DOI: https://doi.org/10.32515/2664-262X.2024.9(40).1.165-177
Прогнозування завантаженості вулиць великих міст з урахуванням коливань щільності та швидкості руху транспортних потоків
Об авторах
В. А. Войтов, професор, доктор технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: vavoitovva@gmail.com, ORCID ID: 0000-0001-5383-7566
Н.Г. Бережна, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: bereg_nat@ukr.net, ORCID ID: 0000-0001-8740-3387
І.І. Сисенко, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: Igor.sysenko@gmail.com, ORCID ID: 0000-0003-0005-7640
А.В. Войтов, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: K1kavoitov@gmail.com, ORCID ID: 0000-0002-5626-131X
Л.Ф. Кривенко, директор підприємства, Автомобільне-транспортне підприємство АТП 16363, м. Харків, Україна, e-mail: leonid.krivenko@atp16363.org.ua, ORCID ID: 0009-0006-2720-0901
А.С. Козенок, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: anna13kozenok@gmail.comt, ORCID ID: 0000-0002-3152-2253
Анотація
У роботі розроблено методичний підхід прогнозування завантаженості вулиць великих міст з урахуванням коливань щільності транспортних потоків та швидкості руху автомобілів, які пов’язані з «годинами пік». Методичний підхід, на відміну від раніше відомих, доповнює відомий критерій робастності, розроблений авторами у попередніх публікаціях, що дозволяє підвищити точність прогнозування виникнення заторів. Запропоновано функції зміни щільності транспортного потоку та швидкості руху транспортних засобів у транспортному потоці, що змінюються у часі. Крім реального часу функції містять змінні параметри у вигляді амплітуди коливань та періоду коливань. Це дозволяє зробити адаптацію моделі прогнозування до реальної дорожньої мережі з урахуванням періоду завантаженості мережі та інфраструктури доріг.
Ключові слова
транспортний потік, прогнозування, динамічна модель, щільність транспортного потоку, швидкість руху, критерій робастності транспортного потоку, амплітуда коливань, період коливань, стійкість транспортного потоку, затор
Повний текст:
PDF
Посилання
1. Vojtov, V.A. et al. (2023). Otsinka erhonomichnoi stijkosti transportnoho potoku na dil'nytsiakh dorozhn'oi merezhi. Identyfikatsiia matematychnoi modeli [Assessment of ergonomic sustainability of traffic flow at road network sections. Identification of a mathematical model]. Tsentral'noukrains'kyj naukovyj visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, 7(38), 236-245 https://doi.org/10.32515/2664-262X.2023.7(38).1.236-245 [in Ukrainian].
2. Kravtsov, A.H. et al. (2023). Obhruntuvannia kryteriiu stijkosti transportnoho potoku na dil'nytsiakh dorozhn'oi merezhi [Justification of the traffic flow stability criterion at the sections of the road network]. Tsentral'noukrains'kyj naukovyj visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, 7(38), 222-230 https://doi.org/10.32515/2664-262X.2023.7(38).2.222-230 [in Ukrainian].
3. Horiainov, O.M. et al. (2023). Doslidzhennia matematychnoi modeli stijkosti transportnoho potoku na dil'nytsiakh dorozhn'oi merezhi mista [Study of the mathematical model of the stability of the traffic flow in the sections of the city's road network]. Tsentral'noukrains'kyj naukovyj visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, 8(39), I, 183-195 https://doi.org/10.32515/2664-262X.2023.8(39).1.183-195 [in Ukrainian].
