В статье представлена методология оценки матрицы корреспонденций с использованием современных технологий идентификации участников дорожного движения. Оценка матрицы «траектория — пункт отправления — пункт назначения» открывает новые возможности, как для выявления проблемных направлений перевозочного процесса, так и для планирования и прогнозирования работы автомобильного транспорта
матрица, анализ транспортных потоков, граф
Оценка матрицы корреспонденций является сложной задачей для представления существующих методов и анализа транспортных потоков. Традиционно такие задачи решаются посредством оценки транспортных потоков, опросов и социально-экономическими моделями, но последние технологические достижения позволяют переосмыслить проблему [1-3]. Технологии идентификации участников дорожного движения, такие как датчики GPS, Bluetooth или Wi-Fi, предоставляют дополнительную информацию о пунктах отправления/назначения и выбранном маршруте. Эти данные используются для более полной оценки матрицы «траектория — пункт отправления — пункт назначения». Трехмерные матрицы расширяют концепцию традиционной оценки корреспонденций, предоставляя информацию о назначении транспортных потоков. Процесс оценки – обратная задача, целевая функция которой представляет собой компромисс между важными свойствами, которым должен удовлетворять поток.
В исследовании предоставим четкую и систематическую основу для оценки матрицы — комбинированный подход с использованием новых технологий, таких как GPS и Bluetooth, позволяющих осуществлять поиск траектории. Методология проиллюстрирована на рисунке 1.
|
примеры траекторий |
|
карты улично-дорожной сети |
|
данные Bluetooth |
|
обработанные сетевые данные |
|
программа восстановления транспортных потоков |
|
количество восстановленных потоков |
|
матрица корреспонденций |
Рисунок 1 – Схема оценки матрицы корреспонденций
Предлагаемый метод заключается в решении задачи (1), адаптированной к случаю матрицы.
где 
— выпуклые функции, моделирующие свойства, которым должны удовлетворять оценки (объем транспортных потоков в 
; траектории Bluetooth в 
; функции расстояния в C). Остальные функции ограничивают набор решений (
— положительные веса).
Рассмотренный метод восстановления матрицы корреспонденций упрощает процесс прогнозирования работы транспортной системы, подразумевая возможность дополнения модели другими данными.
1. Лебедева О.А. Расчет основных характеристик маршрута на основе межостановочной матрицы / Вестник Иркутского государственного технического университета. 2012. № 9 (68). С. 145-148.
2. Лебедева О.А., Антонов Д.В. Моделирование грузовых матриц кор-респонденций гравитационным и энтропийным методами / Вестник ИрГТУ. - 2015. - № 5 (100). - С. 118-122.
3. Michau N.G., Pustelnik P., Borgnat P., Abry A., Bhaskar E. Chung Combining traffic counts and Bluetooth data for link-origin-destination matrix estima-tion in large urban networks: The Brisbane case study, 2019, 15 p.
