CC BY
14
ШФОРМАЦШШ ТЕХНОЛОГИ
УДК 004.896
https://doi.org/ 10.35546/kntu2078-4481.2019.3.9
КО. БелеВАНЦЕВА
Державний вищий навчальний заклад
«Приазовський державний технiчний ушверситет», м. Марiуполь
ORCID: 0000-0003-1133-3460
О.1. ПРОН1НА
Державний вищий навчальний заклад
«Приазовський державний техшчний ушверситет», м. Марiуполь
ORCID: 0000-0001-7085-8027
ВИКОРИСТАННЯ НЕЧ1ТКИХ МНОЖИН ПРИ ВИЗНАЧЕНН1 ПРИВАБЛИВОСТ1 ПАСАЖИРОПОТОКУ
Аналгзуючи сучаснi пасажирсьт перевезення в Укра'ж, можна зробити висновок, що 3i збшьшенням Krnb^cmi мiського населення зростае потреба в розвитку пасажирських перевезень, а також у пiдвищеннi якостi транспортних послуг. Основними завданнями пасажирського мкького транспорту е повне i сучасне задоволення потреб населення в перевезеннях, пiдвищення ефективностi та якостi роботи транспортной системи. У дант роботi розглядаеться модель пасажиропотоку в межах мiста. Проведено анал1з стану проблеми мкького транспорту з урахуванням втчизняного та зарубiжного досвiду. Розглянуто основнi методи до^дженням пасажиропотоку, що застосовуються в диспетчерських службах. Обрат основнi параметри, яю впливають на оцтку пасажиропотоку. На пiдставi характеристик предметноi областi, а саме великоi кiлькостi рiзнобiчних факторiв, що впливають, обраний найбшьш вiдповiдний метод вивчення привабливостi маршруту - нечткий висновок. Була побудована нечтка модель оцтки пасажиропотоку, за допомогою кортежiв описанi вхiднi лiнгвiстичнi змтт. Описано вибiр функцт приналежностi для змтних, найменування термiв вхiдних i вихiдних змтних, позначен ттервали унiверсуму та сформовано продукцiйнi правила. Розроблена модель була реализована у виглядi системи нечiткого виведення для оцтки пасажиропотоку в середовищi MatLab Fuzzy. В роботi представленi вс етапи ii побудови. Розроблена модель ляже в основу системи, яка полегшить роботу диспетчера для оцтки пасажиропотоку, дозволить йому визначати завантаженкть маршруту та зменшить навантаження. Усе це разом допоможе оптим1зувати пересування пасажирiв в мкькому транспортi, що веде до покращення ринку перевезень.
Ключовi слова: пасажиропотж, привабливiсть маршруту, модель нечткого виводу, продукцiйнi
правила.
Анализируя современные пассажирские перевозки в Украине, можно сделать вывод, что с увеличением количества городского населения растет потребность в развитии пассажирских перевозок, а также в повышении качества транспортных услуг. Основными задачами пассажирского городского транспорта является полное и современное удовлетворение потребностей населения в перевозках, повышение эффективности и качества работы транспортной системы. В данной работе рассматривается модель пассажиропотока в пределах города. Проведен анализ состояния проблемы городского транспорта с учетом отечественного и зарубежного опыта. Рассмотрены основные методы изучениям пассажиропотока, применяемые в диспетчерских службах. Выбраны основные параметры, которые влияют на оценку пассажиропотока. На основании характеристик предметной области, а именно большого количества разносторонних влияющих факторов, выбран наиболее подходящий метод изучения привлекательности маршрута - нечеткий вывод. Была построена нечеткая модель оценки пассажиропотока, с помощью кортежей описаны входные лингвистические
ИСПОЛЬЗОВАНИЕ НЕЧЕТКИХ МНОЖЕСТВ ПРИ ОПРЕДЕЛЕНИИ ПРИВЛЕКАТЕЛЬНОСТИ ПАССАЖИРОПОТОКА
переменные. Описан выбор функций принадлежности для переменных, наименования термов входных и выходной переменной, обозначены интервалы универсума и сформированы продукционные правила. Разработанная модель была реализована в виде системы нечеткого вывода для оценки пассажиропотока в среде MatLab Fuzzy. В работе представлены все этапы ее построения. Разработанная модель ляжет в основу системы, которая облегчит работу диспетчера для оценки пассажиропотока, позволит ему определять загруженность маршрута и уменьшит нагрузку. Все это вместе поможет оптимизировать передвижения пассажиров в городском транспорте, что ведет к улучшению рынка перевозок.
