ГУОБДД: ПДД КР
10.1. Водитель должен вести транспортное средство со скоростью не превышающей установленного ограничения, учитывая при этом интенсивность движения, особенности и состояние транспортного средства и груза, дорожные и метеорологические условия, в частности видимость в направлении движения. Скорость должна обеспечивать водителю возможность постоянного контроля за движением транспортного средства для выполнения требования Правил.
При возникновении опасности для движения, которую водитель в состоянии обнаружить, он должен принять возможные меры к снижению скорости вплоть до остановки транспортного средства.
10.2. В населенных пунктах разрешается движение транспортных средств со скоростью не более 60 км/ч.
Примечание: В г.Бишкек и областях (Чуйской, Ошской, Нарынской, Иссык-Кульской, Таласской, Джалал-Абадской) может повышаться скорость (с установкой соответствующих знаков 3.24) на отдельных участках дорог, если дорожные условия обеспечивают безопасное движение с большей скоростью.
10.3. Вне населенных пунктов разрешается движение:
легковым автомобилям и грузовым автомобилям с разрешенной максимальной массой не более 3,5 т на автомагистраляхсо скоростью не более 110 км/ч, на остальных дорогах — не более 90 км/ч;
междугородним и особо малым автобусам и мотоциклам на всех дорогах — не более 90 км/ч;
другим автобусам, легковым автомобилям при буксировке прицепа грузовым автомобилям с разрешенной максимальной массой более 3,5 т на автомагистралях — не более 90 км/ч, на остальных дорогах — не более 70 км/ч;
транспортным средствам, управляемым водителями со стажем до 2-х лет, на всех дорогах не более 70 км/ч;
грузовым автомобилям, перевозящим людей в кузове — не более 60 км/ч;
транспортным средствам, буксирующим механические транспортные средства — не более 50 км/ч;
транспортным средствам, перевозящим опасные, тяжеловесные и крупногабаритные грузы — со скоростью предписанной при согласовании условий перевозки.
10.4. Водителю запрещается:
превышать максимальную скорость, определенную технической характеристикой транспортного средства;
превышать скорость, указанную на опознавательном знаке «Ограничение скорости»*, установленном на транспортном средстве; (* Здесь и далее опознавательные знаки указаны в соответствии с Основными положениями.)
создавать помехи другим транспортным средствам, двигаясь без необходимости со слишком малой скоростью;
резко тормозить, если это не требуется для предотвращения дорожно-транспортного происшествия.
10.5. Водитель должен соблюдать такую дистанцию до движущегося впереди транспортного средства, которая позволила бы избежать столкновения, а также необходимый боковой интервал, обеспечивающий безопасность движения.
10.6. На дорогах вне населенных пунктов водители транспортных средств, скорость которых не должна превышать 40 км/ч, обязаны поддерживать между своими и движущимся впереди транспортным средством такую дистанцию, чтобы обгоняющие их транспортные средства могли без помех перестроиться на ранее занимаемую ими полосу. Это требование не действует, если водитель готовится к выполнению обгона, а также при движении в организованной транспортной колонне.
ВС объяснил, что значит двигаться с максимальной скоростью | Российское агентство правовой и судебной информации
Высшая инстанция проверила обоснованность ряда требований Правил проведения экзаменов на право управления транспортными средствами и выдачи водительских удостоверений.
Водитель, которого при сдаче экзамена в городе завалили, посчитал, что инспекторам ГИБДД дано право слишком вольного трактования действий кандидата. Он привёл в пример свой случай, когда экзаменатор потребовал, чтобы он проехал с максимально разрешенной скоростью, но дорожная обстановка не позволяла кандидату набрать скорость 60 км/час.
В результате инспектор поставил ему оценку «не сдал», что истец впоследствии успешно оспорил в суде.
