автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Информационная поддержка построения транспортной инфраструктуры на основе нейросетевых и эволюционных моделей

На правах рукописи

Сапрыкина Ольга Валерьевна

Информационная поддержка построения транспортной инфраструктуры на основе нейросетевых и эволюционных моделей

05.13.01- Системный анализ, управление и обработка информации (технические системы и связь)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

11 АПР 2015

005567563

Самара - 2015

005567563

Работа выполнена в ФГАОУ ВО «Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)» (СГАУ) на кафедре организации и управления перевозками на транспорте.

Научный руководитель:

доктор технических наук, профессор Михеева Татьяна Ивановна

Официальные оппоненты:

доктор технических наук, профессор Кораблин Михаил Александрович,

заведующий кафедрой информационных систем и технологий ФГОБУ ВПО «Поволжский государственный университет телекоммуникаций и информатики»;

доктор технических наук, профессор Кузнецов Павел Константинович,

директор НИИ проблем надежности механических систем, заведующий кафедрой электропривода и промышленной автоматики, ФГБОУ ВПО «Самарский государственный технический университет».

Ведущая организация:

ФГБОУ ВПО «Уфимский государственный авиационный технический университет», г. Уфа

Защита состоится 5 июня 2015 года на заседании диссертационного совета Д 212.215.07, созданного на базе федерального государственного автономного образовательного учреждения высшего образования «Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)», по адресу: 443086, г. Самара, Московское шоссе, 34.

С диссертацией можно ознакомиться в библиотеке СГАУ и на сайте http://www.ssau.ru.

Автореферат разослан 8 апреля 2015 года Ученый секретарь

диссертационного совета Д 212.215 пп »

д-р техн. наук, проф.

И. В. Белоконов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Диссертация посвящена разработке математических моделей, методов, алгоритмов и программных средств информационной поддержки построения транспортной инфраструктуры на основе нейросетевых и эволюционных моделей.

Актуальность. Проблема транспортных заторов актуальна для большинства городов мира. Одним из решений устранения заторов, повышения безопасности движения и перевозок, повышения пропускной способности дорог является модернизация улично-дорожной сети (УДС). Однако, существующие методы градостроительного проектирования не дают гарантий отсутствия транспортных заторов. Неверные решения влекут за собой экономические потери и приводят к снижению мобильности населения урбанизированной территории.

В этой связи, серьезную научную проблему представляет создание систем автоматизированного построения транспортной инфраструктуры. Требуется создание новых методов проектирования, основанных на современных информационных технологиях, использующих идеи и методы искусственного интеллекта.

В диссертационной работе рассматривается система управления транспортной инфраструктурой (ТрИ), включающей в себя улично-дорожную сеть, технические средства организации дорожного движения и транспортные потоки. Критерии, используемые при построении оптимальной конфигурации УДС, направлены как на улучшение характеристик транспортных потоков (ТП) на отдельных участках сети, так и на повышение эффективности и надежности функционирования ТрИ в целом. Одним из подходов к решению проблемы построения оптимальной конфигурации УДС является применение нейросетевых и эволюционных моделей, позволяющих проводить анализ параметров сложной модели ТрИ, при условии отсутствия полноты экспертных данных. Важным в процессе построения ТрИ является идентификация параметров наполняющих её объектов. Для настройки параметров ТрИ используются различные методы оптимизации, применяются генетические алгоритмы, эволюционные стратегии и нейронные сети.

Проектированию УДС посвятили свои работы Ю.П. Бочаров, С.А. Ваксман, А.Ю. Михайлов, Е.М. Лобанов, М.С. Фишельсон, В.И. Швецов, среди зарубежных авторов - W. Black, В. Golden, D. Levinson, В. Kerner, J. Wardrop. Эффективность функционирования ТрИ рассматривали М.Б. Афанасьев, A.B. Золотовиц-кий, В.В. Зырянов, И.Е. Капитанов, B.H. Луканин, Т.И. Михеева, Г.И. Клинков-штейн, М.П. Печерский и др. В развитие информационных технологий внесли вклад Б.Г. Ильясов, Д. Кнут, А.Н. Коварцев, М.А. Кораблин, Д.А. Поспелов, С.А. Прохоров и др., в развитие технологий искусственного интеллекта - С. Рассел, П. Норвиг, Г.А. Ивахненко, С. Осовский, Д. Рутковская.

При исследовании объектов ТрИ для визуализации процесса моделирования управления ТрИ и реконфигурации УДС, повышения наглядности результатов и помощи в их интерпретации резонно использовать геоинформационные системы (ГИС), позволяющие отображать большие объемы пространственных данных с учетом географических и семантических характеристик моделируемых объектов.