Ключевые слова: пассажиропоток, привлекательность маршрута, модель нечеткого вывода, продукционные правила.
K.A. BIELIEVANTSEVA
State Higher Educational Institution "Priazov State Technical University", Mariupol
ORCID: 0000-0003-1133-3460 O.I. PRONINA
State Higher Educational Institution "Priazov State Technical University", Mariupol
ORCID: 0000-0001-7085-8027
USAGE OF FUZZY SETS IN DETERMINING THE ATTRACTIVENESS OF PASSENGER FLOW
When analyzing modern passenger transportation in Ukraine, we can conclude that with an increase in the number of urban population, the need for the development of passenger transportation, as well as for improving the quality of transport services, is growing. The main task of urban transit services is to fully and modernly meet the transportation needs of the population, while increasing the efficiency and quality of the transport system. In this paper, we consider the model of passenger traffic within the city. We analyze the state of the problem of urban transport, taking into account domestic and foreign experience. The basic methods for studying passenger flow used in dispatch services are considered. The main parameters that affect the estimation of passenger flow are selected. Based on the characteristics of the subject area, namely a large amount of diverse influencing factors, we choose the most suitable method for studying the attractiveness of the route - a fuzzy conclusion. A fuzzy model for estimating passenger flow is constructed, and input linguistic variables are described using tuples. The choice of membership functions for variables, the names of the terms of the input and output variables are described, the intervals of the universe are indicated. Production rules necessary for building a fuzzy inference system are formed. The developed model is implemented as a fuzzy inference system estimating passenger flow in the MatLab Fuzzy environment. The paper presents all the stages of its construction. The developed model will form the basis for a system that will facilitate the work of the dispatcher to assess passenger flow, allowing him to determine the load on the route and reduce it. All of this collectively will help optimize the movement of passengers in public transport, which will lead to an improvement in the transportation market.
Keywords: passenger flow, attractiveness of the route, model offuzzy inference, production rules.
Постановка проблеми
У сучасному свт транспортна мобшьшсть грае важливу роль. Вона впливае на pi3HOмаштш сфери нашого життя та е !х складовою частиною, наприклад, це стосуеться нормального функцюнування економiки, ефективнють виробництва. Також вона вщповщае за рацюнальний розподш виробничо! сили по певнш територп. Усе це дозволяе розвиватися таким галузям як сшьське господарство, торпвля, промисловють, туризм та шшим.
Основним завданням пасажирського автомоб№ного транспорту е повне i сучасне задоволення потреб населения в перевезеннях, пвдвищення ефективносп та якосп роботи транспортно! системи.
Тема оцшки пасажиропотоку не е зовам новою. 1снуе достатня шлькють дослвджень, аналтгичних даних та шформацп щодо транспортних пересувань населення. Також юнуе й рiзнi методи !х вивчення[1, 2], яш можна класифшувати по якимось спшьним ознакам (рис. 1).
Наприклад, по тривалосл охоплюваного перюду розрiзняють систематичш i разово Першi проводять кожного дня впродовж усього перюду руху пращвники служби експлуатацп, а другими називають короткочасш обстеження.
За шириною охоплення бувають суцiльнi та вибiрковi дослщження. Суцiльнi проводяться по всiм маршрутам одночасно. За допомогою цього методу виршуються так важливi проблеми, як ефективнють роботи та графМв, тдлаштування транспорту пiд пасажирськ1 потреби, координащя
роботи. Це дуже корисно, але е затратним за шльшстю робггаишв. Виб1рков1 ж дослщження покривають тшьки обрану частину мереж1, де вир1шуються простш1 й не так глобальш питання.
За способами проведения методи вивчення пасажиропотоку под1ляють на чотири вар1анти. Перший - анкетний, який дозволяе отримати достов1рш даш щодо транспортно! мобшьносп мешканщв, але вш е й дуже трудомютким у плаш роботи з людьми, обробкою отриманих даних, а також залежний в1д бажання людей ствпрацювати. Другий метод - звггао-статистичний. Вш грунтуеться на продаш пасажирам у салош транспортного засобу квитки, статистику перевезених людей 1з тльгами, на облжов1 звгга. Це гарний спос1б щоб визначити обсяги перевезених пасажир1в для кожного транспортного напряму, але вш не дае можливосп оцшити максимальну завантажешсть. Наступний метод - натурний -передбачае певну взаемодш 1з пасажирами та отримання в1д них безпосередньо! шформаци. Останшми е автоматизоваш методи, що працюють без людського фактору та взаемодп з пасажирами та видають оброблену шформащю щодо пасажиропотоку. Вони у значнш м1р1 можуть скоротити зад1яну шльшсть людей, що приймають участь у дослщженнях, хоча й можуть дорого коштувати.
