CC BY
17
загрязнения подземных вод [3]. В состав глинистых растворов, применяемых для защиты стенок траншеи, входят различные добавки, увеличивающие скорость схватывания и застывания растворов. Грунтовые воды частично вымывают и уносят с собой данные добавки, тем самым загрязняя подземную гидросферу. Проблема загрязнения подземных вод появляется уже при проведении подготовительного этапа работ. Во время работы строительной техники и оборудования в почву попадает большое количество масляных веществ и нефтепродуктов. Вследствие этого, при применении данной технологии в строительстве в водонасыщенных грунтах должны предусматриваться особые меры, сокращающие вероятность заражения грунтовых вод и обеспечивающие сохранение их естественного уровня.
Для снижения отрицательного влияния на окружающую среду должен применяться ряд особых инженерных мер. В первую очередь, строительные механизмы и техника должны быть снабжены специальными средствами защиты, снижающими уровень создаваемого шума и вибрации до уровня, допустимого санитарными нормативами [4]. Во избежание загрязнения водных пространств следует применять раздельное отведения чистых грунтовых и загрязненных сточных вод со строительной площадки. Производственные сточные воды при этом должны быть подвергнуты очистке через отстойники, бензомаслоуловители и специальные фильтры. Итогом данных мероприятий должно являться снижение содержания токсичных примесей в производственных сточных водах до пределов, обозначенных в специальных санитарных нормах.
Список использованной литературы:
1. Ильичев В.А., Мангушев Р.А. Справочник геотехника. Основания, фундаменты и подземные сооружения: 2-е изд. доп. и перераб. / под общ. ред. В. А. Ильичева, Р. А. Мангушева. - Москва: Издательство «АСВ», 2016. - С. 509-536
2. СП 45.13330.2017. Земляные сооружения, основания и фундаменты
3. Львова Е.С., Шуплик М.Н., Куликова Е.Ю. Анализ влияния строительства подземных сооружений способом «стена в грунте» на экологическую обстановку. Москва: Издательство «Научный вестник МГГУ», 2011 - С. 46-52
4. СанПиН 2.2.3.1384-03 Гигиенические требования к организации строительного производства и строительных работ.
© Смолянко А.М., 2020
УДК 004.4
Л.Р. Хасанова
студент направления подготовки 27.03.02 Управление качеством ФГБОУ ВО «Оренбургский государственный университет»,
О.В. Юсупова,
старший преподаватель кафедры информатики ФГБОУ ВО «Оренбургский государственный университет»,
г. Оренбург, РФ Научный руководитель: Д.С. Кобылкин канд. техн. наук, доцент кафедры информатики ФГБОУ ВО «Оренбургский государственный университет»,
г. Оренбург, РФ
РЕШЕНИЕ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ЗАГРУЖЕННОСТИ АВТОМОБИЛЬНЫХ ДОРОГ С ПОМОЩЬЮ MS EXCEL
Аннотация
В статье рассматривается способ решения задачи прогнозирования загруженности автомобильных
дорог с помощью табличного процессора MS Excel. Определены этапы построения прогнозирующей модели и построены детерминированные части модели временного ряда, стохастическая часть модели и установлен полный прогноз временных рядов на основе результатов двух предыдущих этапов. Проведен анализ нескольких методов построения прогнозов загруженности дорог. В данном исследовании при построении стохастической модели сделаны выводы о повышении точности прогнозных оценок.
Ключевые слова:
загруженность автомобильных дорог, прогноз, ручной измеритель скоростей, скорость движения потока,
статистический анализ движения транспорта.
Актуальность. Многие современные города страдают от чрезмерного движения. Это особенно заметно в будние дни, когда значительное количество людей отправляются в офисы утром и возвращаются домой в конце дня. Проблема избыточного трафика приводит к тому, что оптимальные маршруты прохождения по загруженным участкам дорог часто не становятся оптимальными во времени [5]. Поскольку перегруженность определенных участков трудно предсказать и со временем изменить, трудно решить задачу построения оптимального маршрута. Чтобы выявить проблему избыточных транспортных потоков, достаточно проанализировать статистику по дорожному движению в городе [6, с. 3].
В Оренбурге транспортная проблема не является слишком глобальной. Крупные заторы образуются в основном на улицах, связывающих центр города с жилыми районами на севере и востоке города. Одной из причин можно отнести узкие улицы старого города, его исторической части. По времени же относится к периодам с 8:00 до 9:00 утром, и с 18:00 до 19:00 вечером.