Особенности широкого класса объектов ТрИ требуют комплексного подхода к анализу. Системность понимается как возможность проведения исследований многомерных неполных данных на основе нейросетевого моделирования, проведения анализа структуры УДС, выявления скрытых взаимосвязей между свойствами объектов ТрИ, исследования пространственных свойств УДС, отображая

результаты анализа средствами ГИС в едином комплексе программ. В настоящее время методические вопросы комплексного решения указанных задач разработаны недостаточно полно, а возникающие в этой связи проблемы диктуют необходимость разработки новых методов информационной поддержки построения ТрИ с использованием нейросетевых и эволюционных моделей. Учитывая изложенные тезисы, можно говорить об актуальности, как темы диссертационной работы в целом, так и отдельных выбранных направлений исследований, в частности.

Объект исследования - процесс поддержки принятия решений о дислокации пространственно-распределенных объектов транспортной инфраструктуры, для описания семантики которых используются многомерные массивы данных на основе нейросетевых и эволюционных моделей.

Предмет исследования - методы обработки пространственно-распределенной информации об объектах, методы выявления зависимостей между свойствами (географическими и семантическими) объектов транспортной инфраструктуры.

Целью диссертационной работы является повышение эффективности процесса поддержки принятия решений о дислокации объектов транспортной инфраструктуры за счет обработки пространственных и семантических свойств транспортной инфраструктуры с использованием нейросетевых и эволюционных моделей.

Для достижения цели в работе поставлены и решены следующие задачи:

1. Разработка подхода к формированию единого информационного пространства исходных данных проектирования УДС на основе геоинформационных технологий.

2. Разработка методов анализа и прогноза характеристик транспортного потока в зависимости от пространственно-временных параметров урбанизированной транспортной инфраструктуры.

3. Разработка метода оптимизации конфигурации улично-дорожной сети с использованием эволюционных технологий.

4. Разработка алгоритмов и программного обеспечения анализа объектов транспортной инфраструктуры для поиска оптимальной конфигурации транспортной сети и исследования ее эффективности.

Научная новизна работы содержится в следующих результатах:

1. Подход к формированию единого информационного пространства урбанизированной транспортной инфраструктуры, содержащего разнородную геометрическую, географическую и атрибутивную информацию об объектах, который отличается от известных в настоящее время подходов тем, что позволяет синтезировать агрегационные объекты, имеющие иерархическую структуру наследования и наделенные функцией целеположения.

2. Метод прогноза характеристик транспортной инфраструктуры на основе нейросетевой технологии, который заключается в построении функции напряженности улично-дорожной сети в акупунктурных точках и отличается от существующих методов тем, что формирует нейросеть, используя микромоделирование ТрИ.

3. Меметический алгоритм оптимизации конфигурации улично-дорожной сети, заключающийся в использовании эволюционных моделей для описания пространственной и атрибутивной информации об объектах транспортной инфраструктуры и отличающийся от известных генетических алгоритмов тем, что позволяет сохранять значения эталонов генетических операторов в мемы при удач-

ном направлении поиска.

4. Алгоритмы и программное обеспечение, направленные на поиск оптимальной конфигурации улично-дорожной сети, включающие нейросетевой анализ транспортных потоков и оценку функционирования улично-дорожной сети.

Диссертация соответствует паспорту специальности 05.13.01 - Системный анализ, управление и обработка информации (технические системы и связь) по следующим пунктам: 4. «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», 10. «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах».

Практическая значимость. Результаты исследований в виде метода синтеза единого информационного пространства, метода оптимизации структуры УДС, средств моделирования и метода анализа ТП использовались при разработке интеллектуальной транспортной системы, которая может быть применена эксплуатационными и проектными организациями на этапах сбора исходных данных и проектирования УДС (свидетельства об официальной регистрации программ для ЭВМ № 2013618131 и № 2013619154, 2013 г.). Система обработки пространственной информации о дислокации объектов ТрИ, которая позволяет формировать исходные пространственные и семантические данные об объектах с использованием ГИС, а также выполнять в автоматизированном режиме геообработку таких данных для прогноза характеристик ТрИ и оптимизации конфигурации УДС, подтверждена актами внедрения в работу научно-производственного центра «Интеллектуальные транспортные системы», а также в учебный процесс СГАУ.

Методика исследования. В работе использовались методы системного анализа, теории управления и проектирования информационных систем, математического и геоинформационного моделирования, нейросетевые технологии, методы эволюционного и объектно-ориентированного программирования.

На защиту выносятся:

1. Подход к формированию единого информационного пространства, содержащего разнородную географическую и семантическую информацию об объектах.

2. Метод анализа и прогноза характеристик транспортного потока в зависимости от пространственно-временных параметров транспортной инфраструктуры на основе нейросетевых технологий.

3. Меметический метод оптимизации конфигурации улично-дорожной сети.

4. Алгоритмы и программное обеспечение, направленные на поиск оптимальной конфигурации улично-дорожной сети, включающие нейросетевой анализ транспортных потоков и оценку функционирования улично-дорожной сети.