Рис. 1. Методи оцшки пасажиропотоку
Аналiз останнiх дослвджень i публiкацiй
На сьогоднiшнiй день юнуе багато робот присвячених оцшки пасажиропотоку. Так у робот ,^acc6i [3] запропонована трифазна система нечиких висновк1в (FIS), де було запропоновано зiставити соцiальнi та демографiчнi змшт до загально1' кiлькостi по1'здок. Перша FIS призначена для зiставлення змшних пересувань з к1льк1стю сформованих по1'здок. Друга система нацiлена на зютавлення кiлькостi змiнних зацiкавленостi з шльшстю залучених в результатi по1'здок. Третя FIS призначена для поеднання результапв першо1 i друго1 системи.
Ця робота показуе, що ключовою умовою для устшного прогнозування майбутнього е правильний аналiз уже iснуючого. Потрiбнi деякi функцiï, як1 допоможуть виявити iснуючi схеми подорожей мiж регюнами, дослiдити 1'х та удосконалити. Основним завданням було максимально точно описати людський вибiр, який бiльше ввдповщае нечiткiй логiцi порiвняно з чикою математикою. Нечiтка логiка може стати лопчним способом для вiдображення таких областей.
Ще одним прикладом вивчення пасажиропотоку можна привести роботу Компша та Селiка [4]. Вони займалися моделюванням розподiлу пасажиропотоку за допомогою нечиких правил та генетичних систем. У поеднаннi цi два способи дають кращi та адекватш данi, шж поодинцi. Це дослщження продемонструвало 1'х використання на прикладi складних мiських регiонiв iз бажаним рiвнем точностi та iнтерпретацiï. Вони вiдрiзняються вiд аналогiчних попереднiх робп в дек1лькох аспектах: вперше була запропонована i застосована генетична нечика система для моделювання пасажирських потошв; розроблено оригiнальнi рiшення проблеми навчання нечiткоï бази; було встановлено широке порiвняння продуктивностi серед нечiткоï, генетичноï нечiткоï моделi розподiлу по1'здок.
У працях А. Бiлоуса та I. Демчук [5] моделi оцiнки пасажиропотоку, як базуються на нечiткiй лопщ iз застосуванням генетичних алгоритмiв вважаються досить надiйними та достовiрними. Генетичш алгоритми ввдкидають гiршi варiанти та залишають найкращi, методом ввдбору та еволюцп. Вони мiнiмiзують втручання в налаштування параметрiв. 1з переваг можна виокремити надання високояк1сних результатiв аналiзу, але недолiком е суб'ективнiсть вибору функцш приналежностей.
1нший дослiдник, Дд 1нь, виводив формулу оцiнки задоволення транспортними кореспонденцiями за допомогою нечико1" лопки [6]. Вш вимiрюе задоволешсть пасажирiв автобусом на рДвнД обслуговування та надае пропозици щодо покращення послуг громадського транспорту за результатами дослщження. КрДм цього вш не вщкидае думки, що його методи не враховують таш аспекти, як регюнальш еколопчш питання. У робот не було враховано вплив погоди, пори року та
тськох культури щд час проведения оцшочних дослiджень. У той же час, через рiзну погоду та пори року, стан людей досить рiзний [7], що також може вплинути на задоволення ввд 1зди. Також не враховуеться проблема ск1льки автобусiв пасажири можуть вибрати до одного й того ж мюця. Задоволення вiд !зди впливатиме на прийняте рiшення пасаж^в щодо вибору лшп. Це також напрямок майбутнiх дослвджень.
Щодо критерив привабливостi маршруту, то у пращ Гриророво! Т. [8] було дослвджено значущiсть факторiв, як1 впливають на вибiр пасажирiв. 1х порiвняння проводилося натурним методом за допомогою анкет, тсля чого був складений рейтинг таких факторiв, як час руху, вартiсть пройду, час очiкування, шльшсть пересадок та iн.
