автореферат диссертации по транспорту, 05.22.01, диссертация на тему:Формирование методики оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования

На правах рукописи 00461411-3 ^уЛ^^

Воробьев Андрей Игоревич

Формирование методики оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования

05.22.01 - Транспортные и транспортно-технологические системы страны, её регионов и городов, организация производства на транспорте

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 5 НОЯ 2010

Москва - 2010

004614113

Работа выполнена на кафедре «Транспортная телематика» Московского автомобильно-дорожного государственного технического университета.

Научный руководитель

кандидат технических наук, профессор Жанказиев Султан Владимирович

Официальные оппоненты

доктор технических наук, профессор Постолит Анатолий Владимирович ОАО «Навигационно-информационные системы»

кандидат технических наук Ожерельев Максим Юрьевич ЗАО «НПП Транснавигация»

Ведущая организация

ОАО «Научно-исследовательский институт автомобильного транспорта»

Защита состоится 9 декабря 2010 года в 10 часов на заседании диссертационного совета ДМ 212.126.06 ВАК РФ при Московском автомобилыю-дорожном государственном техническом университете по адресу: 125319, г. Москва, Ленинградский проспект, д. 64, аудитория 42.

С диссертацией можно ознакомиться в библиотеке Московского автомобильно-дорожного государственного технического университета.

Автореферат разослан «__

2010 года.

Отзывы на автореферат в двух экземплярах с подписью, заверенной печатью организации, просим направлять в адрес диссертационного совета. Телефон для справок (499) 155-93-24

Ученый секретарь диссертационного , ■■у^^'''^- ''' Ефименко Д.Б. Совета ДМ 212.126.06

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследований. В настоящее время, основываясь на анализе мировой практики, можно сделать вывод, что применение интеллектуальных транспортных систем (ИТС), как систем, обеспечивающих адаптивное и прогнозное управление безопасностью и организацией дорожного движения в транспортно-дорожной системе регионов, приведет в данных регионах к улучшению качества транспортных услуг. Транспортный комплекс тесно связан с социальной сферой и экономикой, поэтому качество и безопасность транспортных услуг во многом определяют как эффективность работы, так и эффективность развития производства, бизнеса и социума.

Сегодня ИТС строится как многоуровневая структура, в основе которой всегда стоит одна из трех базовых подсистем: директивного управления дорожным движением (АСУДД), косвенного управления транспортными потоками (КУТП) и управления маршрутным транспортом.

Система КУТП и включенная в нее динамическая система маршрутного ориентирования, за счет недирективных методов воздействия на транспортный поток обеспечивает сокращение времени в пути, наиболее рационально распределяет нагрузку улично-дорожной сети города или пучка дорог, гармонизирует параметры транспортного потока, т.е. повышает динамическую пропускную способность участка.

В основе технического комплекса КУТП в комплексе задач управления информацией для транспортного потока лежит использование динамических информационных табло (ДИТ). Из этого можно сделать вывод, что для эффективного функционирования подсистем косвенного управления транспортными потоками необходимо формирование оптимальной технической и функциональной структуры ДИТ и логики их расстановки.

При этом в настоящее время в РФ отсутствуют какие-либо стандарты, руководящие документы, либо методики, регламентирующие требования к ДИТ как базовому исполнительному элементу системы КУТП.

Следовательно, разработка методики оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования является актуальной задачей.

Объектом исследования является транспортная система городов и автомагистралей, в частности дорожная инфраструктура косвенного управления транспортными потоками как составная часть интеллектуальной

транспортной системы (работа проведена и апробирована на участках улично-дорожной сети г. Москвы).

Предметом исследования являются параметры транспортных потоков, их взаимовлияние на выбор мест установки динамических информационных табло системы косвенного управления транспортными потоками.

Целью исследования является снижения среднего времени в пути участников дорожного движения и увеличения динамической пропускной способности сети за счет применения разработанной методики оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования, обеспечивающей повышение эффективности функционирования улично-дорожной сети.

Направление исследования: исследование транспортных потоков методами аппаратно-технического измерения и имитационного моделирования.

Основные задачи исследования:

1. Детерминация основной элементной базы систем КУТП за счет анализа зарубежного опыта внедрения систем КУТП.

2. Разработка индикаторов эффективности задачи определения оптимальных мест установки ДИТ.

3. Разработка математической модели определения минимального расстояния от транспортного узла до места установки ДИТ.

4. Проведение на имитационной модели экспериментальных исследований эффективности внедрения систем КУТП.

5. Разработка методики оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования.

Научная новизна заключается:

1. В разработанной математической модели определения минимального расстояния от транспортного узла до места установки ДИТ, учитывающей время перестроения как функцию плотности транспортног о потока.

2. В разработанной нейронной модели, определяющей возможность установки ДИТ по условию наличия возможности отвлечения внимания водителей от дорожной обстановки.

3. В разработанном алгоритме определения мест оптимальной установки ДИТ.

Достоверность результатов проведенных в работе исследований подтверждается использованием общепризнанной системы имитационного моделирования параметров транспортного потока AIMSUN, а также высокой сопоставимостью теоретических и экспериментальных результатов.

На защиту выносятся:

1. Математическая модель определения минимального расстояния от транспортного узла до места установки ДИТ, учитывающая время перестроения как функцию плотности транспортного потока.

2. Нейронная модель, определяющая возможность установки ДИТ по условию наличия возможности отвлечения внимания водителей от дорожной обстановки.

3. Алгоритм определения мест оптимальной установки ДИТ.

Практическая ценность заключается в разработке методики

определения мест оптимальной установки ДИТ системы КУТП.

Внедрение и реализация результатов работы.

Основные результаты исследований приняты к использованию в ЗАО «НПП Транснавигация» (г. Москва).

Полученные теоретические результаты приняты к использованию в учебном процессе МАДИ кафедрой «Транспортная телематика» по дисциплинам специальностей направления 190600 «Эксплуатация наземного транспорта и транспортного оборудования».

Апробация работы. Результаты исследований доложены, обсуждены и одобрены на научно-методических и научно-исследовательских конференциях МАДИ, г.Москва 2007, 2008, 2009 гг., а также на Международном семинаре молодых ученых (YRS-09), Г.Турин 2009 г.

Публикации. По теме диссертации опубликовано 7 печатных работ, общим объемом 4.8 п.л., в том числе 1 статья, включенная в Перечень ведущих рецензируемых научных изданий ВАК РФ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, выводов, библиографического списка из 128 наименований. Объем работы: 193 стр. печатного текста, 129 рисунков, 9 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении раскрывается актуальность работы, излагаются цели исследования, научная новизна и практическая ценность работы.

В первой главе осуществлен системный анализ зарубежного опыта построения систем косвенного управления транспортными потоками

(КУТП) или динамических (интеллектуальных) систем маршрутного ориентирования участников дорожного движения (СМО) и его классификация. В результате анализа выявлено, что задача КУТП заключается в системе побудительных приемов для выбора наиболее эффективного направления в условиях возможности принятия альтернативных решений по направлению движений, причем динамическое информационное табло является основным средством управления транспортными потоками в системах КУТП.

Далее рассмотрено поле научных исследований в области КУТП, которое было разбито на 4 взаимосвязанных между собой области:

1. Задача определения области эффективного распространения КУТП.

2. Задача определения мест оптимальной установки ДИТ в системе КУТП.

3. Технология работы системы КУТП.

4. Задача проектирования кластерной структуры отображаемой на ДИТ информации в системе КУТП.

Анализ предметной области КУТП выявил, что задача оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования может быть сведена к задаче определения мест оптимальной установки ДИТ, которая состоит из 3 подзадач:

• определения узлов установки ДИТ;

• определения минимального расстояния от транспортного узла до

ДИТ;

• определения участков (секторов) наиболее эффективной установки

дат.

Далее произведен анализ смежных задаче КУТП областей научного знания, таких как:

1. Управление транспортными потоками.

2. Интеллектуальные транспортные системы (ИТС) и транспортно-телематические системы в организации дорожного движения.

3. Организация дорожного движения с учетом психофизиологии водителей.

4. Задача нахождения кратчайшего маршрута в сети.

На основе анализа сделан вывод о том, что существующий уровень проработки научной составляющей задачи КУТП недостаточен и в данной

области требуются базовые исследования. В соответствии с этим сделан вывод о целесообразности диссертационного исследования в данной области.