Однако заявитель посчитал, что существующая практика является несправедливой и может привести к злоупотреблениям со стороны экзаменатора. В иске он указал, что используемые в Правилах формулировки не отвечают критерию правовой определенности и требованиям ясности и недвусмысленности, поскольку не обеспечивают однозначное понимание и толкование.
Позиция ВС
ВС напоминает, что в Правилах закреплено требование при сдаче практического экзамена использовать маршрут с определенным набором элементов улично-дорожной сети, дорожных знаков и разметки, а также предусматривает возможность выполнения кандидатом обязательных действий по заданию экзаменатора, в том числе и движение с максимально разрешённой скоростью. Одновременно в оспариваемых правилах указано, что будущий водитель при исполнении манёвров должен соблюдать правила дорожного движения.
ПДД, в свою очередь, четко регламентируют, что водитель должен вести транспортное средство со скоростью, не превышающей установленного ограничения, учитывая при этом интенсивность движения, особенности и состояние автомобиля и груза, дорожные и метеорологические условия, в частности, видимость в направлении движения (Пунктом 10.1). Скорость должна обеспечивать водителю возможность постоянного контроля за движением транспортного средства, указано в ПДД.
Что касается цифровых значений скорости, то они зависят от территории, по которой двигается машина: в населенных пунктах не более 60 км/ч, а в жилых зонах и на дворовых территориях не более 20 км/ч, на автомагистралях не более 110 км/ и т.д.
Таким образом, довод апелляционной жалобы о правовой неопределенности оспариваемой нормы, обусловленной тем, что она возлагает на кандидата в водители обязанность по требованию экзаменатора двигаться с максимальной разрешенной скоростью без учета дорожной ситуации, является несостоятельным, считает ВС.
«Максимально разрешенной является такая скорость в пределах установленных ограничений, которая определяется водителем с учетом интенсивности движения, особенностей и состояния транспортного средства и груза, дорожных и метеорологических условий и которая должна обеспечивать ему постоянный контроль за движением транспортного средства», — поясняет высшая инстанция.
В связи с чем ВС не стал менять действующие Правила сдачи экзаменов для получения водительских прав и оставил жалобу водителя без удовлетворения.
Алиса Фокс
ВС проверит требования на экзамене по вождению
Верховный суд оценит правила проведения экзаменов на водительские права, сообщает «Коммерсант». Иск по делу №АКПИ20-58 подал студент юридического факультета Новосибирского государственного университета Даниил Крейс.
В этом сюжетеКрейс сдавал экзамен на право управления автомобилем в апреле 2019 года. Экзаменатор потребовал от него разогнаться до максимальной разрешённой скорости, но студент отказался это делать из-за плохого состояния дороги. Из-за этого экзамен Крейс не сдал. Он попытался оспорить это решение в ГИБДД, но безуспешно. Тогда студент обратился в Советский районный суд Новосибирской области, который признал решение экзаменатора незаконным. Позднее это подтвердил Новосибирский областной суд. В результате Крейс всё-таки получил водительские права.
В своём иске Крейс просит признать недействующим пункт правил проведения экзаменов, по которому экзаменационный маршрут должен дать возможность двигаться с максимальной разрешённой скоростью. Истец указывает, что в ПДД, законе «О безопасности дорожного движения» и регламентах МВД такой термин отсутствует. Его толкование остаётся на усмотрение экзаменатора и даёт тому возможности для злоупотреблений, ведь сохранять постоянную скорость с точностью до километра невозможно даже технически, считает Крейс.
МВД в своих возражениях указывает, что в правилах содержатся требования к маршруту, а не к студенту или ходу экзамена. Предельную скорость на конкретном участке дороги определяют правила или дорожные знаки, поэтому нельзя говорить о субъективных критериях оценки экзаменуемого. Ситуацию с Крейсом МВД считает единичной правоприменительной ошибкой, которая не говорит о некорректности правил.
Ближайшее судебное заседание назначено на 17 апреля. Иск рассмотрит судья Николай Романенко.