Реализация работы. Работа выполнена в период 2010-2014 гг. на кафедре организации и управления перевозками на транспорте СГАУ, результаты работы нашли применение в программных комплексах «Интеллектуальная транспортная система», «Программный комплекс проектирования дорожной сети на основе многокритериальной оптимизации», «Автоматизированная подсистема расчета акупунктурных точек города». Результаты научных исследований в области исследования ТП, методологии моделирования, технологии программирования внедрены в работу научно-производственного центра «Интеллектуальные транспортные системы» при реализации проектов: «Реконструкция автомобильных дорог общего пользования Самарской области, расположенных в границах город-

ского округа Самара», «Комплексная схема организации дорожного движения на основе прогнозирования интенсивности ТП на улично-дорожной сети г. Калуга»; в учебный процесс СГАУ. Акты реализации приведены в приложении Е.

Апробация работы. Основные теоретические и практические результаты работы докладывались на международных, Российских и региональных научных конгрессах, конференциях. Доклады представлены на международной междисциплинарной научной конференции «Синергетика в естественных науках» (Тверь, 2010), IX научной конференции по тематической картографии «Тематическое картографирование для создания инфраструктур пространственных данных» (Иркутск, 2010), ХУШ-ХХ международных научных конференциях «Математика. Компьютер. Образование» (Пущино-Дубна, МГУ, 2010-2013), всероссийской молодежной научной конференции с международным участием «XI Королевские чтения» (Самара, 2011), международной конференции «Компьютерные науки и информационные технологии» (С51Т'2010-2013), международной молодежной научной конференции «XII Туполевские чтения» (Казань, 2012), XVII всероссийской научно-технической конференции «Новые информационные технологии в научных исследованиях» (Рязань, 2012), международных научно-технических конференциях «ПИТ» (Самара, 2013, 2014).

Публикации. По теме диссертации опубликовано 39 работ, в том числе 5 статей в изданиях, определенных ВАК Минобрнауки России, 26 статей, 8 тезисов конференций, 2 свидетельства о регистрации программ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав основного материала, заключения, библиографического списка из 206 наименований и 5 приложений. Объем работы 201 страница машинописного текста, включая 52 рисунка и 13 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы основная цель, задачи исследований и основные положения, выносимые на защиту. Приведены научная новизна и практическая ценность работы.

В первой главе рассмотрены основные принципы проектирования УДС. Приведен аналитический обзор моделей ТП. Проведена классификация задач оптимизации УДС и методов решения. Рассматриваются востребованные и эффективные технологии и программные средства моделирования ТП, используемые в качестве систем поддержки принятия решений в области проектирования ТрИ. Эффективность принимаемых решений зависит от множества одновременно учитываемых факторов. Результатом должно стать уменьшение транспортных заторов на УДС, увеличение транспортной доступности и безопасности ТрИ.

Эффективным средством выбора оптимального решения являются программные средства моделирования, которые отображают изменение характеристик ТП в результате модификации ТрИ: расширение участка дороги, установка нового дорожного знака, появление новой точки тяготения ТП урбанизированной территории и т.д. Подобные системы способны прогнозировать возможные последствия от принимаемых решений, однако требуют огромного объема актуальных исходных данных для запуска моделирования. Актуализация и загрузка информации являются трудоемким и затратным по времени процессом. Задача моделирования ТП решается одним из стандартных подходов - использованием макро- или микромоделирования. При микромоделировании концентрируется внимание на ана-

лизе характеристик отдельных транспортных средств (ТрС) и параметрах различных участков УДС. Макромоделирование рассматривает поведение ТП на УДС.

Качественное решение задачи построения оптимальной конфигурации УДС диктует консолидацию макро- и микромоделирования, что требует интеграции с ГИС-моделями и базами данных, содержащими информацию не только о параметрах УДС, характеристиках ТП, дислокации населения, местах приложения труда, но и о характерных перемещениях населения и моделях поведения ТрС.

Синергетический эффект, возникающий при добавлении к микромодели ТП когнитивного поведения объекта, позволяет реагировать на события в условиях неопределенности и неточности информации динамической среды с учетом индивидуальных факторов поведения. Задача оптимизации УДС требует создания средства прогнозирования зависимости характеристик ТП от пространственных параметров урбанизированной территории. Эффективным инструментом решения задач прогнозирования являются технологии искусственного интеллекта — нейросети. Перспективным средством решения задач многокритериальной оптимизации является использование генетических алгоритмов.

Вторая глава посвящена разработке методов и моделей описания и формирования единого информационного пространства, содержащего данные об объектах урбанизированной ТрИ, геометрических и семантических данных УДС.