В итоге 1 главы разработана структура диссертационного исследования (рисунок 1).

Задача определения мест оптимальной установки ДИТ

2

Анализ предметной области

4 7-

Определение минимального расстояния от транспортного узла до места установки ДИТ

Определение секторов наиболее эффективной установки

Г'

Разработка математической модели определения

минимального расстояния до места установки ДИТ

Проведение эксперимента по определению времени перестроения в потоке

! Определение зависимости времени перестроения как | функции плотности ТП

( }

| Анализ возможности применения нейронных| сетей в задаче ] ; определения секторов | установки

I___________)

Определение узлов установки ДИТ

| Разработка требований| I к имитационному | ! моделированию ТП !

( Разработка этапов | создания '^имитационной модели

I Разработка устройства 1

определения фокуса взгляда водителя

J

( Проведение ] ] экспериментов с I использованием I устройства ; определения фокуса

I взгляда водителя_)

^ модели для этап;

'Этап 2: эксперимент на4! реально м участке УДС 1 с несколькими ДИТ при фиксированном входящем потока_

I Разработка устройства | определения фокуса взгляда водителя ]

Создание нейронной экспертной сети для определений участков наиболее эффективной установки ДИТ

Разработка алгоритма нахождения узлов установки ДИТ

Разработка методики определения мест оптимальной установки ДИТ

у

ГЭтап 1: эксперимент на4! | условном участке с 1 | | ДИТ при различном I _входящем потоке_}

вой | а^

J

Рисунок 1- Структура диссертационного исследования

Во второй главе обосновано, что предметная область КУТП состоит из 4 взаимосвязанных между собой задач, следовательно, в общем виде целевая функция может быть выражена как:

•^кутп ~ F3 е FT • F;| • FK ^ ^

где: Ркутп - целевая функция задачи КУТП; F3 - целевая функция задачи определения области (зоны) эффективного распространения КУТП; Fr - целевая функция задачи определения технологии работы КУТП; Fn -целевая функция задачи определения мест оптимальной установки ДИТ; FK -целевая функция задачи проектирования кластерной структуры ДИТ.

Данная диссертационная работа ограничивается задачей определения оптимальных мест установки ДИТ, поэтому примем целевые функции других задач оптимальными и равными константам, которые не будут участвовать в нахождении оптимума:

рз = FT = FK = const (2)

Следовательно, приблизительно можно принять: ^кутп Л Гл (з)

Далее было выведено, что:

^=F<-Fy»F, (4)

где: Ft - целевая функция задачи определения узлов установки ДИТ; Fy - целевая функция задачи определения минимального расстояния от транспортного узла до ДИТ; Fc - целевая функция задачи определения участков (секторов) наиболее эффективной установки.

Первая подзадача заключается в повышении возможного эффекта от внедрения системы КУТП, а остальные 2 задачи заключаются в снижении отрицательных последствий неправильной установки. Для этого вводится понятие коэффициентов максимизации потока, обслуживаемого сетью, и минимизации среднего времени в пути через сеть:

KN -—,

N (5)

KT-KN»Ki; ^

где: KN - коэффициент максимизации потока; К£ - коэффициент минимизации среднего времени в пути через сеть; Кт - коэффициент эффективности задачи определения узлов установки ДИТ; N(: - поток, проходящий через сеть с установленной системой КУТП; NH - поток, проходящий через сеть при начальных условиях; tn„ и tm - среднее время в пути через сеть при начальных условиях и при установке системы КУТП соответственно.

На основе анализа поведения Кг доказано, что:

FT = f(KT) optim, при Кт —> max

Сделан вывод, что так как в определении Кт участвуют значения показателей будущего состояния системы (NK и tnK), то для определения этих значений целесообразно использовать имитагронное моделирование.

На основе системного анализа предметной области КУТП сделан вывод о том, что Fy оценивается среднеквадратичной ошибкой определения минимального расстояния установки ДИТ от транспортного узла: Fy = f(mse у) optim, при mse ч -» min

где: msey - среднеквадратичная ошибка определения минимального расстояния установки ДИТ от транспортного узла, рассчитанного по математической модели в сравнении с требуемым расстоянием, полученным в результате экспериментальных исследований, м.

Задача определения участков (секторов) наиболее эффективной установки заключается в классификации участков УДС по натичию возможности отвлечения внимания водителей от дорожной обстановки. Решение данной задачи будем искать с помощью экспертной системы классификации участков УДС по наличию возможности отвлечения внимания водителей от дорожной обстановки. Т.к. задача ставится с большой степенью неопределенности, то ее решение наиболее рационально искать с помощью искусственных нейронных сетей.

Качество работы экспертной системы будем оценивать по среднеквадратичной ошибке нейронной сети:

Fc = f(mse с) -» optim, при mse с -> min .

j ' J Ц/

где: тзес - среднеквадратичная ошибка классификации участков УДС по наличию возможности отвлечения внимания водителей от дорожной

обстановки, рассчитанной нейронной сетью, от классификации полученной с помощью экспертов-водителей.

Таким образом, нахождение оптимума целевой функции Fji сведено к: Рл =f(KT,msey,msec)->optim,

при Кт max, msev • msec -> min ^

В рамках Главы 2 на основе анализа персептивных и когнитивных особенностей восприятия водителем дорожной информации составлена схема, определяющая минимальное расстояние установки ДИТ (Рисунок 2), из которой было выведено, что:

L — L„„ L L

У п.р. м в Q2)

где: LB - расстояние видимости букв на ДИТ, м; L> - минимальное расстояние установки ДИТ от транспортного узла, м; Ln.p - расстояние, которое пройдет ТС за время от момента замечания ДИТ до момента принятия решения о совершении маневра, м; L-, - расстояние, необходимое для совершения маневра, м.

Далее проанализированы существующие математические модели определения минимального расстояния установки ДИТ от транспортного узла, и сделан вывод о недостаточной точности этих моделей.

Была выдвинута гипотеза о том, что расстояние, необходимое для совершения маневра, зависит от времени перестроения, которое является функцией плотности транспортного потока.

В соответствии с вышеизложенной гипотезой и на основании ряда логико-математических заключений Ц представлена в виде:

8

Lv = (0.075 • ncl «V. +0,7* V, H

/ Л 5 7 (13)

+ (0,28 • V, • tn (n -l)+ 0,02 • (V, - V, )) - (250 « h)

где: пСЛ - количество слогов, цифр и стрелок на ДИТ; V] - 85 %-ная скорость свободного движения транспортных средств на подходе к предполагаемому месту установки ДИТ, либо максимально разрешенная скорость на участке, км/ч; V2 - 85 %-ная скорость поворачивающих (съезжающих) транспортных средств, км/ч; t„ - время перестроения между соседними полосами движения, с; n - количество попутных полос движения; h - высота букв на ДИТ, м; 0,28 - коэффициент, учитывающий пересчет км/ч в м/с; 0,02 коэффициент замедление с комфортными условиями (при постоянном замедлении 1,9 м/с2); 0,075 - коэффициент учета скорости прочтения слога (при скорости 0.27 слог/с): 0,7 - коэффициент учета времени осмысления информации (при времени осмысления 2,5 с).

В данной зависимости Ln,p. - первое слагаемое в скобках ; LM - второе слагаемое в скобках: Le. - третье слагаемое в скобках. Отличие данной математической модели от других моделей заключается в том, что в формуле нахождения LM учитывается время перестроения, зависящее от плотности транспортного потока. Поэтому было принято решение, ограничить исследование точности модели определения Ly исследованием точности модели определения L... Точность предполагается оценивать по критерию среднеквадратической ошибки по сравнению с экспериментально полученной величиной LM.

Также в Главе 2 рассмотрена задача определения участков (секторов) наиболее эффективной установки ДИТ, решение которой в связи с высокой неопределенностью задачи искалось с использованием нейронной модели, построение которой предполагалось осуществить в 3 этапа:

• классификация водителей-экспертов;

• инструментальная оценка параметров внимания водителей-экспертов;

• построение нейронной сети.

Произведен системный анализ особенностей нейро-сетевых моделей: архитектуры, топологии, функций активации, алгоритмов обучения, методов борьбы с переобучением.

Далее рассмотрена задача определения узлов установки ДИТ, решение которой искалось посредством инструмента имитационного моделирования

макро-участка, на котором предполагается установка системы КУТП (Рисунок ).