4. Medina-Salgado, B., Sanchez-DelaCruz, E., Pozos-Parra, P. & Sierra, J. E. (2022). Urban traffic flow prediction techniques: A review. Sustainable Computing: Informatics and Systems, 35, 100739. https://doi.org/10.1016/j.suscom.2022.100739
5. Kechagias, E. P., Gayialis, S. P., Konstantakopoulos, G. D. & Papadopoulos, G. A. (2019). Traffic flow forecasting for city logistics: A literature review and evaluation. International Journal of Decision Support Systems, 4(2), 159-176. https://doi.org/10.1504/IJDSS.2019.104556
6. Verma, A. (2016). Review of studies on mixed traffic flow: perspective of developing economies. Transportation in Developing Economies, 2, 1-16. https://doi.org/10.1007/s40890-016-0010-0
7. Zambrano-Martinez, J. L., T. Calafate, C., Soler, D., Cano, J. C. & Manzoni, P. (2018). Modeling and characterization of traffic flows in urban environments. Sensors, 18(7), 2020. https://doi.org/10.3390/s18072020
8. Horvat, R., Kos, G. & Ševrović, M. (2015). Traffic flow modelling on the road network in the cities. Tehnički vjesnik, 22(2), 475-486. https://doi.org/10.17559/TV-20150127093334
9. Bhanu, M., Priya, S., Dandapat, S. K., Chandra, J. & Mendes-Moreira, J. (2018). Forecasting traffic flow in big cities using modified tucker decomposition. In Advanced Data Mining and Applications: 14th International Conference, ADMA 2018, Nanjing, China, November 16–18, 2018, Proceedings 14 (pp. 119-128). Springer International Publishing. https://doi.org/10.1007/978-3-030-05090-0_10
10. Gora, P. (2012, March). Traffic simulation framework. In 2012 UKSim 14th International Conference on Computer Modelling and Simulation (pp. 345-349). IEEE. https://doi.org/10.1109/UKSim.2012.57
11. Hu, W., Wang, H., Qiu, Z., Yan, L., Nie, C. & Du, B. (2018). An urban traffic simulation model for traffic congestion predicting and avoiding. Neural Computing and Applications, 30, 1769-1781. https://doi.org/10.1007/s00521-016-2785-7
12. Hofer, C., Jäger, G. & Füllsack, M. (2018). Including traffic jam avoidance in an agent-based network model. Computational social networks, 5, 1-12. https://doi.org/10.1186/s40649-018-0053-y
13. Jiang, Y., Kang, R., Li, D., Guo, S. & Havlin, S. (2017). Spatio-temporal propagation of traffic jams in urban traffic networks. arXiv preprint arXiv:1705.08269. https://doi.org/10.48550/arXiv.1705.08269
14. Nagy, A. M. & Simon, V. (2021). Traffic congestion propagation identification method in smart cities. Infocommunications Journal, 13(1), 45-57. https://doi.org/10.36244/ICJ.2021.1.6
15. Nagy, A. M. & Simon, V. (2021). Improving traffic prediction using congestion propagation patterns in smart cities. Advanced Engineering Informatics, 50, 101343. https://doi.org/10.1016/j.aei.2021.101343
16. Nagy, A. M. & Simon, V. (2021). A novel congestion propagation modeling algorithm for smart cities. Pervasive and Mobile Computing, 73, 101387. https://doi.org/10.1016/j.pmcj.2021.101387
17. Liu, X. C., Zhang, G., Lao, Y. & Wang, Y. (2012). Modeling traffic flow dynamics on managed lane facility: approach based on cell transmission model. Transportation research record, 2278(1), 163-170. https://doi.org/10.3141/2278-18
18. Xu, N., Shang, P. & Kamae, S. (2010). Modeling traffic flow correlation using DFA and DCCA. Nonlinear Dynamics, 61, 207-216. https://doi.org/10.1007/s11071-009-9642-5
19. Fulari, S., Thankappan, A., Vanajakshi, L. & Subramanian, S. (2019). Traffic flow estimation at error prone locations using dynamic traffic flow modeling. Transportation letters, 11(1), 43-53. https://doi.org/10.1080/19427867.2016.1271761
20. Yang, H., Yu, W., Zhang, G. & Du, L. (2024). Network-Wide Traffic Flow Dynamics Prediction Leveraging Macroscopic Traffic Flow Model and Deep Neural Networks. IEEE Transactions on Intelligent Transportation Systems.https://doi.org/10.1109/TITS.2023.3329489
21. Kalair, K. & Connaughton, C. (2021). Anomaly detection and classification in traffic flow data from fluctuations in the flow–density relationship. Transportation Research Part C: Emerging Technologies, 127, 103178. https://doi.org/10.1016/j.trc.2021.103178