Для реализации единого информационного пространства в работе определено понятие агрегационного объекта (АО). Агрегационным объектом назовем объект А = {а:} (АФ0), создаваемый в момент времени tA для выполнения задачи,

называемой целью gA , и удаляемый после её достижения, через AtA = tA — t^ ■

Модель агрегационного объекта имеет вид: А = {v4, пА, gA, tA, AtA, , со'4}, где vA, пА - тип и уровень иерархии агрегации, соответственно; gA - цель жизни; tA , AtÁ - время рождения и время жизни АО, соответственно; - множество дискретных состояний; сол -множество выполняемых функций, необходимых для реализации цели (рис. 1). Для выполнения цели gA АО

А" с уровнем иерархии п (родитель) может создавать множество дочерних агрегационных объектов \А"+',... А"п+' j с уровнем

иерархии n + i. Структура жизни АО А" имеет рекурсивный характер. Специфицированы следующие типы АО, выполняющих различные функции системы поддержки принятия решений (СППР): АО мониторинга Av, моделирования Ам ,

А

Рисунок 1. Структура жизни агрегационного объекта

оптимизации А°, оценки А", определения транспортных районов А7', определения точек дислокации АР, прогноза интенсивности ТП АТР, определения цепей корреспонденции Ас, АО-координатор Ат, социальный интеллектуальный объект (СИО) А', АО-сборщик статистики А5 , формирования расширенной модели УДС Ар, поиска оптимальной конфигурации УДС Ак, анализа акупунктурных точек УДС АЛР, планирования А1'Р1а", перемещения а''Мок, информирования А'м ■ СППР основана на онтологии АО (рис. 2):

= { Ау ={А2,Ар,Атр,Ас\ Ам = \Ат,А3,А' =

а° = {ак,аар,а"\

а*

(1)

Для решения задачи построения оптимальной конфигурации УДС каждый из АО А должен достичь собственную цель g A. Задача

gl АО мониторинга

Ау, заключающаяся в

сборе и анализе данных, {—С Перемещение] разбивается на подзада-

§\ V—.................—У каждая из которых

информирование ] передается в качестве цели другим АО. АО мониторинга Ау порождает АО определения транспортных районов А2, определения

точек дислокации Ар, прогноза интенсивности ТП АТР и определения

Планирование

3

Рисунок 2. Онтология агрегационных объектов

цепей корреспонденции Ас ■ Для реализации этих задач разработаны методы: 1) графоаналитический метод расчета точек дислокации (используется в АО АР)', 2) метод формирования расширенной модели

УДС, основанный на кластерном анализе участков УДС, (используется в АО Аг);

3) метод экстрагирования транспортных районов (используется в АО Аг); 4) метод интеграции матриц корреспонденции (используется в АО Атр); 5) метод восстановления цепей корреспонденции (используется в АО Ас)• Информация, полученная в результате выполнения цели gv АО мониторинга АУ, передается в АО моделирования А5 , где имитируется движение ТП. Целью ом АО моделирования Ам является сбор информации о напряженности ТП на участках УДС, которая достигается с помощью внедрения СИО А' ■

СИО - модель, имитирующая поведение социального объекта, наделенного интеллектом, в урбанизированной инфраструктуре и представляющая ТрС, перемещающееся по определенному маршруту между социально-бытовыми объектами. Напряженность участка УДС и характеризует влияние на скорость ТП быстроты изменения интенсивности. Целью gм АО Ам является сбор информации о напряженности ТП на участках УДС, которая достигается с помощью внедрения СИО А' ■ Напряженность измеряется в км ч/авт. Напряженность на I участке УДС

с одной полосой движения, определяется и,. =-т~тт~~ ,'\> где Ч ~ Длина '~г0

уо' к ■\kJ- к)

участка УДС; к - плотность ТП; - плотность ТП в заторе; у„ - скорость свободного движения ТрС. Данные о напряженности, собранные АО моделирования Ам , передаются в АО оптимизации А0, где происходит формирование акупунк-

турных точек АО анализа акупунктурных точек А^ • Акупунктурную точку (АТ)

улично-дорожной сети рл е Рл определим, как некоторую точку, воздействуя на которую, можно изменить характеристики ТрИ. В свою очередь, изменение параметров ТрИ влечет за собой изменение параметров акупунктурной точки. АТ используется для оценки эффективности конфигурации УДС в процессе поиска рационального решения. АТ рА характеризуется параметрами: (хА,уА) - координата дислокации АТ на УДС, г* - радиус влияния, иА - нагрузка, определяемая

А'

по формуле иА , где и. - напряженность /-го направления; N - количе-

ы

ство направлений, для которых вычисляется напряженность данной АТ.

В третьей главе рассматривается моделирование ТП и методы прогнозирования характеристик ТП на основе нейросетевых технологий. Представлен метод поиска оптимальной конфигурации УДС с помощью разработанного меметиче-ского алгоритма. Моделирование ТП осуществляется АО моделирования Ам, целью g'w которого является формирование знаний о количестве, дислокации и

нагрузке АТ рА модели УДС. Ам порождает следующие АО: координации Ат, АО-сборщик статистики А3 и СИО А' = существующих в единой

внешней среде Е и взаимодействующих друг с другом. Модель АО

моделирования: Ам =\Е011ГА',РА], где Еаи, - множество объектов внешней среды; А'=щ,...,ау} ~ множество СИО, каждый из которых представлен расширенной моделью; - множество состояний внешней среды;

Мр - множество формализованных правил дорожного движения; РА -множество функций изменения состояния объектов ТрИ.