Аналогiчнi дослвдження проводив i Ковалишин В. [9]. Серед багатьох критерпв вiн у першу чергу видiлив час очшування пасажира на зупинцi, як найважливший критерiй. Друге мiсце посiв показник часу пойдки. А ось на третш позици - наповненiсть транспорту.
Давщч Н. також спирався у сво!й працi [10] на час руху тд час по!здки. Автор описав його нелшйним регресiйним рiвнянням, де змiнними виступали швидкiсть маршрутного потоку, коефвдент заповненостi транспорту, довжина перегону та потужнiсть двигуна. У результата вiн отримав показник якосп перевезення пасажирiв.
Формулювання мети дослщження
Мета дано! роботи - дослвдити роботу мiського маршрутного транспорту, проаналiзувати критерп, що впливають на ощнку пасажиропотоку та побудувати нечiтку модель оцшки пасажиропотоку.
Викладення основного матер1алу досл1дження
Оцiнка пасажиропотоку складаеться iз багатьох факторiв, переплетених один з одним. Проаналiзувавши рiзнi методи виршення ще1 проблеми та переглянувши аналопчш завдання, було прийнято рiшення взяти за основу нечггку логiку.
Цей метод застосовуеться коли нам потрiбно не просто сказати однозначно так чи т, ютина чи брехня, а показати сам стутнь ютинносп. Тобто твердження можуть бути частково правдивi та частково помилковi. Це допомагае вирiшити багато життевих задач, адже наша реальнiсть складна i характеризуеться неоднозначнiстю, неточнiстю та не лшшшстю.
Щоб оцiнити пасажиропотiк за допомогою нечико! логiки треба видшити параметри, зазначити дiапазон значень, яш можуть набувати параметри та вибрати функцп приналежиостi.
Щодо функцп приналежносп, то !х iснуе багато. Але для дано! проблематики було виокремлено сигмо!ду та дзвш [11]. Вони нелшшш та не мають рiзких пiкiв, що означае для них пщйде бiльше значень.
Нечiтка модель оцшки пасажиропотоку
Зпдно предметно1 галузи було обрано основнi критерп, що впливають на пасажиропотж. Нечiтка модель розрахунку ступеня впевненостi у привабливосп пасажиропотоку представлена в наступному виглядi [12]:
L =< {V}4=l;{R}k8=0l;{W}1l=l >, (1)
де {V} - множина вх1дних лiнгвiстичних змiнних;
{Я} - множина продукцiйних правил;
{W} - множина вихiдних лiнгвiстичних змшних.
Множина вхiдних змiнних (V}4! = , Р2 ,Р3, Р4 } складаеться з лiнгвiстичних змiнних:
- Р! визначаеться кортежем( P1, де Р1 = «штервал м1ж транспортними засобами», Т(Р) = (18,1М, 1Ь}, X = [0;1]. Вш описуе як часто транспортш засоби виходять на маршрути та насшльки великий промiжок мiж рухомою одиницею.Найменування та параметри термiв представлеш в табл. 1;
- Р2 визначаеться кортежем ^Р2, Т(Р2 ),Х) , де Р2 = «техшчний стан транспортного засобу», Т(Р2) = (СВ, СМ, СО, СЕ} , X = [0;100]. Параметр буде вимiрюватися у вiдсотках, а його дiапазон сягатиме ввд 0 до 100%. Де значення, як1 ближче до 0 будуть вказувати на прший стан, нiж тi, що ближче до 100.Такий терм як «дуже поганий» не вводився, так як при наспльки незадовiльному сташ траиспортного засобу його взагалi не повинш випускати на маршрут. Найменування та параметри термiв представленi в табл. 2;
- Рз визначаеться кортежем (pз,
Т(Рз),Х,
де Р3 = «довжина маршруту», Т(Р3) = (МБ, ММ, ML}, X = [0;50]. Довжина маршруту вимiрюватиметься у кiлькостi зупинок на маршрут. Н дiапазон сягатиме ввд 0 до 50. Чим коротша вщстань для пасажира вiд початково1 зупинки, де
вш ав у транспортний зааб, до кшцево! - тим менше часу вш витратить на дорогу та тим привабливше для нього буде маршрут. Найменування та параметри терм1в представлен в табл. 3;
- Р4 визначаеться кортежем (Р4, Т(Р4И , де р4 = «час доби», Т(Р4) = (ТТ1, ТМ, ТБ, ТЕ, ТМ}, X = [4;23]. Транспортш засоби виходять на маршрути та сходять з них у р1зний час, але можна видвдити такий д1апазон, як з 4 години ранку до 11 години ноч1, коли вони активш. Найменування та параметри терм1в представлен в табл. 4.