22. Moosavi, V. & Hovestadt, L. (2013, August). Modeling urban traffic dynamics in coexistence with urban data streams. In Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing (pp. 1-7). https://doi.org/10.1145/2505821.2505822
23. Zhou, Z., Zhang, X., Guo, Q. & Sun, H. (2021). Analyzing power and dynamic traffic flows in coupled power and transportation networks. Renewable and Sustainable Energy Reviews, 135, 110083. https://doi.org/10.1016/j.rser.2020.110083
24. Celikoglu, H. B. (2014). Dynamic classification of traffic flow patterns simulated by a switching multimode discrete cell transmission model. IEEE Transactions on Intelligent Transportation Systems, 15(6), 2539-2550. https://doi.org/10.1109/TITS.2014.2317850
Пристатейна бібліографія ГОСТ
1. Оцінка ергономічної стійкості транспортного потоку на дільницях дорожньої мережі. Ідентифікація математичної моделі / Войтов В.А. та ін. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 7(38), ч.І. С. 236-245 https://doi.org/10.32515/2664-262X.2023.7(38).1.236-245
2. Обгрунтування критерію стійкості транспортного потоку на дільницях дорожньої мережі / Кравцов А.Г. та ін. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 7(38), ч.ІІ. С. 222-230 https://doi.org/10.32515/2664-262X.2023.7(38).2.222-230
3. Дослідження математичної моделі стійкості транспортного потоку на дільницях дорожньої мережі міста / Горяїнов О.М. та ін. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 8(39), ч.І. С. 183-195 https://doi.org/10.32515/2664-262X.2023.8(39).1.183-195
4. Medina-Salgado B., Sanchez-DelaCruz E., Pozos-Parra P., Sierra J. E. Urban traffic flow prediction techniques: A review. Sustainable Computing: Informatics and Systems. 2022. №35. Р. 100739. https://doi.org/10.1016/j.suscom.2022.100739
5. Kechagias E. P., Gayialis S. P., Konstantakopoulos G. D., Papadopoulos G. A. Traffic flow forecasting for city logistics: A literature review and evaluation. International Journal of Decision Support Systems. 2019. №4(2). Р. 159-176. https://doi.org/10.1504/IJDSS.2019.104556
6. Verma A. Review of studies on mixed traffic flow: perspective of developing economies. Transportation in Developing Economies. 2016. № 2. Р. 1-16. https://doi.org/10.1007/s40890-016-0010-0
7. Zambrano-Martinez J. L., T. Calafate C., Soler D., Cano J. C., Manzoni P. Modeling and characterization of traffic flows in urban environments. Sensors. 2018. 18(7). Р. 2020. https://doi.org/10.3390/s18072020
8. Horvat R., Kos G., Ševrović M. Traffic flow modelling on the road network in the cities. Tehnički vjesnik. 2015. №22(2). Р. 475-486. https://doi.org/10.17559/TV-20150127093334
9. Bhanu M., Priya S., Dandapat S. K., Chandra J., Mendes-Moreira J. Forecasting traffic flow in big cities using modified tucker decomposition. In Advanced Data Mining and Applications: 14th International Conference, ADMA 2018, Nanjing, China, November 16–18, 2018, Proceedings. 2018. 14. (pp. 119-128). Springer International Publishing. https://doi.org/10.1007/978-3-030-05090-0_10
10. Gora P. Traffic simulation framework. In 2012 UKSim 14th International Conference on Computer Modelling and Simulation. 2012, March. pp. 345-349. IEEE. https://doi.org/10.1109/UKSim.2012.57
11. Hu W., Wang H., Qiu Z., Yan L., Nie C., Du B. An urban traffic simulation model for traffic congestion predicting and avoiding. Neural Computing and Applications. 2018. №30. Р.1769-1781. https://doi.org/10.1007/s00521-016-2785-7
12. Hofer C., Jäger G., Füllsack M. Including traffic jam avoidance in an agent-based network model. Computational social networks. 2018. №5. Р.1-12. https://doi.org/10.1186/s40649-018-0053-y
13. Jiang Y., Kang R., Li D., Guo S., Havlin S. Spatio-temporal propagation of traffic jams in urban traffic networks. arXiv preprint arXiv:1705.08269. 2017. https://doi.org/10.48550/arXiv.1705.08269