Схема принятия решения в системе управления ТрИ представлена на рис. 3. Интеллектуальность каждого социального объекта а\ обусловлена наличием

когнитивного сознания, которое определяет поведение Ь. объекта

аI во внешней среде Е , и реализуется нейронной сетью. Данное решение реализует свойство адаптивности СИО и обеспечивает такие необходимые качества его поведения, как сложность, автономность и интеллектуальность.

Архитектура СИО (рис. 4) позволяет агрегационным

объектам а' взаимодействовать друг с другом и с внешней средой ЕоШ, изменения которой носят неточный и

фрагментарный характер. АО-сборщик статистики Аж предназначен для сбора существующей и построения прогнозной напряженности ил участков УДС Функциональность АО АБ основана на трехслойной нейронной сети Ворда (рис. 5), способной проводить качественный анализ первоначальных данных за счет выделения различных аспектов. Выделение достигается благодаря особой топологии нейронной сети Ворда, содержащей скрытый слой блоков. Блок имеет собственную функцию активации, что способствует параллельной обработке сигналов, полученных от входного слоя. Топология нейросети Ворда используется в качестве прогнозной модели АО оптимизации. Для входного слоя в сети Ворда используется линейная функция активации. Количество нейронов входного слоя диктуется количеством варьируемых параметров. Скрытый слой представляется тремя блоками. Функции активации блоков скрытого слоя выбраны экспериментально: сигмоидальная, гиперболический тангенс, радиально-базисная. В выходном слое используется сигмоидальная функция активации. Обучение нейросети Ворда проводится методом обратного распространения ошибки. Подбор весовых коэффициентов происходит каждый раз при подаче на выход нейросети информации о напряженности иА в АТ, полученной от СИО а'м, достигшего поставленной цели g¡. АО-сборщик статистики АБ показывает зависимость вре-

0,(1)

Система поддержки

ит

Улично-дорожкая сеть

т

АО

оптимизации

ао-сбор щи к статистики

____!_т_.

СУПЕРВИЗОР

АО мониторинга

АО моделирования |

АО-координатор

' социальные Интеллектуальные объекты*

Рисунок 3. Схема принятия решения в системе управления ТрИ

СОЦИАЛЬНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ ОБЪЕКТЫ

Социальный интеллектуальный объект

......—я

я

>

I Фиксированные

■

Цели

(Модель |

Гибкие знания

I Накопленный опыт |

Достигнутые цели

Результаты обследования

Пространственно- ] временные параметр*.; ]

Параметры транспортной инфраструктуры

менных и пространственных характеристик ТрИ от напряженности uf в AT р. '. Задачей g° АО оптимизации А0 является определение оптимальной конфигурации УДС в виде подграфа G" = {V",E"), в котором величина напряженности uf в AT рА принимает минимальные значения. Дополнительными критериями оптимизации выбраны максимизация функции транспортной доступности fJini, максимизация функции надежности УДС freUable и максимизация функции связности

Се™ funk-

Среди алгоритмов оптимизации, согласно проведенному анализу, наибольшую эффективность демонстрирует генетический алгоритм. Для решения задачи оптимизации конфигурации УДС разработан меметический алгоритм (рис. 6), основанный на генетическом алгоритме оптимизации. Генотип G особи состоит из трех хромосом: Спа, Ccross, Стш - конфигурации сети, скрещивания и мутации, соответственно. В хромосоме-решении С"е' ={gl,g2,...gN} хранится

конфигурация УДС. С"" кодируется бинарной строкой длины N, где N -количество участков УДС. Локус i = l,N гена g. е С"а трактуется как идентификационный номер участка УДС. Аллель гена g. хромосомы С" g.=1, если участок УДС существует, и g.= 0, в

противном случае. Хромосомы генотипа C""ss и С'""' представляют собой мем-хромосомы, хранящие информацию о способах формирования генетических операторов скрещивания и мутации.

| АО сбора статистики '

Рисунок 4. Архитектура СИО

О О О ; ! О О О ! i °

F(y)= I 1+e*

Рисунок 5. Топология нейросети Ворда

Применение генетических операторов к мем-хромосоиам

Скрещивание мем-хромосом

Мутация мем-хромосом

Оценка приспособленности хромосом-решений

Рисунок 6. Схема меметического алгоритма оптимизации Отбор в новую популяцию хромосом происходил с помощью вычисления целевой функции fßllu„ для каждой к-ой хромосомы-решения Ск'ш • Целевая функция fnmes представлена критериями:

fßnes (Х) = Keliablefrelmble{X) ~~ Kensionfmsion{X) + ^link flink (Х) ~~ ^jinifjim (Х) 5 Р)

Кенмг+Кепшп+Кпк " весовые коэффициенты.