Таблиця 1
1нтервал \пж транспортними засобами_
Позначення терму Назва терму Тип функцп приналежносп Параметри Вихвдний универсум
a Ь c
В маленький сигмо!да -20 - 0,25 [0; 0,3]
Ш середнш узагальнений дзвш 0,15 2 0,5 [0,3; 0,7]
IL великий сигмо!да 20 - 0,75 [0,7; 1]
Таблиця 2 Техшчний стан транспортного засобу
Позначення терму Назва терму Тип функцп приналежносп Параметри Вихвдний универсум
a Ь c
CB поганий сигмо!да -0,25 - 15,5 [0; 25]
CM середнш узагальнений дзвш 7 1,5 36 [25; 50]
CG гарний узагальнений дзвш 7 1,5 65 [50; 75]
CE ввдмшний сигмо!да 0,25 - 85 [75; 100]
Таблиця 3 Довжина маршруту
Позначення терму Назва терму Тип функцп приналежносп Параметри Вихвдний универсум
a Ь c
MS короткий сигмо!да -0,5 - 13 [0; 16]
MM середнш узагальнений дзвш 7 2 25,5 [16; 36]
ML довгий сигмо!да 0,5 - 38 [36; 50]
При формуванш бази правил (Я}1=0 = (Я],я 2 Я180 } кожне правило представлено у вигЛЯд1 нечико! продукцп [12].
Нечика база знань з шформашею про залежшсть «вхвд - вихвд» мютить лшгвютичш правила, приклади яких представлен нижче:
1. ЯКЩО Р = «великий» ТА Р2 = «поганий» ТА Р3 = «довгий» ТА р4 = «раннш ранок» ТО
= «мала».
2. ЯКЩО Р = «середнш» ТА Р2 = «середнш» ТА Р3 = «середнш» ТА Р4 = «тч» ТО = «середня».
3. ЯКЩО Р1 = «маленький» ТА Р2 = «ввдмшний» ТА Р3 = «короткий» ТА р4 = «день» ТО = «велика».
Таблиця 4
Час доби_
Позначення Назва терму Тип функцil Параметри Вихщний
терму приналежноси a b c универсум
TF раннш ранок сигмо!да -3 - 5,5 [4; 6]
TM ранок узагальнений дзвiн 1,3 2.5 8 [6; 10]
TD день узагальнений дзвш 2 3 13 [10; 16]
TE вечiр узагальнений дзвiн 1,3 2,5 18 [16; 20]
TN шч сигмо!да 3 - 20,5 [20; 23]
Правила задаються експертами на основ1 суб'ективних переваг i не носять випадкового характеру.
На привабливють маршруту впливають yci вхвдш параметри :iнтервал м1ж транспортними засобами, техшчний стан транспортного засобу, довжина маршруту, час доби.В залежносп вiд них буде формуватися вих1дна змiнна, за допомогою яко! i можна ощнити пасажиропотiк. Чим ближче значения до одинищ, тим бiльше впевненостi, що пасажир вибере даний маршрут тому що вш е найбiльш привабливим.
Лшгвюгична змiнна визначаеться кортежем Т(юх ),X^ , де = «ступiнь впевненостi у привабливостi маршруту», (ю1) = {PS, PM, PL}, X = [0;1].
Найменування та параметри термiв представлеш в табл. 5.
Таблиця 5
Стушнь впевненосп у привабливостi маршруту_
Позначення Назва терму Тип функцп Параметри Вихщний
терму приналежносл a b c универсум
PS мала сигмо!да -20 - 0,25 [0; 0.3]
PM середня узагальнений дзвш 0,15 2 0,5 [0,3; 0,7]
PL велика сигмо!да 20 - 0,75 [0,7; 1]
Для перевiрки адекватностi розроблено! моделi, було проведено моделювання за допомогою шструменту Matlab Fuzzy Logic Toolbox. Ця програма слугуе для загального аналiзу адекватностi нечетко! моделi та дае можливiсть оцiнити вплив змши значень вх1дних нечiтких змшних на значення вих1дних [13].