14. Nagy A. M., Simon V. Traffic congestion propagation identification method in smart cities. Infocommunications Journal. 2021. №13(1). Р. 45-57. https://doi.org/10.36244/ICJ.2021.1.6
15. Nagy A. M., Simon V. Improving traffic prediction using congestion propagation patterns in smart cities. Advanced Engineering Informatics. 2021. № 50. Р. 101343. https://doi.org/10.1016/j.aei.2021.101343
16. Nagy A. M., Simon V. A novel congestion propagation modeling algorithm for smart cities. Pervasive and Mobile Computing. 2021. №73. Р. 101387. https://doi.org/10.1016/j.pmcj.2021.101387
17. Liu X. C., Zhang G., Lao Y., Wang, Y. Modeling traffic flow dynamics on managed lane facility: approach based on cell transmission model. Transportation research record. 2012. № 2278(1). Р. 163-170. https://doi.org/10.3141/2278-18
18. Xu N., Shang P., Kamae S. Modeling traffic flow correlation using DFA and DCCA. Nonlinear Dynamics. 2010. №61. Р. 207-216. https://doi.org/10.1007/s11071-009-9642-5
19. Fulari S., Thankappan A., Vanajakshi L., Subramanian S. Traffic flow estimation at error prone locations using dynamic traffic flow modeling. Transportation letters. 2019. №11(1). Р. 43-53. https://doi.org/10.1080/19427867.2016.1271761
20. Yang H., Yu W., Zhang G., Du L. Network-Wide Traffic Flow Dynamics Prediction Leveraging Macroscopic Traffic Flow Model and Deep Neural Networks. IEEE Transactions on Intelligent Transportation Systems. 2024. https://doi.org/10.1109/TITS.2023.3329489
21. Kalair K., Connaughton C. Anomaly detection and classification in traffic flow data from fluctuations in the flow–density relationship. Transportation Research Part C: Emerging Technologies. 2021. №127. Р. 103178. https://doi.org/10.1016/j.trc.2021.103178
22. Moosavi V., Hovestadt L. Modeling urban traffic dynamics in coexistence with urban data streams. In Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing. 2013, August. pp. 1-7. https://doi.org/10.1145/2505821.2505822
23. Zhou Z., Zhang X., Guo Q., Sun H. Analyzing power and dynamic traffic flows in coupled power and transportation networks. Renewable and Sustainable Energy Reviews. 2021. №135. Р. 110083. https://doi.org/10.1016/j.rser.2020.110083
24. Celikoglu H. B. Dynamic classification of traffic flow patterns simulated by a switching multimode discrete cell transmission model. IEEE Transactions on Intelligent Transportation Systems. 2014. №15(6). Р. 2539-2550. https://doi.org/10.1109/TITS.2014.2317850
Copyright (c) 2024 В. А. Войтов, Н.Г. Бережна, І.І. Сисенко, А.В. Войтов, Л.Ф. Кривенко, А.С. Козенок
Прогнозування завантаженості вулиць великих міст з урахуванням коливань щільності та швидкості руху транспортних потоків
Об авторах
В. А. Войтов, професор, доктор технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: vavoitovva@gmail.com, ORCID ID: 0000-0001-5383-7566
Н.Г. Бережна, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: bereg_nat@ukr.net, ORCID ID: 0000-0001-8740-3387
І.І. Сисенко, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: Igor.sysenko@gmail.com, ORCID ID: 0000-0003-0005-7640
А.В. Войтов, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: K1kavoitov@gmail.com, ORCID ID: 0000-0002-5626-131X
Л.Ф. Кривенко, директор підприємства, Автомобільне-транспортне підприємство АТП 16363, м. Харків, Україна, e-mail: leonid.krivenko@atp16363.org.ua, ORCID ID: 0009-0006-2720-0901
А.С. Козенок, доцент, кандидат технічних наук, Державний біотехнологічний університет, м. Харків, Україна, e-mail: anna13kozenok@gmail.comt, ORCID ID: 0000-0002-3152-2253
Анотація
Ключові слова
Повний текст:
PDFПосилання
1. Vojtov, V.A. et al. (2023). Otsinka erhonomichnoi stijkosti transportnoho potoku na dil'nytsiakh dorozhn'oi merezhi. Identyfikatsiia matematychnoi modeli [Assessment of ergonomic sustainability of traffic flow at road network sections. Identification of a mathematical model]. Tsentral'noukrains'kyj naukovyj visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, 7(38), 236-245 https://doi.org/10.32515/2664-262X.2023.7(38).1.236-245 [in Ukrainian].