В настоящее время в Научно-исследовательском центре «Новые транспортные технологии» на базе транспортного факультета ОГУ проводят научные исследования и работы и по усовершенствованию транспортной инфраструктуры. Практически все крупные перекрёстки оснащены светофорами, которые позволяют регулировать потоки транспорта. С помощью современных технологий можно повлиять на эти потоки, например, изменяя временные интервалы светофора. Однако, чтобы такое управление было эффективным, необходимо уметь планировать и строить надежные прогнозы.
Так как тема загруженности автомобильных дорог набирает актуальность с каждым днём всё сильней, мы провели некоторый комплекс расчётов, позволяющих оценить обстановку на дорогах и спланировать действия для оптимизации.
Цель исследования. Нами проведена работа над созданием модели для прогнозирования скорости движения транспортных средств. Прогноз загруженности автомобильных дорог был выполнен с использованием программы MS Excel. Современные версии MS Excel предоставляют широкий спектр возможностей для редактирования и обработки числовых данных, они содержат большое количество встроенных функций: математические, статистические, инженерные и т.д. Эти функции способствуют автоматизации типовых вычислений и решений многих проблем в естественных и технических науках [2].
По известным литературным источникам [3, с. 5] прогноз представляет собой систему научно обоснованных представлений о возможном состоянии объекта в будущем (предсказание) и путях его развития (прогнозирование).
Построение прогнозирующей модели рекомендуется проводить в три этапа [7]:
- построение детерминированной части модели временного ряда - получено на основе значений некоторой нерегулярной функции (в нашем случае начальный ряд последовательных данных о скоростях потока);
- построение стохастической части модели - вероятностное распределение будущих наблюдений на выборке значений из прошлого;
- установление полного прогноза временных рядов на основе результатов двух предыдущих этапов -планирования (т.е. составление графиков).
Полученные результаты. В определённый день (08 мая 2020 года) с 8:00 до 18:00 с интервалом 30 минут мы провели замер средней скорости потока транспорта на улице Терешковой.
Для этого в Научно-исследовательском центре «Новые транспортные технологии» на базе транспортного факультета ОГУ нам любезно предоставили типичный ручной измеритель скоростей, марки Искра. Проведение замеров происходило следующим образом: фиксировали по 50 скоростей в каждом
замере и высчитывали среднюю скорость.
В таблице 1 представлены полученные временные ряды данных о скорости движения потока транспортного средства для прогнозирования скорости движения автотранспортного средства.
Таблица 1
Полученные данные временных рядов по расходу транспортных средств
Период, р Время, t Средняя скорость Период, р Время, t Средняя скорость
1 09:00 55,8 11 14:00 52,8
2 09:30 54,3 12 14:30 51,3
3 10:00 52,4 13 15:00 51,7
4 10:30 50,3 14 15:30 52,1
5 11:00 52,3 15 16:00 50,2
6 11:30 53,6 16 16:30 49,8
7 12:00 53,2 17 17:00 49,6
8 12:30 54,1 18 17:30 50,5
9 13:00 53,8 19 18:00 53,6
10 13:30 53,6 20 17:30 52,7
Расчетные данные, вычисленные с помощью программы MS Excel, представлены на рисунке 1.
bp ] A*i \
.л)
У Глав«*«
cipjpiiiM^
■Crtkirjijltt ВИЛ
EI 'Л ji^Tt
А
-J
J
й&меп« ■ !2
Calibrl Ж К
У _
- A" a' i» * Д
Ферулы Дач>«ь#£ " Ш — " J« riepcHot 1«.стл
P Ш Ш liJ 06ъеДн«н1 it I* neiiCTMlb Ь ц-гнТр-?
6 ir p а в н i'.c л 1иг
i 2 1
4
5
6 7 s
9
10 II 1? 1}
14
15 { is
17 14 \
19
20
3i
23
24
25
ч • * лисп Пкстг ЛРНП-З
!