Шсля визначення змiнних та термiв для кожно! з них можна переходити до створення само! моделi (рис. 2).
Рис. 2. Модель нечггкого висновку
Лшгв1стична змшна «1нтервал» (рис. 3) характеризуеться трьома термами: «маленький», «середнш», «великий».
Лшгв1стична змшна «Техшчний стан» (рис. 4) характеризуеться чотирма термами: «поганий», «середнш», «гарний», «вщмшний».
Рис. 3. Вх1дна змшна «Интервал»
Рис. 4. Вхмиа змiнна «Технiчний стан»
Лшгв1стична змшна «Довжина маршруту» (рис. 5) характеризуеться трьома термами: «короткий», «середнш», «довгий».
Лшгв1стична змшна «Час доби» (рис. 6) характеризуеться п'ятьма термами: «раннш ранок», «ранок», «день», «веч1р», «шч».
Рис. 5. Вхмиа змшна «Довжина маршруту»
Рис. 6. Вхщна змшна «Час доби»
Остання змшна е вихвдною - «Привабливють маршруту» (рис. 7). Вона описуеться трьома термами: «мала», «середня», «велика».
Рис. 7. Вихмна змiнна «Привабливкть маршруту»
Шсля моделювання задаються правила нечетко! системи. Загальна шльшсть правил сягае 180 штук. На рис. 8 можна побачити !х приклад.
В1зуал1зац1я нечеткого лопчного висновку (рис. 9) дозволяе про1люструвати висновок по кожному правилу окремо, отримання нечетко! множини 1 виконання процедури дефазиф1кацп.
При дослвдженш нечетко! модел1 використовуеться режим перегляду правил. Отримати значення необхщно! вихщно! змшно! можна, задавши конкретне значення вхщних змшних.Приклад в1зуал1заци поверхш зображено на рис. 10.
171. If Интервал ¡5 великий) and (Техн1чнийСтан Is поганий) and (ДовжинаМаршругу в давши) and (ЧасДоби ¡5Hi4)then (Прива6лив1стьМаршруту ¡5 мала) (1)
172. If Интервал is маленький) and [ТехшчнийСтан ¡5 середнш) and ЩовжинаМаршругу 1з довгий) and [ЧасДоби is Hi4> then (Приваблив1сгьМаршругу is середня)[1)
173. If Интервал is середши) and ГТехшчнийСтан Is середшй) and (ДовжинаМаршругу Is довгий) and (ЧасДоби ¡&Hl4)then (Г p и в а бп и в i er ь M afHiiруг/is передня) (1)
174. If Интервал is великий) and [ГемшчииСган is середн1й) and (ДовжинаМаршруту is довгий) and (ЧасДоби is Hi4) then (Л ривабпнв ютьМ аршругу is мала) (1) 17Б. If Интервал ¡5 маленький) and [ТехшчнийСтан ¡5 гарний) and (ДовжинаМаршруту is до в ли й) and (ЧасДоби is н ¡ч) then (Приваблив1сльМ аршругу is середня)(1)
176. If Интервал is середшй) and [ТехшчнийСтан is гарний) and (ДовжинаМаршруту is довгий) and (ЧасДоби is ни) then (Приваблив1сгьМ аршруту is середня) [1)
177. If Интервал ¡5 великий) and (ТехшчнийСтан Is гарний) and (ДовжинаМаршруту Is довгий) and (ЧасДоби ви1ч)йвп (ПривабливктьМаршругу в середня) [1)
175. If Интервал Is маленький) and (ТехшчнийСтан Is вдмший) and ДовжинаМаршруту is довгий) and (ЧасДоби ¡SHl4)then (Приваблив1сгьМ аршругу Is середня)(1)
176. If Интервал Is середши) and (ТехшчнийСтан is в(дм1нний) and (ДовжинаМаршруту Is довгий) and (ЧасДоби 5. н !ч> then (Приваблив1стьМ аршругу is середня)(1) 1В0. If Интервал Is великий) and (ТехшчнийСтан Is вцышний) and (ДовжинаМаршруту is довгий) and (ЧасДоби Is Hin) then (Приваблив1стьМаршругу Is середня) (1)
Рис. 9. Интерфейс перегляду правил Рис.10. Вiзуалiзацiя поверхм
системи мечiткого виводу
Шсля введення усiх можливих правил було проаналiзовано !х, виявилося, що терм «мала» для вихвдно! змшно! ступiнь впевненостi у привабливостi маршруту по ввдношенню до змшно! привабливосп маршруту зустрiчаегься 21 раз, терм «середня» зус^чаеться 120 раз, терм «велика» 39 разiв.