2. Kravtsov, A.H. et al. (2023). Obhruntuvannia kryteriiu stijkosti transportnoho potoku na dil'nytsiakh dorozhn'oi merezhi [Justification of the traffic flow stability criterion at the sections of the road network]. Tsentral'noukrains'kyj naukovyj visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, 7(38), 222-230 https://doi.org/10.32515/2664-262X.2023.7(38).2.222-230 [in Ukrainian].
3. Horiainov, O.M. et al. (2023). Doslidzhennia matematychnoi modeli stijkosti transportnoho potoku na dil'nytsiakh dorozhn'oi merezhi mista [Study of the mathematical model of the stability of the traffic flow in the sections of the city's road network]. Tsentral'noukrains'kyj naukovyj visnyk. Tekhnichni nauky – Central Ukrainian scientific bulletin. Technical Sciences, 8(39), I, 183-195 https://doi.org/10.32515/2664-262X.2023.8(39).1.183-195 [in Ukrainian].
4. Medina-Salgado, B., Sanchez-DelaCruz, E., Pozos-Parra, P. & Sierra, J. E. (2022). Urban traffic flow prediction techniques: A review. Sustainable Computing: Informatics and Systems, 35, 100739. https://doi.org/10.1016/j.suscom.2022.100739
5. Kechagias, E. P., Gayialis, S. P., Konstantakopoulos, G. D. & Papadopoulos, G. A. (2019). Traffic flow forecasting for city logistics: A literature review and evaluation. International Journal of Decision Support Systems, 4(2), 159-176. https://doi.org/10.1504/IJDSS.2019.104556
6. Verma, A. (2016). Review of studies on mixed traffic flow: perspective of developing economies. Transportation in Developing Economies, 2, 1-16. https://doi.org/10.1007/s40890-016-0010-0
7. Zambrano-Martinez, J. L., T. Calafate, C., Soler, D., Cano, J. C. & Manzoni, P. (2018). Modeling and characterization of traffic flows in urban environments. Sensors, 18(7), 2020. https://doi.org/10.3390/s18072020
8. Horvat, R., Kos, G. & Ševrović, M. (2015). Traffic flow modelling on the road network in the cities. Tehnički vjesnik, 22(2), 475-486. https://doi.org/10.17559/TV-20150127093334
9. Bhanu, M., Priya, S., Dandapat, S. K., Chandra, J. & Mendes-Moreira, J. (2018). Forecasting traffic flow in big cities using modified tucker decomposition. In Advanced Data Mining and Applications: 14th International Conference, ADMA 2018, Nanjing, China, November 16–18, 2018, Proceedings 14 (pp. 119-128). Springer International Publishing. https://doi.org/10.1007/978-3-030-05090-0_10
10. Gora, P. (2012, March). Traffic simulation framework. In 2012 UKSim 14th International Conference on Computer Modelling and Simulation (pp. 345-349). IEEE. https://doi.org/10.1109/UKSim.2012.57
11. Hu, W., Wang, H., Qiu, Z., Yan, L., Nie, C. & Du, B. (2018). An urban traffic simulation model for traffic congestion predicting and avoiding. Neural Computing and Applications, 30, 1769-1781. https://doi.org/10.1007/s00521-016-2785-7
12. Hofer, C., Jäger, G. & Füllsack, M. (2018). Including traffic jam avoidance in an agent-based network model. Computational social networks, 5, 1-12. https://doi.org/10.1186/s40649-018-0053-y
13. Jiang, Y., Kang, R., Li, D., Guo, S. & Havlin, S. (2017). Spatio-temporal propagation of traffic jams in urban traffic networks. arXiv preprint arXiv:1705.08269. https://doi.org/10.48550/arXiv.1705.08269
14. Nagy, A. M. & Simon, V. (2021). Traffic congestion propagation identification method in smart cities. Infocommunications Journal, 13(1), 45-57. https://doi.org/10.36244/ICJ.2021.1.6
15. Nagy, A. M. & Simon, V. (2021). Improving traffic prediction using congestion propagation patterns in smart cities. Advanced Engineering Informatics, 50, 101343. https://doi.org/10.1016/j.aei.2021.101343
16. Nagy, A. M. & Simon, V. (2021). A novel congestion propagation modeling algorithm for smart cities. Pervasive and Mobile Computing, 73, 101387. https://doi.org/10.1016/j.pmcj.2021.101387