Определение узлов установки ДИТ

Сбор исходных данных

Построение имитационной модели установки системы КУТП I

Проверка адекватности модели

N

Нахождение максимальной

эффективности

Этап 1: Нахождение эффективности одного

ДИТ

»

Этап 2; Нахождение эффективности

нескольких ДИТ

Рисунок 3 - Алгоритм определения узлов установки ДИТ

На завершающем этапе теоретического исследования автором проведен системный анализ принципов построения имитационной модели и этапов создания полнофункционачьной сети для имитационного моделирования с целью дальнейшего построения двух имитационных моделей участков улично-дорожной сети (УДС) для Этапа 1 и Этапа 2.

В третьей главе приведены методики и результаты ряда дорожных экспериментов, необходимых для выявления характера зависимости времени перестроения от плотности транспортного потока (ТП). На различных участках УДС Москвы было замерено:

• время перестроения на соседнюю полосу движения (1„) - интервал времени от включения указателя поворота до его выключения определялся по секундомеру, с;

• средняя скорость по длине (Vs) - скорость движения транспортного средства (ТС), определяемая по спидометру, близкая к средней скорости ТП на данной полосе, км/ч;

• интенсивность ТП (N) определяемая как количество ТС, прошедших через сечение дороги за 5 мин., приведенное к условным легковым автомобилям в час, авт./ч;

• средняя дистанция между ТС, определяемая с помощью лазерного дальномера (d), м.

А также была рассчитана плотность ТП (q), авт./км.

В рамках Главы 3 был проведен социологический опрос, для которого была сформирована группа тестируемых из 250 водителей. По результатам анкетирования все опрашиваемые водители были классифицированы на 4 класса по стилям вождения, в соответствии с их собственной детерминацией:

• агрессивные водители;

• спокойные с желанием превысить скорость выше 100 км/ч;

• спокойные с желанием частых перестроений;

• спокойные водители.

В результате системного анализа инструментальных методов определения направления взгляда водителей была составлена классификация типов систем, используемых для трекинга взгляда водителя.

Автором -в составе исследовательской группы был разработан аппаратно-программного комплекс тренинга глаз водителя и анализа фокуса его зрения. Разработка аппаратной части была произведена компанией National Instruments, а программная часть разработана кафедрой нелинейной оптики МГУ им. Ломоносова.

Далее был проведен ряд экспериментов с использованием разработанного комплекса.

В результате анализа водителей по стилям вождения отобраны 3 группы, достоверно характеризующие поток и обладающие резко отличающимися особенностями психофизиологии поведения: спокойные водители, псевдоспокойные (либо с желанием набора скорости более 100 км/ч, либо с частыми перестроениями) и агрессивные. От каждой группы был выбран один водитель с собственным транспортным средством, позволяющим разместить оборудование аппаратно-программного комплекса трекинга глаз водителя и анализа фокуса его зрения. Каждому респонденту предлагалось проехать по определенному маршруту без ориентации на

истинную цель эксперимента. Все это предполагало естественное поведение водителей в пути, что позволило повысить адекватность результатов.

Маршрут проектировался с условием, чтобы в его состав входили участки различной топологии и класса, пригодные для установки ДИТ системы КУТП. Обязательным было наличие на маршруте значительного количества участков незнакомых, либо малознакомых водителям, т.к., в целях максимизации информативности, расстановка ДИТ для конечной системы КУШ должна быть ориентирована на наиболее слабого пользователя.

Для анализа выходной информации эксперимента маршрут был разбит на 10-ти секундные участки, т.е. на участки маршрута, время прохождения которых с текущей скоростью движения составляло 10 секунд.

В результате сбора, фильтрации и обработки выходной информации эксперимента было выделено 246 10-ти секундных участков (видеофрагментов), по которым была сформирована следующая информация, характеризующая участок:

• Среднеарифметическая величина фиксации взгляда водителя, сек.;

• Стандартное отклонение фиксации взгляда водителя от среднеарифметического значения, сек.;

• Среднеарифметическая величина расстояний между соседними фиксациями взгляда водителя, пиксели;

• Стандартное отклонение расстояния между соседними фиксациями взгляда водителя от среднеарифметического значения, пиксели;

• Среднеарифметическая величина скорости ТС, км/ч;

• Стандартное отклонение скорости ТС от среднеарифметического значения, км/ч;

• Среднеарифметическая величина ускорения ТС, м/с2;

• Стандартное отклонение ускорения ТС от среднеарифметического значения, м/с2.

Далее приведенные выше параметры участка были преобразованы в качественный бальный вид. Также к ним были добавлены еще две бальные характеристики, определяемые непосредственно по видеоряду, записанному при проведении эксперимента:

• Качественная оценка плотности транспортного потока;

• Качественная оценка гармонизации скорости транспортного потока.

На этапе обработки эксперимента каждому водителю представлялась видеозапись проезда им участка с нанесенными фиксациями (рисунок 4), для экспертной оценки возможности отвлечения внимания от дорожной обстановки для прочтения информации на ДИТ. За минимальное время прочтения принимался интервал в 3 сек., разбитый на три по 1 сек.

Рисунок 4 - Пример видеозаписи эксперимента,

где: круг - фиксация взгляда водителя; линия - расстояние между соседними

фиксациями; диаметр круга -условная величина фиксации; цифра -порядковый номер фиксации

В итоге каждый участок (видеофрагмент) на пригодность в качестве места установки ДИТ характеризуют 3 экспертные оценки и их среднеарифметическое значение.

В рамках задачи определения узлов установки ДИТ были проведены два этапа исследований на имитационных моделях. Этап 1 заключался в эксперименте, поставленном на условной модели УДС, которая состояла из основной многополосной дороги и двух примыкающих объездных дорог. Эксперимент проводился с использованием одного ДИТ, одного узла его установки и нескольких значений входящего в сеть потока.

В рамках Этапа 1 экспериментально доказана гипотеза о том, что в общем виде транспортная система имеет 3 независимых оптимальных состояния:

• состояние минимального среднего времени в пути одного автомобиля - достигалось при ограничении входящего ТП минимальным

значением, при котором ТП в сети находился в состоянии полностью свободного движения;

• состояние минимального среднего времени в пути одного автомобиля при максимальной динамической пропускной способности сети;

• состояние максимальной динамической пропускной способности

сети.

Данная гипотеза обосновывает использование формулы (7) при нахождении эффективности определения узлов установки ДИТ.

Этап 2 заключался в эксперименте на реальном участке УДС с несколькими ДИТ и фиксированном входящем ТП. Цель эксперимента заключалась в определении максимально возможного гипотетического эффекта от внедрения системы КУТП в зависимости от количества ДИТ и узлов их установки.

В качестве реального участка УДС был выбран Ленинградский проспект г.Москвы, который состоит из основной дороги и дублера. В рамках работы проводилось видеообследование Ленинградского проспекта от метро «Белорусская» до Ленинградского шоссе. Целью видеообследования было получение достаточной информации для определения параметров, необходимых для построения адекватной имитационной модели участка.

В четвертой главе в рамках нахождения зависимости времени перестроения от плотности транспортного потока выполнена обработка результатов дорожных экспериментов, проведенных в Главе 3. Для каждого значения плотности ТП было определено среднее значение времени перестроения. Далее эти значения были разбиты на три области, каждая из которых подвергалась регрессионному анализу (рисунок 5). В итоге были нолучены следующие зависимости:

Чп = 0,006я + 2,9, при 0 < я < 70 < {п = 0,003я2 -0,375я +15,76, при70<я < 130 1п=-0,005Ч2+1,88Ч-139, приЧ>130 ^ (М)

точность аппроксимации которых относительно средних значений времени перестроения составляла:

Я = при0^<7 <11 = 0,994, при70<я < 130 Я = при я >130

Плотность ТП ((},) авт./ки

Рисунок 5 - Функциональная зависимость времени перестроения от

плотности ТП

Для оценки адекватности разработанной математической модели определения минимального расстояние установки ДИТ от транспортного узла и оценки достоверности найденной зависимости времени перестроения от плотности ТП был произведен эксперимент аналогичный эксперименту по определению времени перестроения в потоке. Эксперимент проводился на МКАД. Были замерены те же параметры таким же способом, только вместо времени перестроения замерялись Ьм, Ьв и Ьп р. (по одометру с точностью 10 м), а Л.у было рассчитано по формуле (12). С этим значением было сравнено значение Ьу, рассчитанное по разработанной модели, учитывающей время перестроения, и по существующей модели, не учитывающей время перестроения, и рассчитаны значения ошибки (рисунок 6).

