CC BY
0УДК 004.942
doi:10.18720/SPBPU/2/id24-74
Жидков Денис Олегович,
программист,
Лаборатория «Промышленные системы потоковой обработки данных» Передовой инженерной школы СПбПУ «Цифровой инжиниринг»;
студент
ОСОБЕННОСТИ ПРОГРАММНОЙ РЕАЛИЗАЦИИ МОДЕЛЕЙ ТРАНСПОРТНЫХ ПОТОКОВ
Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого, denis.zhidkov@spbpu.com
Аннотация. Данная работа посвящена исследованию современных тенденций и инструментов разработки моделей транспортных потоков. В ходе исследования производится обзор современных программных обеспечений для моделирования транспортных систем и рассматриваются подходы реализации моделей с использованием возможностей языков программирования. По результатам работы выделены основные достоинства и недостатки каждого из подходов, определены основные тенденции по развитию моделирования транспортных систем.
Ключевые слова, транспортные потоки, имитационное моделирование, программное обеспечение, модели транспортных систем, ГИС-системы, машинное обучение, инструменты моделирования.
Denis O. Zhidkov,
Software Engineer,
Laboratory "Industrial Systems for Streaming Data Processing" of the "Digital Engineering" Advanced Engineering School, SPbPU;
Student
FEATURES OF SOFTWARE IMPLEMENTATION OF TRAFFIC FLOW MODELS
Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia,
deni s.zhidkov@ spbpu.com
Abstract. This work is devoted to the study of modern trends and tools for developing traffic flow models. The study provides a review of modern software for modeling transport systems and considers approaches to implementing models using the capabilities of programming languages. Based on the results of the work, the main advantages and disadvantages of each approach were identified, and the main trends in the development of modeling of transport systems were identified.
Keywords: traffic flows, simulation modeling, software, transport system models, GIS systems, machine learning, modeling tools.
Введение
Моделирование транспортных потоков является неотъемлемой частью апробации разрабатываемых решений в транспортной системе [2, 3]. Для создания моделей используются программные обеспечения, предоставляющие возможности по проектированию моделей, их запуску, визуализации и анализу результатов [4]. Однако из-за активного развития как в технологиях, так и в цифровых сферах деятельности человека появляется переизбыток подобных инструментов. Целью данного исследования является выделение преимуществ и недостатков, предоставляемых современными программными обеспечениями, и рассматривается возможность замены моделей, проектируемых с помощью подобных инструментов, собственными разработками с использованием возможностей различных языков программирования.
1. Постановка задачи
1.1. Описание предметной области
Модели транспортных потоков классифицируют по трём признакам [5]:
По математическому аппарату:
По наличию вероятностной составляющей подразделяют на стохастические и детерминированные;
По непрерывности подразделяют на непрерывные и дискретные;
По изменяемости данных с течением времени подразделяют на статические и динамические.
По уровню моделирования:
Макромодели — транспортный поток рассматривается, как аналогия потока абстрактной жидкости. Рассматривается поведение системы в целом, а не каких-то отдельных конкретных элементов.
Мезомодели — комбинирование микро- и макромоделирования. Определяется поведение каждой транспортной единицы, но их взаимодействие рассматривается на макроуровне.
Микромодели — описывается поведение каждой транспортной единицы и их взаимодействие с другими транспортными единицами.
По типу решаемых задач:
Прогнозные;
Имитационные;
Оптимизационные.
1.2. Определение проблемы
На основе приведённого анализа предметной области можно сделать вывод о применимости методов имитационного моделирования для решения проблем транспортной системы. В связи с выделением данного подхода, как одного из основных, следует изучить программные обеспечения, предназначенные для имитационного моделирования в транспортной сфере.
По результатам анализа научной литературы, посвящённой данной теме, также выделены современные тенденции в моделировании транспортной сферы. Когда в отечественных исследованиях чаще всего для моделирования используют имитационные методы [1], зарубежные источники активно продвигают подходы с использованием нейронных сетей и машинного обучения [6, 7]. Данный факт устанавливает дополнительные требования, которые необходимо представить для программных средств моделирования.
2. Подходы к программной реализации моделей транспортных потоков
2.1. Обзор существующих программных средств
В ходе исследования выделены следующие программные средства для создания моделей транспортных потоков, как имеющие наибольшую функциональность среди аналогов или же отличающиеся от иных программных средств.
