(4)
Количество объектов равно исходному количеству участков улично-дорожной сети, которые служат источником получения информации. Показателями по каждой из групп классификаций принимаются: интенсивность движения пешеходов, интенсивность движения транспорта, количество припаркованных транспортных средств, площади торговых объектов. Осуществляется нормирование показателей:
(х X11 Х12 х Л ••• Х1п
X = (Х1,Х2,. ■,хп )= Х 21 Х 22 ■■■Х2п
V Хт1 Хт2 ■■■ Хтп у
тах _ х
* 1 1 х* =—1-—
У тах тгп
_ ХУ
(5)
тах т г п
где Х пХ ,Х „
- соответственно среднее, максимальное и минимальное из наблюдаемых значений ¡-
го показателя на /-ом участке в принятых единицах
*
измерения; х^ - нормированное значение ¡-го показателя на /-ом участке УДС (безразмерная величина)
Организуется новая матрица из нормированных величин показателей х и определяется мера близости между объектами наблюдения:
*п =
Ё_ х]к)2
(6)
к=1
здесь xik,x]■k - нормированные значения к-го показателя (к-1,2...п) соответственно для / - го и¡' - го сопоставляемых объектов, ¡, ¡= 1,т.
Формируется квадратная матрица й размерности т х т, элементами которой служат показатели евклидово расстояние б.. Определяется среднее расстояние внутри классов 11 и между классами 12 по формулам (2) и (3) и критерий классификации:
1=12-11, (7)
Осуществляется объединение объектов наблюдения, имеющих минимальное значение б. в матрице О, для этого определяется номер строки и столбца, на пересечении которых находится минимальное евклидово расстояние:
minmindij = ¿ы
1 г
ттттй п = ёк1
(8) (9)
Условия (8) и (9) показывают, что на первом шаге классификации объединяют к-й и 1-ый объект наблюдения. Далее из матрицы вычеркивается к и I строки и столбцы, а вместо них вводят новые строку и столбец /. Диагональному элементу новых строк и столбцов присваивается значение бк/ . Размерность матрицы уменьшается на единицу и соответственно число классов равно т-1.
бт-1,т-1 = бк1, (10)
Далее вычисляется среднее расстояние внутри оставшихся классов и между классами, определяется критерий классификации. Вычисления (8)-(10) ведутся до тех пор, пока все объекты наблюдения не окажутся в одном классе. На этом процедура завершается и из полученных вариантов разделения на кластеры выбирается такой вариант, который получает наилучшее содержательное толкование.
С учетом выбранного метода кластерного анализа были намечены следующие этапы выделения пешеходных зон и зон успокоения движения в центральной части г. Иркутска:
1. анализ современного состояния дорожного движения пешеходов в центральной части города;
2. выбор параметров, по которым будет осуществляться многомерный анализ;
3. сбор исходных данных (параметры использования застройки) и обследование ОДД (тротуары, проезжая часть, парковки)
4. выбор критериев зонирования и определение их значений для каждого из объектов обследования;
5. проверка корреляции между значением параметров и снижение размерности задачи;
6. разделение исходного множества объектов наблюдения (улиц центра) в группах на кластеры (функциональные классы улиц);
7. содержательный анализ полученных классов и выделение групп улиц с одинаковыми параметрами (в том числе получение сетки пешеходных улиц и улиц с внедряемым успокоением движения)
8. установление границ зон успокоения движения и пешеходных зон.
При этом учитывается, что новые современные предложения по классификации улиц, часто выполняются с учетом характеристик использования территорий, обслуживаемых улицами. С учетом этого параметрами классификации улиц были выбраны: интенсивность транспортных потоков и маршрутного транспорта, доля общественного транспорта в транспортных потоках, интенсивность пешеходных потоков, количество паркуемых транспортных средств, площади торговых объектов.
Перед выполнением кластерного анализа выбранные параметры классификации (интенсивность транспорта; общая площадь торговых объектов; интенсивность пешеходов на тротуаре; количество пар-кируемых транспортных средств; доля общественного транспорта в транспортных потоках) проверялись на наличие парной корреляции.
В соответствии с результатами теста на парную корреляцию были оставлены следующие факторы:
• интенсивность транспорта;
• общая площадь торговых объектов;
• интенсивность пешеходов на тротуаре;
• количество паркируемых транспортных средств;
• доля общественного транспорта в транспортных потоках.
Важнейшей задачей экспериментальной части работы было определение оптимального количества кластеров, на основе которых формировалась функциональная классификация улиц.