Критерий надежности является показателем устойчивости функционирования

УДС freliM{x)=-где п число дуг графа; kread i - коэффици-п j—]

ент готовности i участка УДС: krmdyi = ехр(-//0)• \п{\/krcady0), где I. - длина участка УДС; / - единичная длина участка; kread 0 - коэффициент готовности участка УДС единичной длины. Критерий напряженности ftension минимизирует значение напряженности и" в AT, найденной АО анализа AT А^:

к" ы"

= где - количество AT, KPL - количество участ-

4=1 «=1

ков УДС в радиусе влияния rA AT. Значения напряженности иАк для п -ой AT и

к -ого участка возвращает АО-сборщик статистики As по следующим временным и пространственным характеристикам: у0), (xN,yN) - координаты

начальной и конечной точек осевой линии участка sk ; Е,к - семантические и геометрические параметры участка , т - временные параметры, (хл— координата дислокации AT.

Критерий связности сети, при низких значениях которого увеличивается вероятность заторов, определяется как fHnk[x) = m(x) ~nv+ кп шах .

Критерий транспортной доступности, определяемый через показатель Джини:

/,ыМ=1 + где с^к{х) ~ количество свя-

к=\

зей к-го транспортного района, к = 0,1,..., К (связи отсортированы в порядке возрастания, согласно количеству поездок ТрС, полученных для этой связи); с^™" -количество поездок в транспортном районе. Условием остановки меметического алгоритма является отсутствие улучшения усредненного для особей значения целевой функции (2) на протяжении трех поколений. Лучшей хромосомой признаётся хромосома-решение с наибольшим значением целевой функции. Меметический алгоритм снижает скорость поиска решения путем направления поиска в область оптимальных решений за счет введения мем-хромосом, хранящих информацию о

предпринятых решениях при достижении положительных результатов. Сравнение алгоритмов представлено на рисунке 7, из которого видно, что меметический алгоритм дает лучшие значения целевой функции при меньшем количестве итераций по сравнению с классическим генетическим алгоритмом.

Целевая функция

400 600 800 Классический генетический

Кол-во поколений

1000 1200 1400 1600 Меметический

Рисунок 7. Сравнение эффективности генетического и меметического алгоритмов оптимизации В четвертой главе описан разработанный программный комплекс (рис. 8), реализующий методы моделирования и анализа ТП, оптимизации УДС на основе генетических алгоритмов, нейросетевых и геоинформационных технологий.

Рисунок 8. Система поддержки принятия решения при управлении ТрИ Опытная эксплуатация показала адекватность моделей, методов и алгоритмов. Программный комплекс обладает функциями загрузки, хранения и анализа гео-

информационных данных, обладает средствами автоматизации экспериментов, что позволяет решать задачи поиска оптимальной конфигурации УДС; осуществляет предварительную подготовку и преобразование исходных данных (импорт и обработку геоинформационных данных; разбивку исследуемой территории на транспортные районы; вычисление координат и параметров акупунктурных точек урбанизируемой территории; прогноз интенсивности ТП; расчет цепей корреспонденции); построение и оптимизацию конфигурации УДС (выявление проблемных участков УДС, поиск оптимального решения); исследование эффективности конфигурации УДС. Программный комплекс использовался для создания оптимальной конфигурации УДС г. Калуга. Результатом явилась выработка рекомендаций по увеличению числа полос по некоторым направлениям, добавлению новых участков УДС. Проведена комплексная оценка параметров найденной оптимальной конфигурации УДС.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработан подход к формированию единого информационного пространства урбанизированной транспортной инфраструктуры, содержащего разнородную географическую и семантическую информацию об объектах, который отличается от известных в настоящее время подходов тем, что позволяет синтезировать агрегационные объекты, имеющие иерархическую структуру наследования и наделенные функцией целеположения.

2. Разработан метод прогноза характеристик транспортной инфраструктуры на основе нейросетевой технологии, который заключается в построении функции напряженности улично-дорожной сети в акупунктурных точках, и отличается от существующих методов тем, что формирует нейросеть, используя микромоделирование транспортной инфраструктуры.

3. Разработан меметический алгоритм оптимизации конфигурации улично-до-рожной сети, заключающийся в использовании эволюционных моделей для описания пространственной и семантической информации об объектах транспортной инфраструктуры и отличающийся тем, что позволяет сохранять значения эталонов генетических операторов в мемы при удачном направлении поиска.