Таблица 1
Обзор программных решений моделирования транспортной системы
Название Разработчик Возможности
AnyLogic The AnyLogic Company, Россия Поддержка всех видов имитационного моделирования; Большое количество библиотек с поддержкой моделирования для разных сфер деятельности в том числе и транспортной; Гибкий и удобный пользовательский интерфейс; Поддержка интеграции с ГИС-системами и нейронными сетями
VISSUM (PTV Vision) PTV GROUP, Германия Создание математических транспортных моделей, с помощью которых оцениваются предлагаемые решения по развитию транспортных систем городов, мегаполисов, стран и регионов; Интеграция с ГИС-системами и языком программирования Python
TransCAD Caliper, США Мощный ГИС-движок со специальными расширениями для транспорта; инструменты картирования, визуализации и анализа, предназначенные для транспортных приложений; Большое количество модулей приложения для решения различных задач транспортной и логистической сфер
CUBE Bentley Systems, США Гибкая интеграция со сторонними инструментами, включая Python; Интерфейс для связи между моделью, данными и географической информационной системой (ГИС); Легкая визуализация, тестирование и сравнение нескольких сценариев
Данный список не исчерпывающий, поскольку имеются и другие программные средства, но не все из них, к примеру, поддерживают интеграцию с ГИС-системами, внешними модулями, написанными на различных языках программирования.
2.2. Построение моделей транспортных потоков
с использованием возможностей языков программирования
По результатам приведённой характеристики можно сделать вывод о том, что современные программные средства позволяют разработать модель транспортных потоков практически любой сложности. Однако, несмотря на всю гибкость предоставляемых решений, имеется шанс обнаружить задачу, которую невозможно решить, используя имеющуюся функциональность инструмента. Кроме этого, многие из изученных решений обладают достаточно высокой сложностью, слабой поддержкой методов машинного обучения, которые в настоящее время становятся трендом в разработке подобных моделей [6, 7]. В связи с этим предложено решение по разработке программных моделей с использованием языков программирования с высокой аналитической поддержкой и возможностью реализации машинного обучения.
Поскольку транспортные потоки и их элементы часто подчиняются определённым математическим закономерностям, то для разработки подобных моделей следует выбрать язык программирования, обладающий высокой поддержкой математических инструментов, как встроенных в сам язык программирования (язык программирования R), так и в его сторонних библиотеках (язык программирования Python и его библиотеки scikirt-learn, numpy) Стоит отметить, что подобное решение увеличит сложность обучения инструментом и длительность разработки модели, поскольку необходимо будет реализовать большое количество программной логики, которая могла быть реализована в готовых приложениях. Однако подобный подход нивелирует все остальные недостатки, поскольку функциональность разрабатываемой модели будет зависеть только от реализуемых разработчиком алгоритмов и методов. Другими словами, возможности такой модели ограничены навыком разработчика модели, а не программным средством, что можно считать лидирующим преимуществом.
Заключение
По результатам проведённого исследования выделены наиболее функциональные программные средства и подходы для моделирования транспортных потоков, а также локализованы их достоинства и недостатки. Предложен подход по проектированию моделей транспортных потоков с использованием языков программирования с высокой поддержкой аналитических возможностей и методов машинного обучения. Подобные функциональные требования связаны с современными тенденциями моделирования. Проектирование моделей с использованием такого подхода позволяет нивелировать недостатки имеющихся программных средств.
Благодарности
Исследование выполнено при поддержке Министерства науки и высшего образования Российской Федерации (государственное задание № 075-03-2023-004 от 13.01.2023).
Список литературы
1. Богомолов С.А., Орлик Л.К. Компьютерное моделирование транспортного потока: обзор классических моделей, особенности авторской модели // Сборник материалов III Всероссийской научно-практической Конференции магистрантов 16-20 апреля. - М.: РУСАЙНС, 2018. - С. 66-76.
2. Ветрогон А.А., Крипак М.Н. Транспортное моделирование как инструмент для эффективного решения задач в области управления транспортными потоками // Современные технологии. Системный анализ. Моделирование. - 2018. - № 3 (59). - С. 82-91.
3. Гальченко Г.А., Марченко Ю.В. Программный комплекс моделирования движения автотранспортных средств в городских условиях // Известия высших учебных заведений. Северо-кавказский регион. Технические науки. - 2018. - № 1 (197). - С. 132-136.
4. Колышкина Д.В., Дрогачева Я.А., Шевцова А.Г. Обзор программ имитационного моделирования движения транспортных потоков // Воронежский научно-технический вестник. - 2019. - № 3 (29). - С. 111-117.
5. Недяк А.В., Рудзейт О.Ю., Зайнетдинов А.Р. Классификация методов моделирования транспортных потоков // Вестник Евразийской науки, 2019, № 6. URL: https://esj.today/PDF/87SAVN619.pdf.
6. Pun L., Zhao P., Liu X. A multiple regression approach for traffic flow estimation // IEEE Access. - 2019. - № 7. - Pp. 35998-36009.
7. Yuelei Xiao, Yang Yin. Hybrid LSTM neural network for short-term traffic flow prediction // Information. - 2019. - № 10 (3). - P. 105.