Процесс выбора оптимального количества кластеров [5] выполняется с учетом изменения следующего критерия £-квадрата евклидового расстояния, определенного с использованием стандартизованных значений:
/
1=1 И\ 1=1
у
(11)
\ 1=1 У
где ] - номер кластера, ( = 1, 2, ..., т}, п - число элементов в кластере, г- коэффициент парной корреляции между объектами;
N . .
т Х( - т])
г =
1}
к=1
515]
(12)
здесь т, ,т ^ ,3 ,3 - соответственно средние и среднеквадратичные отклонения для характеристик / и].
Наличие резкого скачка в значении Е можно интерпретировать как характеристику числа кластеров, объективно существующих в исследуемой совокупности.
В рассматриваемом случае (рис.1) первый скачок значения критерия Е происходит на 81 шаге. В соответствии с этим результатом был выбран вариант с шестью кластерами.
Результаты кластерного анализа улиц центра Иркутска представлены на рис. 2, 3. На рис. 2 приведена дендрограмма (древовидная диаграмма), отображающая результаты кластеризации, и иерархическая структура, порожденная матрицей сходства и правилом объединения объектов в кластеры. Кроме того, полученная совокупность кластеров имеет трехмерное графическое отображение (рис.3).
При интерпретации полученного результата определяются общие характеристики объектов каждого кластера. Для чего изучаются описательные статистики наблюдений в кластерах по критериям кластериза-
ции
Рис. 1. Расстояние агломераций
Рис. 2. Дендрограмма
Рис. 3. Принадлежность к кластерам
ции и выбираются краткие названия, описывающие тип улиц с одинаковыми параметрами дорожного движения.
По результатам обследований и кластерного анализа с использованием выбранных параметров классификации предлагаются шесть функциональных классов улиц. Содержательный анализ полученных кластеров 1 и 2 позволил сразу выделить класс улиц -городские бульвары. Концепция городских бульваров была предложена «Комитетом по городским территориям» Р!ЛРО [3,4] и содержит важнейшие признаки этого вида улиц:
• бульвар - магистральная улица, обслуживающая значительные транспортные потоки (до 100000 авт./сутки), но имеющая незначительную разрешенную скорость движения;
• в отличие от городских дорог бульвар интегрирован в городскую среду, является ее частью и должен иметь многофункциональное назначение (т.е. допускает совмещение транспортных, социальных, экологических, культурных и других функций).
Следует особо отметить элемент классификации кластер 6, который составляют улицы, находящиеся рядом с пешеходными зонами (5-й кластер). Отличительная черта улиц, составивших кластер 6 - доминирование функции паркирования. Поэтому они классифицированы как улицы - парковки.
Кластер 3 - улицы общественного транспорта корреспондируют с категорией магистральных улиц городского значения. Применительно к ним важнейшим направлением совершенствования ОДД является улучшение условий движения общественного транспорта, включая создание приоритетных условий.
Последний из полученных кластеров 4-й - второстепенные улицы, отличаются незначительными объемами движения транспорта и пешеходов, преобладающий тип застройки - жилье. Соответственно на основе сети второстепенных улиц следует формировать зоны успокоения движения.
По результатам полученной классификации улиц предлагается следующий перечень специальных мероприятий по организации дорожного движения:
• для второстепенных улиц рекомендуется успокоение движения;
• на улицах общественного транспорта необходимо обеспечить приоритет городского пассажирского транспорта;
• пешеходные улицы должны соответствовать своему назначению и поэтому обеспечивать комфортное и свободное от транспорта движение пешеходов по всей длине;
• на улицах-парковках рекомендуется увеличивать количество стояночных мест, так как эти улицы обслуживают расположенную рядом пешеходную улицу с большим количеством мест массового тяготения.
Библиографический список
1. Айвазян С.А., Бежаева З.И., Ствроверов О.В. Классификация многомерных наблюдений. М.: Статистика, 1974. 240 с.
2. Сошникова Л.А., Тамашевич В.Н., Уебе Г. Многомерный статистический анализ в экономике: учеб. пособие для вузов; под ред. В.Н. Тамашевича. М.: ЮНИТИ-ДАНА, 1999.
598 a
3. PIARC : Urban road design and architecture / Reference : 10.08.B, Routes/Roads special issue II-1995, p. 51 - 126.
4. PIARC: The urban road network design / Reference : 10.04.B, Routes/Roads 1991, p. 45- 84.
5. www.learnspss.ru