Правила дорожного движения в Турции
В Турции дороги очень высокого качества. Правительство вложило много средств в улучшение состояния турецких автомагистралей. Но, не смотря на это, уровень ДТП в Турции один из самых высоких в мире, поэтому следует быть предельно осторожным на дорогах этой прекрасной страны. Соблюдайте дистанцию на дорогах Турции и избегайте вождения автомобиля в ночное время суток.
На арендном автомобиле в Турции вы сможете прокатиться вдоль Турецкой Ривьеры и посетить такие города как Анталия и Аланья. Отправившись на север, вы сможете открыть для себя сокровища Истамбула, или, проехав немного южнее, насладиться временем в столице страны Анкаре. Ну и конечно же с автомобилем на прокат вы сможете провести незабываемый отпуск на многочисленных пляжах и курортах Турции.
Требования
Для аренды автомобиля вам должно быть не менее 21 года (возрастные ограничения варьируются в зависимости от категории автомобиля) и вы должны обладать опытом вождения не менее одного года. Водителям моложе 26 лет на месте возможно придется внести дополнительную плату. В некоторых компаниях по прокату автомобилей максимальный возраст водителей составляет 70 лет. Ремни безопасности являются обязательными для водителя и пассажиров. Детские кресла не являются обязательными, но мы их настойчиво рекомендуем.
Ограничения Скорости
В Турции действуют следующие ограничения скорости:
- По городу — 60 км/ч
- По загородным дорогам — 90 км/ч
- По автомагистралям — 90 км/ч
Правила дорожного движения
В Турции правостороннее движение. В центре многих городов часто встречаются дороги с односторонним движением, что затрудняет и без того нелегкое вождение автомобиля в турецких городах. При проезде по сельской местности помните, что фермерские животные могут перегородить дорогу. Ближний свет фар должен быть всегда включен.
Бензин
Вдоль южной Турецкой Ривьеры можно найти много заправочных станций. В сельской местности расстояние между заправками довольно таки большое, поэтому следует запастись топливом при выезде на арендном автомобиле на природу в более отдаленные регионы. Заправки работают с 06:00 до 22:00 (на автомагистралях часто круглосуточно).
Платные дороги
В Турции есть 2 платные автомагистрали. Вы можете приобрести наличную карточку и загрузить на нее необходимое количество денег. Вы можете также оплатить проезд и наличными деньгами.
Парковка
В Турции нет паркоматов. Оплату за парковку собирает работник автостоянки. Если вы желаете запарковать автомобиль на более долгий срок, то воспользуйтесь специальными гаражами.
Страховка
Существует огромное количество предложений автострахования. Поэтому прочитайте внимательно данный раздел прежде чем осуществить бронирование. На протяжении аренды действуют правила той страны, в которой вы арендуете автомобиль.
В стоимость нашей аренды всегда входит ограничение ответственности при повреждении автомобиля (CDW) и защита от угона (TP). В случае повреждения или угона автомобиля ответственность клиента ограничивается установленной франшизой, сумма которой указана в вашем ваучере. Если вы намерены воспользоваться преимуществом страхования предлагаемого вашей кредитной картой, то вам необходимо за дополнительной информацией обратиться в кредитный институт, выдавший кредитную карту. Особенности защиты вашего арендного автомобиля описаны в ваучере, полученном при подтверждении бронирования.
Ограничение передвижения
При аренде автомобиля в Турции запрещено выезжать за границу или перевозить автомобиль на пароме.
Прокат автомобиля в один конец внутри страны возможен только между определенными пунктами проката за дополнительную плату. Аренда авто в один конец на международном уровне запрещена.
Как измеряют скорость автомобилей?
В этой публикации ведущие производители комплексов для фотовидеофиксации нарушений ПДД расскажут, как работают приборы и чем один способ измерения скорости отличается от другого.