4. Разработаны алгоритмы и программный инструментарий интеллектуальной транспортной системы, в которых реализованы: моделирование транспортных потоков посредством взаимодействия социальных интеллектуальных объектов в динамической среде, выявление акупунктурных точек на УДС урбанизированной территории, нейросетевой анализ и прогноз значений напряженности в акупунктурных точках, поиск конфигурации УДС на основе разработанного меметичес-кого алгоритма, оценка конфигурации УДС. Результаты применения программного инструментария показали адекватность предлагаемых методов и алгоритмов. Разработанный программный инструментарий использовался для изменения конфигурации улично-дорожных сетей при составлении проектной документации улиц г. Калуги. На основе проведенных исследований выработаны рекомендации по изменению конфигурации УДС, которые позволили улучшить ТрИ по основным показателям: надежность сети увеличилась в 3.5 раза, связность сети увеличилась на 43%, плотность сети увеличилась на 17.5%, коэффициент непрямолинейности сети уменьшился на 5%. Результаты диссертационной работы использованы в работе научно-производственного центра «Интеллектуальные транспортные системы», а также в учебном процессе СГАУ.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1.Сапрыкина, О.В. Построение архитектуры аналитического инструментария интеллектуальной транспортной системы на основе паттернов проектирования [Текст] / О. В. Сапрыкина, Т. И. Михеева, О.Н. Сапрыкин // Вестник Самарского гос. техн. унта. Серия «Технические науки». - 2010. - №4 (27). - С. 27-35.

2.Сапрыкина, О.В. Модель эволюции транспортной сети урбанизированной территории [Текст] / О.В. Сапрыкина, Т.И. Михеева // Вестник Самарского гос. техн. унта. Серия «Технические науки». - 2012. - №4(36). - С. 58-65.

3.Сапрыкина, О.В. Кластеризация, как инструмент анализа улично-дорожной сети мегаполиса [Электронный ресурс) / О.В. Сапрыкина, Т.И. Михеева//Современные проблемы науки и образования.-2014.-№5-http://www.science-educatioii.rU/l 19-14940.

4.Сапрыкина, О.В. Адаптирующийся меметический алгоритм оптимизации конфигурации улично-дорожной сети [Электронный ресурс) / О.В. Сапрыкина, О.Н. Сапрыкин // Современные проблемы науки и образования. - 2014. - № 5. - Режим доступа : http://www.science-education.ru/119-15256.

5.Сапрыкина, О.В. Построение геоинформационной математической модели транспортной инфраструктуры [Текст] / О.В. Сапрыкина, О.Н. Сапрыкин, Т.И. Михеева // Известия Самарского научного центра Российской академии наук. - 2014. Т. 16. - № 4(2). - С. 409-412.

6.Сапрыкина, О.В. К вопросу об определении фокусов тяготения на основе геоинформационной составляющей интеллектуальной транспортной системы / О.В. Сапрыкина, Т.И. Михеева // Актуальные проблемы автотранспортного комплекса. - Самара : Самар. гос. техн. ун-т, 2010.-С. 156-160.

7.Сапрыкина, О.В. Определение дислокации фокусов тяготения города [Текст] / О.В. Сапрыкина, Т.И. Михеева // Материалы междунар. междисципл. науч. конф.-Тверь: Твер.гос. ун-т.,2010.-С. 280-284.

8.Сапрыкина, О.В. Перерайонирование селитебных территорий мегаполиса на основе теории Говарда [Текст] / О.В. Сапрыкина, Т.И. Михеева // Материалы IX науч. конф. по тематич. картографии. - Иркутск : СО РАН, 2010. - Т. 1. - С. 22-26.

9. Сапрыкина, О.В. Архитектура интеллектуальной системы управления транспортной инфраструктурой города [Текст] / О.В. Сапрыкина, Т.И. Михеева, Сапрыкин О.Н // Материалы IX научн. конф. по тематич. картографии. - Иркутск :СО РАН, 2010.-Т.1. - С. 26-30.

10. Saprykina, O.V. Algorithms for definition of attraction geographical points [text] / T.I. Mikheeva, O.V. Saprykina // Proceedings of the 12th International Workshop on Computer Science and Information Technologies, Vol. 2. Russia, Moscow-St.Petersburg, 2010. - Pp. 74-76.

11. Сапрыкина, О.В. Реализация энтропийной модели расчета матриц корреспонденций при проектировании транспортной сети [Текст] / О.В. Сапрыкина, Т.И. Михеева // Актуальные проблемы автотранспортного комплекса : межвуз. сб. науч. статей (с междунар. участием). - Самара : Самар. гос. техн. ун-т., 2012. - С. 25-38.

12. Сапрыкина, О.В. Применение принципа Вардропа при моделировании улично-дорожной сети крупного города [Текст] / О.В. Сапрыкина, Т.И. Михеева, О.Н. Сапрыкин // XX Туполевские чтения. - Казань. 2013. - С. 160-162.

13. Сапрыкина, О.В. Онтология транспортной инфраструктуры [Текст] / О.В. Сапрыкина, О.Н. Сапрыкин // XX Туполевские чтения. - Казань. 2013. - С. 158-160.

14. Saprykina, O.V. Realization calculation model of matrixes of correspondence for transport network [Текст] / O.V. Saprykina, T.I. Mikheeva, O.N. Saprykin // The 14th International Workshop on Computer Science and Information Technologies, 2012. - Pp. 20-26.

15. Сапрыкина, О.В. Особенности нештатных изменений улично-дорожной сети [Текст] / О.В. Сапрыкина, A.A. Осьмушин, Д.А. Михайлов, A.A. Федосеев // Новые информационные технологии в научных исследованиях: материалы XVII Всерос. науч,-техн. конф. студентов, молодых ученых и специалистов.-Рязань: РГРТУ, 2012 - С. 210-211.