17. Liu, X. C., Zhang, G., Lao, Y. & Wang, Y. (2012). Modeling traffic flow dynamics on managed lane facility: approach based on cell transmission model. Transportation research record, 2278(1), 163-170. https://doi.org/10.3141/2278-18
18. Xu, N., Shang, P. & Kamae, S. (2010). Modeling traffic flow correlation using DFA and DCCA. Nonlinear Dynamics, 61, 207-216. https://doi.org/10.1007/s11071-009-9642-5
19. Fulari, S., Thankappan, A., Vanajakshi, L. & Subramanian, S. (2019). Traffic flow estimation at error prone locations using dynamic traffic flow modeling. Transportation letters, 11(1), 43-53. https://doi.org/10.1080/19427867.2016.1271761
20. Yang, H., Yu, W., Zhang, G. & Du, L. (2024). Network-Wide Traffic Flow Dynamics Prediction Leveraging Macroscopic Traffic Flow Model and Deep Neural Networks. IEEE Transactions on Intelligent Transportation Systems.https://doi.org/10.1109/TITS.2023.3329489
21. Kalair, K. & Connaughton, C. (2021). Anomaly detection and classification in traffic flow data from fluctuations in the flow–density relationship. Transportation Research Part C: Emerging Technologies, 127, 103178. https://doi.org/10.1016/j.trc.2021.103178
22. Moosavi, V. & Hovestadt, L. (2013, August). Modeling urban traffic dynamics in coexistence with urban data streams. In Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing (pp. 1-7). https://doi.org/10.1145/2505821.2505822
23. Zhou, Z., Zhang, X., Guo, Q. & Sun, H. (2021). Analyzing power and dynamic traffic flows in coupled power and transportation networks. Renewable and Sustainable Energy Reviews, 135, 110083. https://doi.org/10.1016/j.rser.2020.110083
24. Celikoglu, H. B. (2014). Dynamic classification of traffic flow patterns simulated by a switching multimode discrete cell transmission model. IEEE Transactions on Intelligent Transportation Systems, 15(6), 2539-2550. https://doi.org/10.1109/TITS.2014.2317850
Пристатейна бібліографія ГОСТ
1. Оцінка ергономічної стійкості транспортного потоку на дільницях дорожньої мережі. Ідентифікація математичної моделі / Войтов В.А. та ін. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 7(38), ч.І. С. 236-245 https://doi.org/10.32515/2664-262X.2023.7(38).1.236-245
2. Обгрунтування критерію стійкості транспортного потоку на дільницях дорожньої мережі / Кравцов А.Г. та ін. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 7(38), ч.ІІ. С. 222-230 https://doi.org/10.32515/2664-262X.2023.7(38).2.222-230
3. Дослідження математичної моделі стійкості транспортного потоку на дільницях дорожньої мережі міста / Горяїнов О.М. та ін. Центральноукраїнський науковий вісник. Технічні науки. 2023. Вип. 8(39), ч.І. С. 183-195 https://doi.org/10.32515/2664-262X.2023.8(39).1.183-195
4. Medina-Salgado B., Sanchez-DelaCruz E., Pozos-Parra P., Sierra J. E. Urban traffic flow prediction techniques: A review. Sustainable Computing: Informatics and Systems. 2022. №35. Р. 100739. https://doi.org/10.1016/j.suscom.2022.100739
5. Kechagias E. P., Gayialis S. P., Konstantakopoulos G. D., Papadopoulos G. A. Traffic flow forecasting for city logistics: A literature review and evaluation. International Journal of Decision Support Systems. 2019. №4(2). Р. 159-176. https://doi.org/10.1504/IJDSS.2019.104556
6. Verma A. Review of studies on mixed traffic flow: perspective of developing economies. Transportation in Developing Economies. 2016. № 2. Р. 1-16. https://doi.org/10.1007/s40890-016-0010-0
7. Zambrano-Martinez J. L., T. Calafate C., Soler D., Cano J. C., Manzoni P. Modeling and characterization of traffic flows in urban environments. Sensors. 2018. 18(7). Р. 2020. https://doi.org/10.3390/s18072020
8. Horvat R., Kos G., Ševrović M. Traffic flow modelling on the road network in the cities. Tehnički vjesnik. 2015. №22(2). Р. 475-486. https://doi.org/10.17559/TV-20150127093334