Анализ значений ошибок позволил сделать следующие выводы: • ошибка модели, не учитывающей время перестроения, растет с увеличением плотности ТП, что доказывает то, что плотность ТП

15

существенно влияет на минимальную удаленность ДИТ от транспортного узла;

• ошибка разработанной модели, учитывающей время перестроения, имеет примерно одинаковую величину и в большинстве замеров не выходит за значение погрешности измерения (40 м);

• среднеквадратичная ошибка модели, не учитывающей время перестроения, составляет 156 м;

• среднеквадратичная ошибка разработанной модели, учитывающей время перестроения, (шзеу) составляет 30 м.

| 300

I г 250 -I

! - ; ! Я 200 ■]

I а I Iю I

Я 150 ]

! а ; I о

I « 100 :

I I 50 !

! -50 J

\

I_____________

Рисунок 6 - Сравнение моделей по величине ошибок как функции плотности

ТП

Все это позволяет сделать выводы о том, что разрабатываемая модель, учитывающая время перестроения, более точно определяет минимальную удаленность информационного носителя от транспортного узла и поддерживает значение целевой функции Р> близкое к оптимуму.

Далее в рамках задачи определения секторов наиболее эффективной установки ДИТ выполнена обработка данных эксперимента с использованием инструментальных методов определения направления взгляда водителей. Результатом является 246 образцов данных, состоящих из 10 входных параметров и 1 цели в виде среднеарифметического значения оценок экспертов на пригодность образца (участка по видеофрагменту) в качестве участка установки ДИТ.

Плотность ТП (ч), авт./км

В качестве экспертной системы, имитирующей работу экспертов, рассматривались различные типы нейронных сетей с различными алгоритмами их обучения.

В качестве аппроксимирующей нейронной сети наиболее оптимальной оказалась сеть прямой передачи данных и обратного распространения ошибки с одним скрытым слоем, двумя нейронами в скрытом слое и одним в выходном слое (Рисунок ). В скрытом слое в качестве функции активации использовался тангенциальный сигмоид, в выходном - линейная функция активации. В качестве функционала качества обучения сети выбран функционал среднеквадратичной ошибки (msec), алгоритм обучения -алгоритм Левенберга-Марквардта, относящийся к методам (второго порядка) поиска оптимума в непосредственной близости от него на основании матрицы вторых частный производных функционала качества обучения, матрицы Гессе. Данный метод обладает высокой точностью и скоростью достижения минимума. Инициализация весов и смещений производилась с учетом равномерного распределения активных областей нейронов относительно областей значений входа. Входные данные были разделены следующим образом: 10% - контрольные данные, 10% - тестовые данные, 80% - обучающее подмножество.

Скрытый слой Выходной слой

____у \_________

2 1

Рисунок 7 - Топология нейронной сети

В результате обучения сети достигнут уровень msec = 0,00292. При этом коэффициент регрессии R = 0,824, и достигает своего максимального значения (R = 0,888) на тестовом подмножестве (Рисунок). Из этого можно сделать вывод, что нейронная сеть достаточно точно имитирует исходную зависимость, при этом явления переобучения не происходит. Зависимость выходных данных от целей имеет вид:

Выход» 0,68« Целы- 0,2 ^

Таким образом, сделан вывод о том, что выход сети стоит преобразовывать к бинарному виду: 0 - участок не подходит и 1 - участок

подходит. С учетом этого были получены вероятность ошибки первого рода 1^=0,02 и вероятность ошибки второго рода 1^=0,01.

Также сделан вывод о том, что для снижения Кр до значений близких к О, необходимо поднять порог перехода от 0 к 1 с 0,5 до 0,7-0,8. Однако при этом увеличится, что физически означает, что количество

классифицированных нейронной моделью участков как удовлетворительных с точки зрения возможности отвлечения внимания водителей от дорожной обстановки, снизится.

В итоге уровень тБес = 0,00292 позволяет говорить о том, что целевая функция Рс близка к своему оптимальному значению.

Рисунок 8 - Регрессия как результат обучения нейронной сети, где сплошная линия - регрессия, пунктирная линия - выход=цель.

В рамках задачи определения узлов установки ДИТ обработан эксперимент Этапа 2 имитационного моделирования на реальном участке

УДС с несколькими ДИТ при фиксированном входящем ТП. Для каждого количества ДИТ по всем вариантам расстановки по узлам были определены К, и Км и рассчитан Кт. Для каждого количества ДИТ определен максимальный коэффициент эффективности определения узлов установки ДИТ (Кт), а также максимальное приращение Кт на каждый дополнительно установленный ДИТ - ДКт/Лх, г де х - количество ДИТ (рисунок 9).

Рисунок 9 - Изменение Кт и его приращения

В результате анализа зависимости Кт и ЛКт/Дх от количества установленных ДИТ сделаны следующие выводы:

• На данном участке Кт достигает максимума при установке трех ДИТ, так как кривая изменения Кт в этой точке имеет максимум. При этом значение Кт составляет 2,74.

• Коэффициент ДКт/Ах показывает, насколько каждое последующее ДИТ увеличивает эффективность работы системы КУТП.

• Значение ДКг/Дх при установке четвертого ДИТ имеет отрицательное значение, что говорит о нецелесообразности его установки.

Из вышеизложенных выводов следует, что целевая функция Бу на данной имитационной модели достигает своего оптимума при установке 3 ДИТ. Анализ последовательности выполнения массива экспериментов на имитационной модели позволил разработать алгоритм нахождения максимального Кт.

В результате диссертационной работы разработана методика оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования в виде алгоритма определения мест оптимальной установки ДИТ (рисунок 10).

19

Разбиение участка дороги на сектора

Выбор сектора установки ДИТ

Определение возможности установки ДИТ с использованием нейронной экспертной модели в секторе

Все ли

сектора нз данном участке """""--^.^рассмотрены?

Реорганизация ! дорожного движения

|_-ет Есть хотя бы один

--С^сетор удовлетворяющий установке

на участке?

I Да

Рекомендация установки ДИТ в секторе рассматриваемого узла

Рисунок ] 0 - Алгоритм определения мест оптимальной установки ДИТ

Основные выводы и результаты работы.

1. Системный анализ зарубежного опыта внедрения систем КУТП выявил, что задача КУТП заключается в системе побудительных приемов для выбора наиболее эффективного направления в условиях возможности принятия альтернативных решений по направлению движений, причем динамическое информационное табло является основным средством управления транспортными потоками в системах КУТП.

2. Анализ предметной области КУТП выявил, что задача оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования может быть сведена к задаче определения мест оптимальной установки ДИТ, которая состоит из 3 подзадач: определения минимального расстояния от транспортного узла до ДИТ, определения участков (секторов) наиболее эффективной установки ДИТ, определения узлов установки ДИТ.

3. Целевая функция задачи определения оптимальных мест установки ДИТ заключается в максимизации гипотетического эффекта от внедрения системы КУТП. Индикатором эффективности задачи является коэффициент максимизации гипотетического эффекта Кт.

4. Разработана математическая модель определения минимального расстояния от транспортного узла до места установки ДИТ, учитывающая время перестроения как функцию плотности транспортного потока.

5. Экспериментально доказана зависимость минимальной удаленности установки ДИТ от времени перестроения, а, следовательно, и от плотности транспортного потока. Вместе с этим было доказано, что разработанная в диссертации модель, учитывающая время перестроения, значительно точнее, чем существующая модель, не учитывающая время перестроения.

6. Разработана нейронная модель, определяющая возможность установки ДИТ по условию наличия возможности отвлечения внимания водителей от дорожной обстановки.

7. Разработан алгоритм нахождения узлов установки ДИТ, соответствующих максимальной гипотетической эффективности работы системы КУТП, основанный на имитационном моделировании.

8. Разработана методика оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования в виде алгоритма определения мест оптимальной установки ДИТ.

9. Экспериментально на примере имитационной модели реального участка Ленинградского проспекта г.Москвы доказано, что эффективность транспортно-дорожной сети после внедрения системы КУТП может быть повышена более чем в 2,5 раза.