16. Сапрыкина, О.В. Расчет точек концентрации транспортных потоков на основе

метода Штейнера [Текст] / О.В. Сапрыкина, С.В. Михеев, О.Н. Сапрыкин // Новые информационные технологии в научных исследованиях: материалы XVII Всерос. науч.-техн. конф. студентов, молодых ученых и специалистов.-Рязань: РГРТУ, 2012.- С. 211-213.

17. Saprykina, O.V. The transport network evolution model [text] / O.V. Saprykina, O.N. Saprykin, A.V. Sidorov // Proceedings of the 15th International Workshop on Computer Science and Information Technologies (CSIT'2013), Vol. 3. Information Scientific Issue, UFA, Russia, 2013.-Pp. 86-88.

18. Saprykina, O.V. Control in critical situations at the road network [text] / O.V Saprykina, A.A. Osmushin, S.V. Mikheev // Proceedings of the 15th International Workshop on Computer Science and Information Technologies.Information Scientific Issue,UFA,Russia,2013.- Pp.71-73.

19. Сапрыкина, O.B. Построение математической модели транспортной инфраструктуры для решения задач модификации улично-дорожной сети / О.В. Сапрыкина, О.Н. Сапрыкин // Перспективные информационные технологии (ПИТ-2013). - Самара, 2013.-С. 246-248.

20. Сапрыкина, О.В. Синтез адаптивных информационных систем анализа инцидентов / А.А. Осьмушин, О.В. Сапрыкина, А.А. Федосеев // Перспективные информационные технологии (ПИТ-2014). - Самара, 2014. - С. 379-382.

21. Сапрыкина, О.В. Моделирование транспортных потоков с помощью искусственных социальных объектов / О.В. Сапрыкина, О.Н. Сапрыкин, Т.И. Михеева // Перспективные информационные технологии. - Самара, 2014. — С. 382-385.

22. Сапрыкина, О.В. Построение прогноза интенсивности движения транспортного потока / О.В. Сапрыкина, О.Н. Сапрыкин // Proceeding of the 2nd International Conference «Informational Technologies for Intelligent Decision Making Support» and the Intended International Workshop «Robots and Robotic Systems». - Vol. 1. - Ufa, 2014. - Pp. 77-82.

23. Сапрыкина, О.В. Алгоритм выявления точек сгущения транспортных потоков на улично-дорожной сети в ГИС /' О.В.Сапрыкина, О.Н.Сапрыкин// 1Т&Транспорт.-Самара: Интелтранс.-20 J 4-Л» 1 -С. 122-125.

24. Сапрыкина, О.В. Нейросетевой метод прогнозирования значений напряженности улично-дорожной сети города / IT&Транспорт. - Самара: Интелтрапс. - 2014. — №1. — С.126-131.

25. Saprykina, O.V. Evolution model of the transport network / O.V. Saprykina, O.N. Saprykin, A.V. Sidorov // Intelligent transport system: method, algorithms, realization. -Deutschland, Germany, LAP LAMBERT Academic Publishing, 2014. - Pp. 138-143.

26. Saprykina, O.V. Control in critical situations at the road / A.A. Osmushin, S.V. Mikheev, O.V. Saprykina // Intelligent transport system: method, algorithms, realization. - Deutschland, Germany, LAP LAMBERT Academic Publishing, 2014. - Pp. 115-120.

27. Saprykina O.V. Calculation model of matrix of correspondence transport network / T.I. Mikheeva, O.V. Saprykina, O.N. Saprykin // Intelligent transport system: method, algorithms, realization. - Deutschland, Germany, LAP LAMBERT Academic Publishing, 2014. — Pp. 74-82.

28. Saprykina O.V. Geographic points of attraction of transport infrastructure / T.I. Mikheeva, O.V. Saprykina, O.N. Saprykin // Intelligent transport system: method, algorithms, realization. -Deutschland, Germany, LAP LAMBERT Academic Publishing, 2014. - Pp. 61-67.

29. Сапрыкина О.В. Программный комплекс проектирования дорожной сети на основе оптимизации / О.В. Сапрыкина 7 Свид-во об официальной регистрации программы для ЭВМ №2013618131 - М.: Федеральная служба по интеллектуальной собственности, 2013.

30. Сапрыкина О.В. Автоматизированная подсистема расчета акупунктурных точек города / Т.И. Михеева, О.В. Сапрыкина // Свид-во об официальной pel истрации прогр. для ЭВМ № 2013619154 - М.: Федеральная служба по интеллектуальной собственности, 2013.

Подписано в печать 03.04.2015. Формат 60x84 1/16. Усл. печ. л. 1. Тираж 100 экз. Отпечатано с ютового оригинал-макета. 4430Я6, Самара, Московское шоссе, 34. СГАУ