9. Bhanu M., Priya S., Dandapat S. K., Chandra J., Mendes-Moreira J. Forecasting traffic flow in big cities using modified tucker decomposition. In Advanced Data Mining and Applications: 14th International Conference, ADMA 2018, Nanjing, China, November 16–18, 2018, Proceedings. 2018. 14. (pp. 119-128). Springer International Publishing. https://doi.org/10.1007/978-3-030-05090-0_10
10. Gora P. Traffic simulation framework. In 2012 UKSim 14th International Conference on Computer Modelling and Simulation. 2012, March. pp. 345-349. IEEE. https://doi.org/10.1109/UKSim.2012.57
11. Hu W., Wang H., Qiu Z., Yan L., Nie C., Du B. An urban traffic simulation model for traffic congestion predicting and avoiding. Neural Computing and Applications. 2018. №30. Р.1769-1781. https://doi.org/10.1007/s00521-016-2785-7
12. Hofer C., Jäger G., Füllsack M. Including traffic jam avoidance in an agent-based network model. Computational social networks. 2018. №5. Р.1-12. https://doi.org/10.1186/s40649-018-0053-y
13. Jiang Y., Kang R., Li D., Guo S., Havlin S. Spatio-temporal propagation of traffic jams in urban traffic networks. arXiv preprint arXiv:1705.08269. 2017. https://doi.org/10.48550/arXiv.1705.08269
14. Nagy A. M., Simon V. Traffic congestion propagation identification method in smart cities. Infocommunications Journal. 2021. №13(1). Р. 45-57. https://doi.org/10.36244/ICJ.2021.1.6
15. Nagy A. M., Simon V. Improving traffic prediction using congestion propagation patterns in smart cities. Advanced Engineering Informatics. 2021. № 50. Р. 101343. https://doi.org/10.1016/j.aei.2021.101343
16. Nagy A. M., Simon V. A novel congestion propagation modeling algorithm for smart cities. Pervasive and Mobile Computing. 2021. №73. Р. 101387. https://doi.org/10.1016/j.pmcj.2021.101387
17. Liu X. C., Zhang G., Lao Y., Wang, Y. Modeling traffic flow dynamics on managed lane facility: approach based on cell transmission model. Transportation research record. 2012. № 2278(1). Р. 163-170. https://doi.org/10.3141/2278-18
18. Xu N., Shang P., Kamae S. Modeling traffic flow correlation using DFA and DCCA. Nonlinear Dynamics. 2010. №61. Р. 207-216. https://doi.org/10.1007/s11071-009-9642-5
19. Fulari S., Thankappan A., Vanajakshi L., Subramanian S. Traffic flow estimation at error prone locations using dynamic traffic flow modeling. Transportation letters. 2019. №11(1). Р. 43-53. https://doi.org/10.1080/19427867.2016.1271761
20. Yang H., Yu W., Zhang G., Du L. Network-Wide Traffic Flow Dynamics Prediction Leveraging Macroscopic Traffic Flow Model and Deep Neural Networks. IEEE Transactions on Intelligent Transportation Systems. 2024. https://doi.org/10.1109/TITS.2023.3329489
21. Kalair K., Connaughton C. Anomaly detection and classification in traffic flow data from fluctuations in the flow–density relationship. Transportation Research Part C: Emerging Technologies. 2021. №127. Р. 103178. https://doi.org/10.1016/j.trc.2021.103178
22. Moosavi V., Hovestadt L. Modeling urban traffic dynamics in coexistence with urban data streams. In Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing. 2013, August. pp. 1-7. https://doi.org/10.1145/2505821.2505822
23. Zhou Z., Zhang X., Guo Q., Sun H. Analyzing power and dynamic traffic flows in coupled power and transportation networks. Renewable and Sustainable Energy Reviews. 2021. №135. Р. 110083. https://doi.org/10.1016/j.rser.2020.110083
24. Celikoglu H. B. Dynamic classification of traffic flow patterns simulated by a switching multimode discrete cell transmission model. IEEE Transactions on Intelligent Transportation Systems. 2014. №15(6). Р. 2539-2550. https://doi.org/10.1109/TITS.2014.2317850
Copyright (c) 2024 В. А. Войтов, Н.Г. Бережна, І.І. Сисенко, А.В. Войтов, Л.Ф. Кривенко, А.С. Козенок