10. Дальнейшее исследование целесообразно проводить в направлении исследования кластерной структуры ДИТ, технологии работы КУТП и области эффективного распространения систем КУТП.

Основные положения диссертации представлены в следующих работах.

1. Воробьев, А.И. Современное представление о маршрутном ориентировании участников дорожного движения/ А.И. Воробьев, C.B. Жанказиев, Д.Б. Ефименко, A.B. Багно// Грузоперевозки и транспорт, вып. 1(2), 2007.-С.61-67.

2. Воробьев, А.И. Формирование принципов определения оптимального расстояния от информационных дорожных знаков до сегментов улично-дорожной сети / А.И. Воробьев, C.B. Жанказиев, A.B. Багно // Средства и технологии телематики на автомобильном транспорте: сб. науч. тр. МАДИ (ГТУ) - М.: Изд-во МАДИ (ГТУ), 2008. - С. 233-241.

3. Воробьев, А.И. Структура телематической системы контроля за дорожной обстановкой/А.И. Воробьев, C.B. Жанказиев// Средства и технологии телематики на автомобильном транспорте: сб. науч. тр. МАДИ (ГТУ) - М.: Изд-во МАДИ (ГТУ), 2008. - С. 177-187.

4. Воробьев, А.И. Технологии телематики в обеспечении приоритетного движения общественного транспорта/ А.И. Воробьев C.B. Жанказиев, Д.Б. Ефименко// Средства и технологии телематики на автомобильном транспорте: сб. науч. тр. МАДИ (ГТУ) - М.: Изд-во МАДИ (ГТУ), 2008. - С. 203-219.

5. Воробьев, А.И. Современное представление о маршрутном ориентировании участников дорожного движения в Интеллектуальных транспортных системах/ А.И. Воробьев, C.B. Жанказиев, A.B. Багно // Средства и технологии телематики на автомобильном транспорте: сб. науч. тр. МАДИ (ГТУ) - М.: Изд-во МАДИ (ГТУ), 2008. - С. 220-232.

6. Воробьев, А.И. Задачи построения «интеллектуальной» дороги/ А.И. Воробьев, C.B. Жанказиев// Средства и технологии телематики на автомобильном транспорте: сб. науч. тр. МАДИ (ГТУ) - М.: Изд-во МАДИ (ГТУ), 2008. -С. 188-203.

7. Воробьев, А.И. Определение оптимального расстояния от разветвления улично-дорожной сети до установки информационных объектов телематической системы маршрутного ориентирования/' А.И. Воробьев, C.B. Жанказиев//Вестник МАДИ, вып.2(21),2010 - М.: Изд-во МАДИ (ГТУ), 2010. -С.107-114.

Подписано в печать 3 ноября 2010 г Формат 60x84x16 Усл.печ.л. 1,0 Тираж 100 экз. Заказ № 44

ТЕХПОЛИГРАФЦЕНТР Россия, 125319 , г. Москва, ул. Усиевича, д. 8 а. Тел.: 8-916-191-08-51 Тел./факс (499) 152-17-71

Введение.

1. Глава 1. Анализ предметной области задачи косвенного управления транспортными потоками.•.

1.1. Понятие косвенного управления транспортными потоками

КУТП).'.

1.2. Анализ зарубежного опыта создания систем КУТП.

1.3. Текущая научная проработка задачи КУТП.

1.4. Выводы по главе 1.

2. Глава 2. Разработка математической модели определения мест оптимальной установки ДИТ.

2.1. Определение целевой функции.

2.2. Создание математической модели определения минимального расстояния от транспортного узла до места установки ДИТ.

2.3. Искусственные нейронные сети в задаче определения участков (секторов) наиболее эффективной установки ДИТ.

2.4. Разработка имитационной модели определения узлов установки ДИТ.

2.5. Выводы по главе 2.

3. Глава 3. Проведение экспериментальных исследований по определению мест оптимальной установки ДИТ.

3.1. Проведение эксперимента по определению времени перестроения в потоке.

3.2. Социологический опрос для определения реакции водителей на предоставляемую информацию.

3.3. Инструментальные методы определения внимания водителей основанные на системах трекинга взгляда.

3.4. Эксперимент по определению максимальной эффективности узлов установки ДИТ.

3.5. Выводы по главе 3.

4. Глава 4. Формирование методики определения мест оптимальной установки ДИТ.

4.1. Определение зависимости времени перестроения как функция плотности ТП.

4.2. Анализ среднеквадратичной ошибки модели определения минимального расстояния от транспортного узла до ДИТ.

4.3. Построение нейронной экспертной модели определения участков наиболее эффективной установки ДИТ.

4.4. Разработка алгоритма нахождения узлов установки ДИТ, соответствующих максимальной эффективности работы системы КУТП.

4.5. Разработка методики определения мест оптимальной установки ДИТ.

4.6. Выводы по главе 4.

Актуальность исследований. В настоящее время, основываясь на анализе мировой практики, можно сделать вывод, что применение интеллектуальных транспортных систем (ИТС), как систем, обеспечивающих адаптивное и прогнозное управление безопасностью и организацией дорожного движения в транспортно-дорожной системе регионов, приведет в данных регионах к улучшению качества транспортных услуг. Транспортный комплекс тесно связан с социальной сферой и экономикой, поэтому качество и безопасность транспортных услуг во многом определяют как эффективность работы, так и эффективность развития производства, бизнеса и социума.

Сегодня ИТС строится- как многоуровневая структура, в основе которой всегда стоит одна из трех базовых подсистем: директивного управления дорожным движением (АСУДД), косвенного управления транспортными потоками (КУТП) и управления маршрутным транспортом.

Система КУТП и включенная в нее динамическая система маршрутного ориентирования, за счет недирективных методов воздействия на транспортный поток обеспечивает сокращение времени в пути, наиболее рационально распределяет нагрузку улично-дорожной сети города или пучка дорог, гармонизирует параметры транспортного потока, т.е. повышает динамическую пропускную способность участка.

В основе технического комплекса КУТП в комплексе задач управления информацией для транспортного потока лежит использование динамических информационных табло (ДИТ). Из этого можно сделать вывод, что для эффективного функционирования подсистем косвенного управления транспортными потоками необходимо формирование оптимальной технической и функциональной структуры ДИТ и логики их расстановки.

При этом в настоящее время в РФ отсутствуют какие-либо стандарты, руководящие документы, либо методики, регламентирующие требования к ДИТ как базовому исполнительному элементу системы КУТП.

Следовательно, разработка методики оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования является актуальной задачей.

Объектом исследования является транспортная система городов и автомагистралей, в частности дорожная инфраструктура косвенного управления транспортными потоками как составная часть интеллектуальной транспортной системы (работа проведена и апробирована на участках улично-дорожной сети г. Москвы).

Предметом исследования являются параметры транспортных потоков, их взаимовлияние на выбор мест установки динамических информационных табло системы косвенного управления транспортными потоками.

Целью исследования является снижения среднего времени в пути участников дорожного движения и увеличения динамической пропускной способности сети за счет применения разработанной методики оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования, обеспечивающей повышение эффективности функционирования улично-дорожной сети.

Направление исследования: исследование транспортных потоков методами аппаратно-технического измерения и имитационного моделирования.

Основные задачи исследования:

1. Детерминация основной элементной базы систем КУТП за счет анализа зарубежного опыта внедрения систем КУТП.

2. Разработка индикаторов эффективности задачи определения оптимальных мест установки ДИТ.

3. Разработка математической модели определения минимального расстояния от транспортного узла до места установки ДИТ.

4. Проведение на имитационной модели экспериментальных исследований эффективности внедрения систем КУТП.

5. Разработка методики оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования.

Научная новизна заключается:

1. В разработанной математической модели определения минимального расстояния от транспортного узла до места установки ДИТ, учитывающей время перестроения как функцию плотности транспортного потока.

2. В разработанной нейронной модели, определяющей возможность установки ДИТ по условию наличия возможности отвлечения внимания водителей от дорожной обстановки.

3.В разработанном алгоритме определения мест оптимальной установки ДИТ.

Достоверность результатов проведенных в работе исследований подтверждается использованием общепризнанной системы имитационного моделирования параметров транспортного потока А1М81М, а также высокой сопоставимостью теоретических и экспериментальных результатов.

На защиту выносятся;

1. Математическая модель определения минимального расстояния от транспортного узла до места установки ДИТ, учитывающая время перестроения как функцию плотности транспортного потока.