Предыдущее Следующее
{{/if}}В прошлом номере «Доброй Дороги Детства» мы рассказали вам о том, как в России и других странах мира ведётся борьба с нарушителями скоростного режима. Но прежде чем наказывать нарушителя за превышение скорости, эту скорость необходимо измерить. Сделать это можно по-разному: с помощью радара или видеокамеры. А ещё можно рассчитать её, зная время, за которое автомобиль проедет
заранее известное расстояние.
В этой публикации ведущие производители комплексов для фотовидеофиксации нарушений ПДД расскажут, как работают приборы и чем один способ измерения скорости отличается от другого. Компания «Симикон» из Санкт-Петербурга объяснит принцип измерения скорости радаром, компания «Технологии Распознавания» из Москвы покажет, как можно измерить скорость при помощи видеокамеры, а компания «Автодория» из Казани расскажет, зачем нужно измерять среднюю скорость движения автомобиля на участке дороги.
Измерение скорости при помощи радараАвтомобили созданы для передвижения, причём желательно — на высокой скорости. Каждый из нас хочет добраться из точки А в точку В как можно скорее. Чем быстрее едет автомобиль, тем меньше времени нужно, чтобы добраться до цели.
Однако скорость движения на дорогах ограничена. Почему? Да потому, что на большой скорости больше риска. На большой скорости машиной труднее управлять и движение становится опасным. Кроме того, чем выше скорость, тем длиннее тормозной путь. Например, если увеличить скорость на 10 км/час, то тормозной путь увеличивается вдвое.
Выбор скорости зависит от особенностей дороги. Поэтому на дорогах устанавливают специальные знаки, ограничивающие скорость. А для нарушителей предусмотрены наказания в виде штрафов.
Но прежде чем наказывать, нужно точно измерить скорость автомобиля. Самый удобный и точный способ измерения — это измерение при помощи радара, который излучает электромагнитный сигнал в сторону автомобиля. Отразившись от движущегося автомобиля, сигнал приходит обратно на антенну радара, при этом частота отражённого сигнала зависит от скорости машины. Этот необычный эффект открыл австрийский физик Кристиан Доплер ещё в 1841 году. И с тех пор все радары, основанные на этом принципе, называются доплеровскими.
Современные доплеровские радары умеют не только измерять скорость, но и определять направление движения автомобиля, точно находить местоположение каждой машины на дороге. Если совместить такой радар с фотокамерой, то получится устройство, называемое фоторадар, который может автоматически фотографировать все проезжающие автомобили, одновременно измеряя их скорость. И если среди них окажется нарушитель, то радар автоматически его обнаружит, сфотографирует и отправит в центр обработки все данные для оформления штрафа. Важно, что при этом фоторадар может не только сфотографировать номер автомобиля, но и «прочитать» его, то есть распознать имеющиеся на нём символы (буквы и цифры) и перевести их в цифробуквенный код. Без этого было бы невозможно автоматически обрабатывать полученные данные: пришлось бы использовать труд операторов, которые должны были бы рассматривать все фотографии глазами. Представьте, сколько машин проходит каждый час по скоростной дороге? За день с каждого фоторадара могут быть получены десятки тысяч фотографий! А распознанный номер может быть обработан с помощью компьютера автоматически.
Все данные фоторадар отправляет в центр обработки. Там есть база данных — специальным образом организованная информационная система, в которой содержатся данные обо всех зарегистрированных в стране автомобилях, а также именах и адресах их владельцев. Если водитель нарушил правила и превысил скорость, то система оформит протокол, который будет отправлен хозяину автомобиля по почте. И тот должен будет заплатить штраф. Вся эта сложная система действует для того, чтобы все водители соблюдали Правила дорожного движения и мы могли безопасно пользоваться нашими дорогами.
