PostDoc Latvia logo

Populārzinātniskā atskaite par Pētnieciskā projektā 1.1.1.2/VIAA/1/16/112 “Laiktelpiska pilsētas satiksmes modelēšana, izmantojot lielos datus” paveikto pirmajos 6 mēnešos

Pilsētas transporta satiksmes modelēšana ir atzīstama par vienu no svarīgākajiem mūsdienu lietišķās zinātnes virzieniem. Šī virziena pēdējo gadu strauja attīstība ir saistīta ar diviem pamatfaktoriem:

  • Liels potenciālo lietotāju skaits. Parastie vadītāji, kas lieto navigācijas programmas; sabiedriskā transporta uzņēmumi, kas optimizē savus maršrutus; municipālie dienesti, kas plāno ceļu un komunikāciju apsaimniekošanu – tas ir nepilns lietotāju, kas ir ieinteresēti transporta plūsmas precīzā prognozēšanā, saraksts.
  • Liels pieejamās informācijas apjoms. Mūsdienīgās pilsētas ir aprīkotas ar tūkstošiem sensoru, kas fiksē braucamo automašīnu ātrumu un skaitu; GPS navigācija ļauj sekot līdzi atsevišķo automašīnu un sabiedriskā transporta kustībai; sociālie tīkli satur informāciju par visiem nozīmīgiem ceļu notikumiem. Visa šī informācija var tikt izmantota transporta plūsmas modelēšanai un prognozēšanai, taču minētās informācijas liels apjoms, slikta strukturēšana un pretrunīgums rada papildu problēmas.

Patlaban eksistējošās modeles un to realizācijas programmatūras labi tiek galā ar transporta plūsmas prognozēšanu parastajos (ierastajos) apstākļos, kad automašīnu vadītāji ievēro savus ierastos maršrutus un dienas kārtībai. Taču gadījumā, ja kustība ir apgrūtināta (avārija, remonts, utt.), tad autovadītāji meklē alternatīvus ceļus, un prognozēšanas uzdevums tiek būtiski apgrūtināts. Piemērām, neliels ceļu satiksmes negadījums (CSN) viena ceļa posmā var novest pie alternatīva maršruta meklēšanas, un, kā rezultātā, pēc neilga laika izraisīt sastrēgumu citā no CSN būtiski attālināta ceļa posmā. Projekts 1.1.1.2/VIAA/1/16/112 «Laiktelpiska pilsētas satiksmes modelēšana, izmantojot lielos datus» ir veltīts minētās problēmas atrisināšanai – ceļa posmu savstarpējo sakarību (“telpa”), kas radušies ar laika kavēšanos (“laiks”), modelēšanai un analīzei, pamatojoties uz lieliem datiem.

Šī projekta realizēšanas pirmie seši mēneši tika veltīti laiktelpiska pilsētas satiksmes modelēšanas jomā esošo problēmu analīzei un to risināšanas metodēm. Vissvarīgāko metodoloģijas problēmu saraksts tika apkopots un prezentēts starptautiskajā zinātnes konferencē “Reliability and Statistics in Transportation and Communication (RelStat-2017)” un patlaban ir pieejams publikācijas veidā (Pavlyuk, 2018a).

Viena no svarīgākajām modelēšanas problēmām ir savstarpējo sakarību atklāšana transporta plūsmās telpā un laikā.  Mēs izskatījām vairāk nekā 200 esošo pētījumu, kuros tiek izmantotas vairāk nekā 30 dažādas pieejas minētās problēmas risināšanai, un sagatavojām par to plašu pārskatu (Pavlyuk, 2018b). Patlaban sagatavotais pārskats tiek revidēts un gaida recenziju vienā no vadošajiem zinātniskajiem transportu žurnāliem, un mēs ceram, ka tas kļūs pieejams tuvākajā laikā.

Otrais svarīgais modelēšanas aspekts ir datu optimālā detalizācijas līmeņa izvēle. Mūsdienu intelektuālas transportu sistēmas ļauj saņemt ļoti detalizētus datus (piemērām, automašīnu skaits, kas šķērsoja attiecīgo krustojumu katru 30 sekunžu laikā, vai pat atsevišķus datus par katru konkrētu automašīnu). Taču nav obligāti, ka šāda datu detalizācija atvieglos vai uzlabos prognozes kvalitāti, jo satur augstu “trokšņa” līmeni (kuru izraisa katras atsevišķas automašīnas īpatnības). Bieži ir izdevīgāk izmantot datus sagrupētā veidā.  Tieši šīs problēmas impēriskai analīzei ir veltīts vēl viens mūsu pētījums (Pavlyuk, 2018c). Šis pētījums tiks prezentēts šī gada 11.-12.jūnijā Vīnē, Austrijā starptautiskajā zinātnes konferencē “XII World Conference of the Spatial Econometrics Association (SEA-2018)”.

Pavlyuk, D., 2018a. Spatiotemporal Big Data Challenges for Traffic Flow Analysis,

in: Kabashkin, I., Yatskiv, I., Prentkovskis, O. (Eds.), Reliability and Statistics in

Transportation and Communication. Springer International Publishing,

Cham, pp. 232–240. https://doi.org/10.1007/978-3-319-74454-4_22

Pavlyuk, D., 2018b. Feature selection and extraction in spatiotemporal traffic forecasting: a systematic literature review, under review

Pavlyuk, D., 2018c. Temporal aggregation effects in spatiotemporal traffic modelling, under review

contact us