2. Нейронная модель, определяющая возможность установки ДИТ по условию наличия возможности отвлечения внимания водителей от дорожной обстановки.

3. Алгоритм определения мест оптимальной установки ДИТ.

Практическая ценность заключается в разработке методики определения мест оптимальной установки ДИТ системы КУТП. 6

Внедрение и реализация результатов работы.

Основные результаты исследований приняты к использованию в ЗАО «НЛП Транснавигация» (г. Москва) в рамках деятельности по развитию и внедрению в регионах подсистем ИТС, входящих в сферу компетенции предприятия.

Полученные теоретические результаты приняты к использованию в учебном процессе МАДИ кафедрой «Транспортная телематика» направления 190600 - «Эксплуатация наземного транспорта и транспортного оборудования» факультета «Автомобильный транспорт» при чтении лекций и проведении практических занятий по дисциплинам:

1. «Телематика в организационно-производственных структурах автомобильного транспорта» по специальности 190603 «Сервис транспортный и технологических машин и оборудования (автомобильный транспорт)»

2. «Элементы систем транспортной телематики на автомобильном транспорте» по специальности 190601 «Автомобили и автомобильное хозяйство».

Результаты диссертационного исследования использованы при подготовке следующих отчетов НИОКР:

Государственный контракт № 07/4/7/037 от 23.05.2007г. на тему «Проведение исследований, направленных на создание систем (районных, городских) маршрутного ориентирования транспортных средств для выявления оптимальных маршрутов движения с целью сокращения перепробегов транспортных средств, времени задержек, увеличения скорости сообщения», заказчик ФГУ «Дирекция программы ПБДД», акт сдачи-приемки №1 от 22.10. 2007г.

2. Государственный контракт № П 1272 от 27.08.2009 на тему «Создание интеллектуальной системы косвенного управления транспортными потоками и обеспечения безопасности на автомобильных дорогах», заказчик Рособразование, акт сдачи-приемки №1 от 04.12.2009г. 7

3. Государственный контракт № УД 47/261 от 7.10.2009г. на тему «Разработка концепции создания ИТС на автомобильных дорогах федерального значения», акт сдачи-приемки от 24.12.2009г.

4. Государственный контракт № Б 03.02.09 от 12.01.2009 на тему «Разработка новых технологий и контроля качества строительных работ и систем управления дорожным движением. Создание измерительных комплексов, направленных на строительство транспортной системы», заказчик Министерство Образования и Науки Российской Федерации.

Апробация работы. Результаты исследований доложены, обсуждены и одобрены на научно-методических и научно-исследовательских конференциях МАДИ, г.Москва 2007, 2008, 2009 гг., а также на Международном семинаре молодых ученых (У118-09), г.Турин 2009 г.

Публикации. По теме диссертации опубликовано 7 печатных работ, общим объемом 4.8 п.л., в том числе 1 статья, включенная в Перечень ведущих рецензируемых научных изданий ВАК РФ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, выводов, библиографического списка из 128 наименований. Объем работы: 193 стр. печатного текста, 129 рисунков, 9 таблиц.

5. Основные выводы и результаты диссертационной работы

1. Системный анализ зарубежного опыта внедрения систем КУТП выявил, что задача КУТП заключается в системе побудительных приемов для выбора наиболее эффективного направления в условиях возможности принятия альтернативных решений по направлению движений, причем динамическое информационное табло является основным средством управления транспортными потоками в системах КУТП.

2. Анализ предметной области КУТП выявил, что задача оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования может быть сведена к задаче определения мест оптимальной установки ДИТ, которая состоит из 3 подзадач: определения минимального расстояния от транспортного узла до ДИТ, определения участков (секторов) наиболее эффективной установки ДИТ, определения узлов установки ДИТ.

3. Целевая функция задачи определения оптимальных мест установки ДИТ заключается в максимизации гипотетического эффекта от внедрения системы КУТП. Индикатором эффективности задачи является коэффициент максимизации гипотетического эффекта Кт.

4. Разработана математическая модель определения минимального расстояния от транспортного узла до места установки ДИТ, учитывающая время перестроения как функцию плотности транспортного потока.

5. Экспериментально доказана зависимость минимальной удаленности установки ДИТ от времени перестроения, а, следовательно, и от плотности транспортного потока. Вместе с этим было доказано, что разработанная в диссертации модель, учитывающая время перестроения, значительно точнее, чем существующая модель, не учитывающая время перестроения.

6. Разработана экспертная нейронная модель, определяющая возможность установки ДИТ по условию наличия возможности отвлечения внимания водителей от дорожной обстановки.

7. Разработан алгоритм нахождения узлов установки ДИТ, соответствующих максимальной гипотетической эффективности работы системы КУТП, основанный на имитационном моделировании.

8. Разработана методика оптимизации телематического комплекса технических средств интеллектуальной системы маршрутного ориентирования в виде алгоритма определения мест оптимальной установки ДИТ.

9. Экспериментально на примере имитационной модели реального участка Ленинградского проспекта г.Москвы доказано, что эффективность транспортно-дорожной сети после внедрения системы КУТП может быть повышена более чем в 2,5 раза.

10. Дальнейшее исследование целесообразно проводить в направлении исследования кластерной структуры ДИТ, технологии работы КУТП и области эффективного распространения систем КУТП.

1. ГОСТ Р 52289-2004. Технические средства организации дорожного движения. Правуила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств.

2. ГОСТ Р 52290-2004. Знаки дорожные. Общие технические требования.

3. Дрю, Д. Теория транспортных потоков и управления ими/ Д.Дрю. М.: Транспорт, 1972. - 426с.

4. Жанказиев, C.B. Структура телематической системы контроля за дорожной обстановкой/ C.B. Жанказиев, А.И. Воробьев // Средства и технологии телематики на автомобильном транспорте: сб. науч. тр. МАДИ (ГТУ) М.: Изд-во МАДИ (ГТУ), 2008. - С. 177-187.

5. Клинковштейн, Г.И. Органицзация дорожного движения/ Г.И. Клинковштейн, М.Б. Афанасьев. М.: Транспорт, 2001.-247с.

6. Коноплянко В.И. Повышение эффективности и безопасности дорожного движения средствами управления и организации. Дис. . д-ратехн. наук. М., 1987.

7. Косолапов A.B. Повышение эффективности информационного обеспечения участников дорожного движения в городах. Дис. . кандидата техн. наук. М., 1992.

8. Кременец, Ю.А. Технические средства организации дорожного движения/ Ю.А. Кременец, М.П. Печерский, М.Б. Афанасьев. М.: ИКЦ «Академкнига», 2005. - 279с.

9. Лобанов, Е.М. Проектирование дорог и организация движения с учетом психофизиологии водителя/ Е.М.Лобанов. М.: Транспорт, 1980: — 311с.

10. Лобанов Е.М. Совершенствование норм и методов проектирования дорог и организации движения на основе изучения процесса восприятия водителем дорожной обстановки. Дис. . д-ра техн. наук. М., 1979.

11. Методические рекомендации по маршрутному ориентированию на автомобильных дорогах/ВНИИБД МВД СССР. М., 1980. - 63с.

12. Медведев B.C. Нейронные сети. MATLAB 6/В.С.Медведев, В.Г. Потемкин. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

13. Пржибыл, Павел. Телематика на транспорте/ Павел Пржибыл, Мирослав Свитек; перевод с чешского О. Бузека и В. Бузковой.; под ред. проф. В. В. Сильянова. М.: Изд-во МАДИ (ГТУ), 2003. - 540с.

14. Сильянов, В.В. Теория транспортных потоков в проектировании дорог и организации движения/В.В. Сильянов. — М.: Транспорт, 1977. 303с.

15. Сильянов В.В. Теоретические основы повышения пропускной способности автомобильных дорог. Дис. . д-ра техн. наук. М., 1978.

16. Уткин А.В. Моделирование поведения водителя и оценка качества смешанного транспортного потока/ А.В. Уткин// «Организация и безопасность движения- в крупных городах»: сборник докладов 7-ой Международной конференции.- С.-Петербург, 2006. С. 84-86.

17. Хилажев, Е.Б. Микропроцессорная техника в управлении транспортными потоками/Е.Б. Хилажев, В.Д.Кондратьев.- М.: Транспорт, 1987.-175с.