J
Y t t* Cf En
S&9 1 1 M,312 1,44В 54, J12
54,3 2 4 53,996 0,304 1,485 0,302 54.799
52,-а 1 9 53,699 -1,299 a,зол 0,164 53,663
50,3 4 16 53,02 -3,12 -1,2« -0,7 ±2,71
52,3 5 25 53461 ■0,361 -3,12 ■1,661 51,43
S3,6 6 36 52,921 0,679 -О, Ml -0j4M 51457
sj,2 7 4$ 52,699 D.bDI D.6M 0,366 53.0E5
54, l в 54 57.496 l,6(M 0,501 0,27 57,766
51 е s 91 52.312 1.436 ДОН 0,864 5&17Й
ii.t 1Й inO S2,147 1.4H 1.46G 0,402 52,349
5 гл ii 131 52,001 0.T99 1,453 0,793 5i.7B4
51,3 12 144 5J.E71 -0,573 (7,799 0,43 52,103
Si, 7 13 16* 51.763 -0.065 -1S73 -0.309 51.456
52,1 14 136 51.675 0,415 -□,065 -D,0J5 51,64
50,2 15 125 51,604 -1,404 0,4 25 0,229 51,833
1)4,3 16 256 51.552 -1,752 -1,ЛОЛ -0,756 50,796
49,6 17 2БЭ 51,519 -1,319 -1,732 -0,944 50,№
50,5 19 324 51,505 -1,005 ■1,919 1,034 50.471
S3,6 19 361 51,51 l.ifi -1,005 50,969
53,7 M 400 51.531 1.167 г, се l,H6 5J,659
11 441 51,575 1,167 0,607 52,192
22 434 51,637 0,327 51,964
23 52Э 51,717 0,176 5.1,693
Рисунок 1 - Расчетные данные
Столбец D (Yпрl) - построение детерминированной части прогнозирующей модели временного ряда на основе найденного уравнения регрессии. Рассчитывается по следующей формуле:
Упр1= 54,646- 0,3444 + 0,0094Ч2 . Для вычисления коэффициентов уравнения регрессии мы использовали статистическую функцию ЛИНЕЙН.
На рисунке 2 представлено диалоговое окно данной функции с введенными параметрами.
№ 10 /2020 -
Рисунок 2 - Диалоговое окно функции «ЛИНЕИН» с указанными параметрами
На рисунке 2 показаны следующие параметры:
- «известные_значения_у» - диапазон, содержащий исходные данные (столбец А);
- «известные_значения_х» - диапазон, содержащий данные времени и квадрата времени (выделить столбцы В и С (В2: С21));
- «константа» - логическое значение, которое указывает на наличие или отсутствие свободного выражения в уравнении 6 (если вставить «1», то свободный член ао рассчитывается, если - «0», то свободный член равен 0;
- «статистика» - логическое значение, которое указывает, должна ли отображаться дополнительная информация о регрессионном анализе.
Столбец Н ^пр2) - построение стохастической части модели временного ряда на основе найденного уравнения регрессии первого порядка с помощью этой же функции ЛИНЕИН [1]:
еф = 0,5386 е^ -1).
Таким образом, мы построили регрессионную модель прогнозирования загруженности автомобильной дороги внутри одного дня.
На основании результатов расчетов, приведенных в столбцах А, D и Н (рисунок 1), мы составили графики для начальных временных рядов, прогноз на основе детерминированной модели и график подразумеваемых оценок случайной составляющей (стохастическая модель). Эти графики обозначены буквами Y, Yпрl и Yпр2.
Рисунок 3 - Графики для начальных временных рядов, прогноз на основе детерминированной модели и
прогнозные оценки на основе случайной составляющей
Таким образом, согласно результатам, показанным на рисунке 4, можно констатировать, что график Yпр2 ближе к графику Y, что указывает на повышение точности прогнозируемых оценок при построении стохастической модели. Сходство графиков говорит об отсутствии ошибок в расчетах.
В данной статье мы рассмотрели несколько методов составления прогнозов движения транспортных средств на дорогах. А именно построили линейные регрессионные модели по предыстории наблюдений. Список использованной литературы:
1. Андерсон Т. Статистический анализ временных рядов: монография - М.: Изд-во «Мир», 1976 - 756 с. -С. 32.
2. Боровиков В. Statistica. Искусство анализа данных на компьютере [Электронный ресурс]. - Режим доступа: http://computersbooks.net/index.php?id1=4&category=teoriyaprogramirovaniya&author=borovikov-v&book=2003 (дата обращения: 23.05.2020).
3. Громова Н.М., Громова Н.И. Основы экономического прогнозирования: монография - М.: Изд-во «Академия Естествознания», 2006 - 80 с. - С. 5.
4. Кисилева М.Ю., Смагин В.И. Управление динамическими системами// Вестник Томского государственного университета. - 2010. - № 2. - С. 5.
5. Пупырев С., Пронченков А. Прогнозирование загруженности автомобильных дорог // Труды конференции молодых ученых. - 2010. - № 1. - С. 64-78.
6. Терешкина С.Д. Организация движения на автомобильном транспорте / Терешкина С.Д. - М.: ГБПОУ КАТ № 9, 2018 - 145 с. - С. 3.
7. Шевцов Ю.Д., Дудник Л.Н. Прогнозирование параметров технического состояния двигателей энергетических установок // Научный журнал КубГАУ. - 2017. - № 132(8). - С. 2-7.
© Хасанова Л.Р., Юсупова О.В., 2020
