ГІС — ОСНОВА ДЛЯ ІНТЕЛЕКТУАЛЬНИХ ТРАНСПОРТНИХ СИСТЕМ
DOI:
https://doi.org/10.18372/2310-5461.69.20953Ключові слова:
ГІС, інтелектуальнітранспортнісистеми, транспортніпотоки, дорожня мережа, map-matching, швидкість, час поїздки, індекс перевантаженняАнотація
Ефективне впровадження інтелектуальних транспортних систем (ІТС) неможливе без достовірних просторово-часових даних про стан вулично-дорожньої мережі та параметри руху. На практиці дані надходять з різних джерел (GPS/FCD, стаціонарні детектори, відео аналітика, світлофорні контролери, дорожні паспорти) і відрізняються точністю, частотою та покриттям території, що ускладнює їх сумісне використання для моніторингу та керування. Геоінформаційні системи (ГІС) забезпечують єдине мережеве подання інфраструктури, прив’язку спостережень до сегментів і часових інтервалів, а також візуалізацію результатів у вигляді тематичних карт. В роботі досягнуто мети розробити відтворювану схему ГІС-аналізу транспортних потоків на рівні сегментів дорожньої мережі та сформувати набір показників, придатних для задач ІТС (оперативний моніторинг, виявлення «вузьких місць», оцінювання впливу подій, підтримка рішень). Використано орієнтоване мережеве подання доріг, процедури топологічної перевірки та сегментації до однорідних ділянок, алгоритми map-matching траєкторій, агрегацію показників у фіксованих часових вікнах ∆t (5–15 хв), фільтрацію викидів і контроль достатності спостережень. Для інтерпретації результатів застосовано розрахунок метрик, ранжування критичних сегментів і побудову тематичних карт. Сформовано структуру сегментно-часових даних і набір метрик стану мережі: швидкість Ve(t), інтенсивність Qe(t), час поїздки te(t) = ℓe/Ve(t) та індекс перевантаження CIe(t) = te(t)/t0,e (де t0,e відповідає умовам вільного руху).Запропоновано послідовність підготовки мережі, узгодження часових вікон, контролю якості та валідації за контрольними вимірюваннями, що забезпечує порівнюваність оцінок у часі та просторі. Результати можуть бути використані для оперативного моніторингу та картографування перевантаження, формування рейтингів «вузьких місць», аналізу подієвих/аномальних режимів (ДТП, перекриття, ремонти, погодні впливи) і оцінювання ефективності керувальних заходів у контурі ІТС.
Посилання
Map-matching algorithms for low-sampling-rate GPS trajectories: A review / X. Chao, S. Wang, J. Li. ISPRS International Journal of Geo-Information. 2020. Vol. 9, no. 3. Art. 186. DOI: https://doi.org/10.3390/ijgi9030186
Yu B., Yin H., Zhu Z. Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting. Proceedings of the 27th International Joint Conference on Artificial Intelligence (IJCAI). 2018. P. 3634–3640.
Diffusion convolutional recurrent neural network: Data-driven traffic forecasting / Y. Li et al. Proceedings of the 6th International Conference on Learning Representations (ICLR). 2018.
Attention-based spatial–temporal graph convolutional networks for traffic flow forecasting / S. Guo et al. Proceedings of the AAAI Conference on Artificial Intelligence. 2019. Vol. 33. P. 922–929.
Graph WaveNet for deep spatial–temporal graph modeling / Z. Wu et al. Proceedings of the 28th International Joint Conference on Artificial Intelligence (IJCAI). 2019. P. 1907–1913.
Trajectory data mining: An overview / K. Zheng et al. ACM Transactions on Intelligent Systems and Technology. 2020. Vol. 11, no. 1. Art. 1. DOI: https://doi.org/10.1145/3361746
Adaptive graph convolutional recurrent network for traffic forecasting / L. Bai et al. Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 17804–17815.
Connecting the dots: Multivariate time series forecasting with graph neural networks / Z. Wu et al. Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 11211–11222.
STG2Seq: Spatial-temporal graph to sequence model for multistep traffic forecasting / X. Zhou et al. Proceedings of the 29th International Joint Conference on Artificial Intelligence (IJCAI). 2020.
Jiang W., Luo J., Zeng W. A survey on spatio-temporal graph neural networks for traffic forecasting. arXiv. 2021. URL: https://arxiv.org/abs/2101.00000 (дата звернення: 12.03.2026).
You S., Wu J., Xiao J. Traffic prediction with spatial–temporal transformer networks. Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35. P. 6132–6140.
A spatio-temporal graph-based deep learning framework for traffic forecasting / C. Chen et al. Transportation Research Part C: Emerging Technologies. 2021. Vol. 130. Art. 103234. DOI: https://doi.org/10.1016/j.trc.2021.103234
Li Y., Chen S., Shahabi C. Dynamic graph convolutional recurrent network for traffic forecasting. Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35. P. 613–621.
Zhang J., Zheng Y., Qi D. Deep spatio-temporal graph convolutional networks for traffic forecasting: A unified perspective. IEEE Transactions on Intelligent Transportation Systems. 2022. Vol. 23, no. 6. P. 5400–5413. DOI: https://doi.org/10.1109/TITS.2021.3055906
Yuan N. J., Zheng Y., Xie X. Trajectory data mining: A survey of methods and applications. ACM Computing Surveys. 2022. Vol. 54, no. 2. Art. 29. DOI: https://doi.org/10.1145/3447970
Yang Z., Liu Y., Wang X. Travel time estimation and prediction with deep learning: A review. Transportation Research Part C: Emerging Technologies. 2023. Vol. 146. Art. 103988. DOI: https://doi.org/10.1016/j.trc.2023.103988
Chen Z., Li S., Wang Y. Recent advances in traffic forecasting with graph neural networks: A survey. IEEE Transactions on Intelligent Transportation Systems. 2024. Vol. 25, no. 4. P. 3221–3236. DOI: https://doi.org/10.1109/TITS.2023.3240893.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 К Доля
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі:
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