Разумеется, современный фоторадар — это не просто сочетание камеры и радара. Для бесперебойной работы этого сложного прибора требуется целая система обеспечения жизнедеятельности, включающая защиту от изменений температуры, предотвращение запотевания стёкол, дистанционную диагностику и многое, много другое. Поэтому для разработки и производства этих приборов требуется сложное оборудование и специальные знания. Но зато выпускаемые в нашей стране фоторадары настолько надёжны, что, например, для обслуживания нескольких тысяч приборов, выпущенных компанией «Симикон» в Санкт-Петербурге и установленных по всей стране, требуется группа поддержки, состоящая всего из трёх человек.
И ещё хочется отметить одну очень важную вещь. Каждый водитель, садясь за руль своего автомобиля, должен понимать, что соблюдать ПДД нужно не из страха перед штрафами, а ради безопасности всех участников дорожного движения.
Измерение скорости по видеоизображениюВ некоторых комплексах фотовидео-фиксации для измерения скорости используют видеосъёмку. Так, например, измеряет скорость автоматический комплекс фотовидеофиксации «АвтоУраган», разработанный компанией «Технологии Распознавания».
«АвтоУраган» работает так. Видеокамера комплекса направлена на определённый участок дороги, длина которого известна заранее. Эта дистанция называется «зона контроля», её длина составляет около 6 метров (рис. 1). Когда машина въезжает в зону контроля, камера фиксирует это и распознаёт закреплённый на автомобиле автомобильный номерной знак. Именно номер является опорной точкой для дальнейшего вычисления скорости (рис. 2). Далее весь путь автомобиля через зону контроля фиксируется видеокамерой. Камера «АвтоУрагана» формирует кадры через каждые 40 миллисекунд и фиксирует время каждого видеокадра (рис. 3). Поскольку время, когда сделаны первый и последний видеокадры, известно, можно вычислить время, за которое автомобиль проехал зону контроля. А зная время и длину зоны контроля, можно рассчитать скорость автомобиля (рис. 4).
Кстати, чем медленнее движется автомобиль, тем больше кадров будет сделано за время проезда зоны контроля. Например, двигаясь со скоростью 80 км/час, автомобиль проедет дистанцию зоны контроля (6 метров) за 270 миллисекунд. Соответственно, этот автомобиль в зоне контроля будет зафиксирован шесть раз (270 разделить на 40).
Зачем нужно измерять среднюю скорость автомобиля?Представьте, что вы участвуете в соревнованиях по бегу. Одновременно с командой «Старт» судья нажимает на кнопку секундомера, чтобы начать отсчёт времени, за которое вы преодолеете дистанцию. Когда вы пересекаете черту финиша, судья снова нажимает на кнопку секундомера — отсчёт времени окончен. Теперь известно, за какое время вы смогли пробежать марафон. А поскольку изначально известна дистанция, которую необходимо пробежать, то можно вычислить среднюю скорость, с которой вы двигались на этом участке, по формуле
V (скорость) = S (путь) / t (время)
Например, если вы преодолели 500 метров за 1 минуту 40 секунд, то ваша средняя скорость составила 5 м/с или 18 км/час.
В спортивных соревнованиях не бывает требований, с какой максимальной скоростью надо бежать. Здесь каждый соревнуется в своём мастерстве. На дорогах, по которым ездят автомобили, другие правила. На каждой дороге обязательно установлено ограничение скорости и специальный знак, информирующий об этом водителей. Это необходимо для обеспечения безопасности дорожного движения, потому что чем выше скорость автомобиля, тем сложнее им управлять и тем больше тормозной путь. Однако не все водители соглашаются выполнять правила. В этом случае на помощь государству приходят современные информационные технологии. Чтобы контролировать скорость водителей на аварийно-опасных участках, государство часто использует системы автоматической фиксации средней скорости. В России впервые эту технологию разработала компания «Автодория», которая специализируется на создании интеллектуальных транспортных систем.