Слiд вщзначити, що найбiльш ефективним способом при якому використовуеться нечiтка логiка, це - модел^ що включають в себе велику к1льк1сть змiнних. У цьому випадку завдання змiнних та функцш приналежностi !х термiв у графiчному режимi, за допомогою Matlab Fuzzy Logic Toolbox, а також вiзуалiзацiя правил дозволяють iстотно зменшити трудомiсткiсть перевiрки нечетко! моделi, знизити шльшсть можливих помилок та скоротити загальний час нечiткого моделювання.
Висновки
У ходi дослiдження була змодельована система оцшки пасажиропоток1в. I! модель базуеться на нечеткш логiкi, яка б№ш точно може описати вибрану предметну область. Для моделювання буловикористано шструмент Matlab Fuzzy Logic Toolbox. У якосет основних критерпв оцiнки привабливосет маршруту були вибранi наступнi: штервал мiж транспортними засобами, технiчний стан, довжина маршруту та час доби.
Це дослщження робилось з метою побудови нечетко! моделi, для подальшо! реалiзацi! !! у виглядi системи для диспетчерiв. Система, що розробляеться спрямована на полегшення роботи диспетчерау оцшки пасажиропотоку, завдяки виявленню годин шк та завантаженостi маршрутiв. На основi оцiнки пасажиропотоку диспетчер може змшити навантаження, та будувати динамiчний розклад у рiзнi години доби. Усе це разом допоможе полшшити пересування пасажирiв у мiському транспорт^ зменшити негативнi враження, пiсля його використання та покращити iнфраструктурумiста.
Список використанот лiтератури
1. Палант О.Ю. Огляд меroдiв обстеження пасажиропоток1в / О.Ю. Палант // Б1знес 1нформ. -2014. - №11. -С. 142-148.
2. Вдовиченко В.О Дослщження перерозподшу пасажиропотошв на мюьких маршрутах пасажирського транспорту м1ста Кривого Рогу / Вдовиченко В.О., Великодний Д.О., Шкиченко В.М. // Сучасш технологи та перспективи розвитку автомобшьного трансопорту: III м1жнародна науково-практична 1нтернет-конференц1я (14-16 кветня 2015). - Вшниця: ВНТУ, 2015 - С. 50-53.
3. Jassbi J. Soft system modeling in transportation planning: Modeling trip flows based on the fuzzy inference system approach / J. Jassbi, P. Makvandi, M. Ataei, Pedro A. C. Sousa // African Journal of Business Management - 2011. - Vol. 5(2). - P. 505-514.
4. Kompil M., Celik H. Modelling trip distribution with fuzzy and genetic fuzzy systems. Transportation Planning and Technology - 2013. - Vol. 36 (2). - P. 170-200. doi: 10.1080/03081060.2013.770946.
5. Бшоус А. Б. Аналiз методiв та моделей розрахунку обсягу пасажирських кореспонденцiй / А. Б. Бшоус, I. А. Демчук // Схвдно-£вропейський журнал передових технологш. - 2014. - 3/3(69). - С. 55-57. doi: 10.15587/1729-4061.2014.24545.
6. Di Yin Research on Fuzzy Comprehensive Evaluation of Passenger Satisfactionin Urban Public Transport // Modern Economy - 2018. doi: 10.4236/me.2018.93034.
7. Huang, H.B. The Research on Changsha City Bus Passenger Satisfaction Evaluationby AHP-Fuzzy Comprehensive Evaluation. // Central South University of Forestry and Technology - 2014.
8. Григорова Т.М. Визначення факторiв, яш впливають на вибiр пасажирами виду примiського транспорту / Т.М. Григорова, Ю.О. Давiдiч, В.К. Доля // Вюник НТУ «ХП1». - Харкiв, 2015. -№21 (1130). - С.29-37.
9. Ковалишин В.В. Про «комфортний» час очжування громадського транспорту у Львовi: [Електронний ресурс]. - 2013. - Режим доступу: http://volodymyrkovalyshyn.blogspot.com/2013/06/blog-post.html.