18. Шелков, Ю.Д. Информационное обеспечение водителей о направлениях движения/Ю.Д. Шелков, В.Е.Верейкин; ВНИЦБД. М., 1990.-52с.

19. Adler FH & Fliegelman (1934). Influence of fixation on the visual acuity. Arch. Ophthalmology 12, 475.

20. A1 Rousan, Т. M., Analysis of urban trips with perceived risks in Amman, MSc Thesis, Department of Civil Engineering, Jordan University of Science and Technology, 1997.

21. Andrew Noble. Quality controlled/ Andrew Noble// Traffic Technology International.-2006;- August/September.- pages 108-109.

22. Anindya Basu. Routing Using Potentials: A Dynamic Traffic-Aware

23. Routing Algorithm/ Anindya Basu- Bell Laboratories, 2000.184

24. Arbib, Michael A. (Ed.) (1995). The Handbook of Brain Theory and Neural Networks.

25. Areal Orda, Minimum delay routing in multisatellite networks,Israel Institute of Technology, Israil, 1995.

26. Ashtakala, B. and Eno, L. A., Equilibration properties of logit models, Transportation Research Record, No. 728, pp. 8-14., 1996.

27. Boyd, Stephen & Vandenberghe, Lieven (2004). Convex Optimization.

28. Bruce Abernethy. Barrier grief/ Bruce Abernethy//Traffic Technology International.-2005.- October/November.- pages 82-86.

29. Busch F. , Heymannn G. : EURO-SCOUT und Lichtsignalsteuerung-zwei Partner, die sich ergänzen, Grün Licht, April 1992, Ausgabe 30, str. 18-23

30. Buswell G.T. (1935). How People Look at Pictures. Chicago: Univ. Chicago Press 137-55. Hillsdale, NJ: Erlbaum

31. Buswell, G.T. (1922). Fundamental reading habits: A study of their . development. Chicago, IL: University of Chicago Press.

32. Buswell, G.T. (1937). How adults read. Chicago, IL: University of Chicago Press.

33. Carpenter, Roger H.S.; Movements of the Eyes (2nd ed.). Pion Ltd, London, 1988. ISBN 0-85086-109-8.

34. Cornsweet TN, Crane HD. (1973) Accurate two-dimensional eye tracker using first and fourth Purkinje images. J Opt Soc Am. 63, 921-8.

35. Cornsweet TN. (1958). New technique for the measurement of small eye movements. JOSA 48, 808-811.

36. D. Andersen. Resilient Overlay Networks. In Proceedings of the 18th ACM Symposium on Operating System Principles/ D. Andersen, H. Balakrishnan, M. F. Kaashoek, R. Morris//Chateau Lake Louise, Banff, Canada.-2001.-October.- pages 131-145.

37. David Grant. Look lively/David Grant, Lawrence Vos//Traffic Technology International.-2005.- April/May.- pages 54-58.

38. Deubel, H. & Schneider, W.X. (1996) Saccade target selection and object recognition: Evidence for a common attentional mechanism. Vision Research, 36, 1827-1837.

39. Duchowski, A. T., "A Breadth-First Survey of Eye Tracking Applications", Behavior Research Methods, Instruments, & Computers (BRMIC), 34(4), November 2002, pp.455^70.

40. E. J. Anderson. A Quantitative Evaluation of Traffic-Aware Routing Strategies/ E. J. Anderson, T. E. Anderson, S. D. Gribble, A. R. Karlin, S. Savage//ACM SIGCOMM Computer Communication Review, 32(l):67-67, January 2002.

41. E. Kreyszig. Advanced Engineering Mathematics. John Wiley & Sons, New York, NY, 8th edition, December 1998.

42. Egmont-Petersen, M., de Ridder, D., Handels, H. (2002). "Image processing with neural networks a review". Pattern Recognition 35 (10): 2279-2301. doi: 10.1016/S0031 -3203(01)00178-9.

43. Eizenman M, Hallett PE, Frecker RC. (1985). Power spectra for ocular drift and tremor. Vision Res. 25, 1635-40

44. Evans,A. W. and A. D. MORRISON. Incorporating accident risk and disruption in economic models of public transport, Journal of Transport Economics and Policy, Vol. XXXI, No.2, pp. 117-146., 1997.

45. Ferguson RD (1998). Servo tracking system utilizing phase-sensitive detection of reflectance variations. US Patent # 5,767,941

46. Gipps P.G. A behavioural car following model for computer simulation. Trans. Res. B, 1981,15, pp. 105-111.

47. Hadzibeganovic, Tarik & Cannas, Sergio A. (2009). "A Tsallis' statistics based neural network model for novel word learning". Physica A: Statistical Mechanics and its Applications 388 (5): 732-746.

48. Hammer DX, Ferguson RD, Magill JC, White MA; Eisner AE, Webb RH. (2003) Compact scanning laser ophthalmoscope with high-speed1 retinal tracker. Appl Opt. 42, 4621-32.

49. Hoffman, J. E. (1998). Visual attention and eye movements. In H. Pashler (ed.), Attention (pp. 119-154). Hove, UK: Psychology Press.

50. Holsanova, J; (forthcoming) Picture viewing and picture descriptions, Benjamins.

51. Huey, E.B: (1968): The psychology and pedagogy of reading. Cambridge, MA: MIT Press. (Originally published 1908)

52. J. D. Jackson; Classical- Electrodynamics. John Wiley & Sons, New York, NY, 3rd edition, August 1998.

53. J. Moy. OSPF Version 2. RFC 2328, IETF, April 1998;

54. Jeffrey T. Spooner, Manfrcdi Maggiore, Raul Ord onez, and Kevin; M: Passinoj Stable Adaptive Control and Estimation; for Nonlinear; Systems: Neural and Fuzzy Approximator Techniques, John Wiley and Sons, NY, 2002.

55. Just MA, Carpenter PA (1980) A theory of reading: from eye fixation to comprehension. Psychol Rev 87:329-354

56. K. Binder. Monte Carlo Simulation in Statistical Physics/ K. Binder, D. W. Heermann.- 4th ed.- Springer Verlage Berlin, Germany, August 2002.

57. Kathman T. :. Geschwindikeitswarnanlagen-eine Alternative zur polizeilichen Überwachung, Straßenverkehrstechnik, № 9; 1998, cTp. 483491

58. Krauth, W., & Mezard, M. (1989). "Storage capacity of memory with binary couplings". Journal de Physique 50: 3057-3066. doi: 10.1051 /jphys:0198900500200305700.

59. Kristen R. : Verkehrsletelematickychystem München Nord Erfahrungennach einem Jahr Betriebszeit, Grünlicht, Siemens, Oktober 1993187

60. L. Barab'asi and R. Albert. Emergence of Scaling in Random Networks. Science, 286:509-512, 1999.

61. L. K. Fleischer. Approximating Fractional Multicommodity Flow Independent of the Number of Commodities. In Proceedings of the 40th Annual Symposium on Foundations of Computer Science, pages 24-31, New York, NY, October 1999.

62. L. Tassiulas and A. Ephremides. Stability Properties of Constrained Queueing Systems and Scheduling Policies for Maximum Throughput in Multihop Networks. IEEE Transactions on Automatic Control, 37(12): 1936-1948, December 1992.

63. Liechty,J, Pieters, R, & Wedel, M. (2003). The Representation of Local and Global Exploration Modes in Eye Movements through Bayesian Hidden Markov Models. Psychometrika, 68 (4), 519-542.

64. Louise Smyth. Room with a view/ Louise Smyth//Traffic Technology International.-2006.- October/November.- pages 40-46.

65. MacKay, David (2003). Information Theory, Inference, and Learning Algorithms.

66. Mandic, D. & Chambers, J. (2001). Recurrent Neural Networks for Prediction: Architectures, Learning algorithms and Stability. Wiley.

67. Mannering, F. L. Male/female driver characteristics and accident risk: some new evidence, Accident Analysis and Prevention, Vol. 25, No.l, pp. 77-84., 1993.

68. Mannering, F. L., Abu-Eisheh, S. A., and Amadottir, A. T., Dynamic traffic equilibrium with discrete /continuous econometric models, Transportation Science, Vol. 24, No. 2, pp. 105-116., 1990.

69. Mannering, F. L., Kim, S. G., Barfield, W., and NG, L., Statistical analysis of commuters route, mode, and departure time flexibility, Transportation Research, Part C, Vol.2, No. 1, pp. 35-47., 1994.