Принцип работы системы контроля средней скорости такой же, как и в примере с соревнованиями по бегу. Только вместо обычного секундомера выступает специальный прибор, похожий на скворечник, внутри которого спрятан особенный секундомер, который соединён со спутником, камера и микропроцесссор. Вместо бегуна — автомобиль, на котором установлен уникальный госномер. Этот госномер присвоен только одному автомобилю, второго такого номера нет.
На дороге устанавливается два прибора — на старте и финише участка, где необходим контроль скорости. Приборы устанавливают на расстоянии друг от друга 0,2–10 км. Это расстояние строго определено и неизменно на каждом конкретном участке. Когда автомобиль проезжает мимо первого прибора, камера фотографирует его и передаёт в специальное подразделение Госавтоинспекции, которое называется Центром фотовидеофиксации, эту фотографию вместе с информацией о времени проезда мимо камеры. Помните про секундомер, соединённый со спутником? Это он помогает засечь время проезда мимо камеры. Затем автомобиль проезжает мимо второго «скворечника». Камера, установленная в этом месте, тоже фотографирует автомобиль, а секундомер определяет, в какое время был совершён второй проезд. Эти фотографии и данные о времени проезда между двумя камерами передаются в ГИБДД, а с помощью специальной программы происходит распознавание госномера автомобиля и вычисление времени, за которое он преодолел дистанцию.
Например, автомобиль проехал мимо первой камеры в 12 часов 34 минуты 12 секунд, а мимо второй — в 12 часов 35 минут 02 секунды. Расстояние между двумя приборами составляет 1000 метров. Получается, что автомобиль проехал этот участок за 50 секунд. Значит, его средняя скорость на участке составила
V=S/t=1000 метров / 50 сек = 20 м/с или 72 км/час.
Если на участке стоит ограничение скорости 50 км/час, значит, автомобиль двигался быстрее установленной скорости. За несоблюдение правила водителю будет выписан штраф за превышение установленной скорости на 22 км/час. Если на участке дороги стоит ограничение скорости 90 км/час (например, на загородной трассе), то никакого нарушения не было, а значит, в Госавтоинспекции не выставят штраф водителю.
С помощью такого метода контроля средней скорости удаётся в два раза снизить число ДТП на тех участках, где установлены приборы. Такой способ обеспечения безопасности побуждает водителей соблюдать скорость на всём пути их движения, нарушителей скорости в потоке становится меньше, а водителей, соблюдающих правила скоростного режима, — больше. Так «Автодория» помогает сделать дорожное движение безопаснее.
Другие статьи по теме: Наглядные пособия / Методика работы / Интересное
Камеры на КАД начнут следить за скоростью на участках ремонта
|
Фото: Ермохин Сергей |
На Кольцевой автодороге Петербурга за нарушениями ПДД в автоматическом режиме теперь будут следить и на участках, где ведутся ремонтные работы. Об этом сообщает управление федеральных дорог «Северо-Запад».
Привыкайте к камерам: надо ли внедрять систему распознавания лиц ТехнологииПривыкайте к камерам: надо ли внедрять систему распознавания лиц
«С 18 июля 2020 года на участках производства дорожных работ на КАД Санкт-Петербурга планируется настроить работу камер фиксации нарушений ПДД с учётом действующих временных схем движения и требований временных дорожных знаков. Как правило, на всех участках, где выполняются дорожные работы в рамках заключённых государственных контрактов, скоростной режим временно ограничен до 50 км/ч», — сказано в комментарии на сайте учреждения.
Нештрафуемый порог составляет 20 км/ч, а разрешённая скорость движения по КАД (вне участков, где действуют ограничения) — 110 км/ч. В пятницу, 17 июля, в Северо-Западном управлении федеральных дорог также предупредили о закрытии съезда на развязке КАД с Парашютной улицей. Движение на этом участке закроют в субботу в 08:00, а ровно через сутки ограничения снимут.