10. Давщч Н.В. Оцшка якостi в проектах мюького пасажирського транспорту / Давiдiч Н.В. // Сучасш технологii в машинобудуванш та транспортi. - Луцьк, 2016. - №1 (5). - С.63-66.
11. Mamdani, E. An experiment in linguistic synthesis with a fuzzy logic controller / Mamdani, E., Assilian, S. // International Journal of Man-Machine Studies. - 1975. - Vol.7. - P.1-13. doi: 10.1016/B978-1-4832-1450-4.50032-8/.
12. Mamdani, E. Applications of fuzzy logic to approximate reasoning using linguistic synthesis // IEEE Transactionson Computers. - 1977. - Vol.26, №12. - P.1182-1191. doi: 10.1109/TC.1977.1674779.
13. Леоненков О. В. Нечггке моделювання у середовищi MATLAB и fuzzyTECH / О. В. Леоненков. -Санкт-Петербург: Мастер решений, 2003. - 736 с.
References
1. Palant O. Yu. Review of Methods for Inspection of Passenger Flows / O. Yu. Palant // Business Inform. -2014. -№11. - С. 142-148.
2. Vdovichenko V. A. Investigation of the redistribution of passenger traffic on urban routes of passenger transport in the city of Kryvyi Rih / Vdovichenko V. A., Velikodny D. O., Nikitchenko V. M. // Suchasni tekhnolohii ta perspektyvy rozvytku avtomobilnoho transoportu: III mizhnarodna naukovo-praktychna internet-konferentsiia (14-16 kvitnia 2015) [Modern technologies and prospects for the development of road transport: III International Scientific and Practical Internet Conference (April 1416, 2015)]. - Vinnitsa: VNTU, 2015 - P. 50-53.
3. Jassbi J. Soft system modeling in transportation planning: Modeling trip flows based on the fuzzy inference system approach / J. Jassbi, P. Makvandi, M. Ataei, Pedro A. C. Sousa // African Journal of Business Management - 2011. - Vol. 5(2). - P. 505-514.
4. Kompil M., Celik H. Modelling trip distribution with fuzzy and genetic fuzzy systems. Transportation Planning and Technology - 2013. - Vol. 36 (2). - P. 170-200. doi: 10.1080/03081060.2013.770946.
5. Bilous A. B. Analysis methods and models of calculation of passenger correspondence / A. B. Bilous, I. A. Demchuk // Eastern European Journal of Advanced Technologies. - 2014 - 3/3 (69). - P. 55-57. doi: 10.15587/1729-4061.2014.24545.
6. Di Yin Research on Fuzzy Comprehensive Evaluation of Passenger Satisfactionin Urban Public Transport // Modern Economy - 2018. doi: 10.4236/me.2018.93034.
7. Huang, H.B. The Research on Changsha City Bus Passenger Satisfaction Evaluationby AHP-Fuzzy Comprehensive Evaluation. // Central South University of Forestry and Technology - 2014.
8. Grigorova T. M. Determination of factors influencing the choice of passengers by type of suburban transport / Т. М. Grigorova, Yu. O. Davidich, V. K. Dolya // Bulletin of NTU "KPI". - Kharkiv, 2015. -№21 (1130). - P.29-37.
9. Kovalyshyn V. V. About the "comfortable" time of waiting for public transport in Lviv: [Electronic resource]. - 2013. - Available at: http://volodymyrkovalyshyn.blogspot.com/2013/06/blog-post.html.
10. Davidich N. V. Quality assessment in urban passenger transport projects / N. V. Davidich // Modern technologies in engineering and transport. - Lutsk, 2016. - №1 (5). - P.63-66.
11. Mamdani, E. An experiment in linguistic synthesis with a fuzzy logic controller / Mamdani, E., Assilian, S. // International Journal of Man-Machine Studies. - 1975. - Vol.7. - P.1-13. doi: 10.1016/B978-1-4832-1450-4.50032-8/.
12. Mamdani, E. Applications of fuzzy logic to approximate reasoning using linguistic synthesis // IEEE Transactionson Computers. - 1977. - Vol.26, №12. - P.1182-1191. doi: 10.1109/TC.1977.1674779.
13. Leonenko A. V. Fuzzy modeling in MATLAB and fuzzyTECH / A. V Leonenkov. - St. Petersburg: Master of Decisions, 2003. - 736 p.