70. Mannesmann Autocom offers map-enhanced traffic information on mobilephones through WAP, Ertico News, September 99, p. 4188

71. Mark Bodger. Create and integrate/ Mark Bodger//Traffic Technology International.-2005.- Fev/Mar.- pages 84-86.

72. Medina, A. Lakhina, I. Matta, and J. Byers. BRITE: An approach to Universal Topology Generation. In Proceedings of the International Workshop on Modeling, Analysis and Simulation of Computer and Telecommunications Systems, Cincinnati, OH, August 2001.

73. Mitchell, J.F. Traffic Accident reconstruction/ J.F. Mitchell. S.I, 2002.

74. Muller, P. & Insua, D.R. (1995). "Issues in Bayesian Analysis of Neural Network Models". Neural Computation 10: 571-592.

75. Mulligan, JB, (1997). Recovery of Motion Parameters from Distortions in Scanned Images. Proceedings of the NASA Image Registration Workshop (IRW97), NASA Goddard Space Flight Center, MD

76. P. H. Winston. Artificial Intelligence. Addison Wesley, Boston, MA, 3rd edition, January 1992.

77. Peter de Konink. Smooth operator/ Peter de Konink//Traffic Technology International.-2006.- August/September pages 104-105.

78. Plihal J.: Protokol zmereni citelnosti displeje, Merici protokol, (Протокол по измерению разборчивости дисплея, Измерительный протокол), Eltodo a. s., апрель 99

79. Posner, М. I. (1980) Orienting of attention. Quarterly Journal of Experimental Psychology 32: 3-25.

80. R. Ahuja, Т. Magnanti, and J. Orlin. Network Flows: Theory, Algorithms, and Applications. Prentice Hall, Englewood Cliffs, NJ, 1993.

81. R. L. Rardin. Optimizations in Operations Research. Prentice Hall, Upper Saddle River, NJ, 1998.

82. R. Pfliegl. Austria, Intelligent conversation/ R. Pfliegl//Traffic Technology International.-2008.- August/September.- pages 114-115.

83. R. Stainforth. Sign language/R. Stainforth//Traffic Technology International.-2005.- Annual Review.- pages 110-113.

84. Rayner, K. (1978). Eye movements in reading and information processing. Psychological Bulletin, 85, 618-660

85. Rayner, K. (1998) Eye movements in reading and. information processing: 20 years of research. Psychological Bulletin, 124, 372-422.

86. Riggs LA, Armington JC & Ratliff F. (1954) Motions of the retinal image during fixation. JOSA 44, 315-321.

87. Riggs, L. A. & Niehl, E. W. (1960). Eye movements! recorded during convergence and divergence. J Opt Soc Am 50:913-920:

88. Robinson, D. A. A method of measuring eye movement using a scleral search coil in a magnetic field. IEEE Trans. Biomed. Eng., vol. BME-10, pp. 137-145, 1963

89. S. Herzog. RSVP Extensions for Policy Control. RFC 2750, IETF, January 2000.

90. S. Vutukury and J. J. Garcia-Luna-Aceves. A Simple Approximation to Minimum Delay Routing. In Proceedings of SIGCOMM '99, pages 227238, Boston, MA, August-September 1999.

91. Saul Wordworth. Will and sentiment: the automated highway to heaven/ Saul Wordworth//Traffic Technology International.-2006.-October/November.- pages 54-58.

92. Shannon, H. Examination of driver lane change behavior and the potential effectiveness of warning onset rules for lane change or «side» crash avoidance systems/ H.Shennon; Virginia Polytechnic Institute & University. -S.I, 1997.

93. Shivaram Subramanian, Routing algorithms for dynamic, Intelligent Transportation Networks, sept 1997,

94. Spanish Traffic Information available via GSM, ERTICO News, September 98, pp. 7-8

95. Sutton, Richard S. & Barto, Andrew G. (1998). Reinforcement Learning : An introduction.

96. Symonds Travels Morgan Ltd. : Speed Violation Detection/Deterrent, Review of the second system Trial on the Ml in Leicestershire April-October 1994, East Grinstead, May 1995

97. Technicke podminky MDS: Zasady pro orientacni dopravni znaceni (Технические условия Министерства транспорта и связи: Принципы установки дорожных знаков ориентации), TP 100, CDV Брно, 1995

98. The Network Simulator — ns-2. http://www.isi.edu/nsnam/ns/.

99. Tihomir Protulipac. Bright ideas/Tihomir Protulipac//Traffic Technology International.-2008.- Annual.- pages 82-84.

100. Tim Giles. Under observation/ Tim Giles//Traffic Technology International.-2006.- August/September.- pages 114-115.

101. Tim Wolfe. Raising Arizona/ Tim Wolfe//Traffic Technology International.-2005.- April/May.-pages 42-49.

102. Tor Vorraa. Angles of the universe/ Tor Vorraa//Traffic Technology International.-2003.- Oct/Nov.- pages 95-97.

103. U.S. DoT, Intelligent Transportation Systems Benefits: 1999 Update, 1999.

104. V. Paxson and S. Floyd. Wide Area Traffic: The Failure of Poisson Modeling. IEEE/ACM Transactions on Networking, 3(3):226-244, 1995.

105. Van den Bergh, F. Engelbrecht, AP. Cooperative Learning in Neural Networks using Particle Swarm Optimizers. CIRG 2000.

106. Varun, R. Lane changing models for arterial traffic/ R.Varun; Massachusetts institute of technology. S.I, 2007.

107. W. H. Press, B. P. Flannery, S. A'. Teukolsky, and W. T. Vetterling. Numerical Recipes in C. Cambridge University Press, Cambridge, UK, 2nd edition, January 1993.

108. W. R. Stevens. TCP/IP Illustrated, volume 1. Addison-Wesley, Boston, MA, January 1994.

109. Wasserman, P.D. (1989). Neural computing theory and practice. Van Nostrand Reinhold.

110. Wright, R.D., & Ward, L.M. (2008). Orienting of Attention. New York. Oxford University Press.

111. Wulfram Gerstner, Werner Kistler. Spiking Neuron Models:Single Neurons, Populations, Plasticity. Cambridge University Press.

112. Yarbus, A. L. Eye Movements and Vision. Plenum. New York. 1967 (Originally published in Russian 1962).

113. Yun-Wu Huangi, Route guidance support in ITS, University if Michigan, 1995.

114. Z. Wang and J. Crowcroft. Shortest Path First with Emergency Exits. In Proceedings of SIGCOMM '90, pages 166-176, Philadelphia, PA, August 1990.

115. Закрытое акционерное общество

116. Научно — производственное предприятие ТРАНСНАВИГАЦИЯтелефон / факс: (495) 783-54-85, 125315, г. Москва, Ленинградский пр-т, д.68, стр.2

117. ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

118. МАДИ Государственное образовательное учреждение высшего профессионального образования

119. МОСКОВСКИЙ АВТОМОБИЛЬНО-ДОРОЖНЫЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ (МАДИ)»

120. Россия, 125319, Москва, Ленинградский проспект, 64 Тел (499) 151-6412 -ректор, факс (499) 151-8965 Интернет http //www madi ru E-mail info@madi ru1. OJ. D& 3/L1. На №от

121. УТВЕРЖДАЮ» Прорек^сф^поНаучной работе1. Иванов1. А'

122. Акт о внедрении результатов диссертационной работы-Воробьева А.И.

123. Государственный контракт № П 1272 от 27.08.2009 на тему « Создание интеллектуальной системы косвенного управления транспортными потоками и обеспечения безопасности на автомобильных дорогах», заказчик Рособра-зование, акт сдачи-приемки №1 от 04.12.2009г.

124. Государственный контракт № УД 47/261 от 7.10.2009г. на тему «Разработка концепции создания ИТС на автомобильных дорогах федерального значения», акт сдачи-приемки от 24.12.2009г.

125. Начальник УНИР МАДИ Архипов А.И.1. УТВЕРЖДАЮ»

126. Власов Владимир Михайлович — д.т.н., профессор, заведующий кафедрой «Транспортная телематика», председатель комиссии;

127. Председатель комиссии Заведующий кафедрой «Транспортная телематика»

128. Член комиссии, к.т.н., профессор

129. Член комиссии, к.т.н., доцент1. Власов В.М.анказиев С.В.1. Ефименко Д.Б.