Выделите фрагмент с текстом ошибки и нажмите Ctrl+Enter
Поправки к ПДД предлагают ввести ограничение скорости до 70 км/ч » Новости Владивостока и Приморского края
Минтранс подготовил новый проект поправок к ПДД
Новым проектом, в частности, предлагается ввести ограничение скорости у автобусов, сообщают «Вести:Приморье».
Минтранс РФ подготовил новый проект поправок к правилам дорожного движения (ПДД), согласно которому ведомство предлагает, в частности, изменить правила контроля тонировки в автомобилях. Об этом уточняет «Коммерсантъ» со ссылкой на документ.
По данным издания, Минтранс предлагает снизить лимит на пропускаемость света лобовым стеклом с 75% до 70%, у других стекол при этом норм не устанавливается. Новые правила также разрешают использование в машине любых медицинских аптечек, огнетушителей и знаков аварийной остановки, поскольку из ПДД пропадет ссылка на ГОСТ 2001 года. Согласно проекту, предлагается запретить стоянку и остановку на островках безопасности. Кроме того, зона действия знака «Остановка запрещена» будет прекращаться после знака «Парковка».
Новым проектом также предлагается ввести ограничение скорости у автобусов. Скорость до 90 км/ч смогут развивать только те транспортные средства, которые оборудованы ремнями безопасности и только с сидячими местами, для остальных автобусов лимит составит 70 км/ч. Автобусы, которые перевозят детей, должны будут использовать оранжевые маячки. Кроме того, вводится знак «Движение автобусов запрещено».
Минтранс направил данный проект поправок в аналитический центр при правительстве в одну из рабочих групп, действующих в рамках «регуляторной гильотины». В пресс-службе ведомства изданию сообщили, что документ проходит «регламентные процедуры».
В апреле Минтранс РФ также разместил проект поправок в ПДД на портале проектов нормативных правовых актов. Согласно поправкам, в ПДД предлагается ввести нового участника дорожного движения — лицо, использующее для передвижения средство индивидуальной мобильности. К таким средствам предлагается отнести роликовые коньки, самокаты, электросамокаты, скейтборды, электроскейтборды, гироскутеры, сигвеи, моноколеса и иные средства с электродвигателем или на мускульной тяге, за исключением велосипедов и инвалидных колясок.
Лицам старше 14 лет, использующим средства индивидуальной мобильности, предлагается разрешить ездить в пешеходной зоне, а также по тротуару, если рядом нет велосипедной дорожки. Также можно будет съезжать на проезжую часть, если нет ни тротуара, ни специальных дорожек, но только на дороги, где скорость движения ограничена 60 км/ч и разрешен проезд велосипедов.
Источник: «Вести:Приморье» [ www.vestiprim.ru ]
Движение успокаивается на медленную скорость автомобиля
Институт инженеров транспорта определяет успокоение дорожного движения как комбинацию мер, которые уменьшают негативные последствия использования автотранспортных средств, изменяют поведение водителей и улучшают условия для немоторизованных уличных пользователей. Система успокоения дорожного движения состоит из физического проектирования и других мер, принимаемых на существующих дорогах для снижения скорости транспортных средств и повышения безопасности пешеходов и велосипедистов. Например, вертикальные отклонения (лежачие полицейские, таблицы скорости и приподнятые перекрестки), горизонтальные сдвиги и сужение проезжей части предназначены для снижения скорости и улучшения уличной среды для немотористов.Закрытия, которые препятствуют движению транспорта в одном или нескольких направлениях, например, срединные барьеры, предназначены для уменьшения сквозного трафика. Меры по успокоению дорожного движения могут быть реализованы на уровне перекрестка, улицы, района или всего района.
«Дорожные диеты» — один из способов успокоения дорожного движения. Дорожные диеты включают сокращение ширины или количества полос движения для транспортных средств и перераспределение этого пространства для других целей, таких как велосипедные полосы, пешеходные переходы, полосы левого поворота или парковка.Безопасность и эксплуатационные преимущества для транспортных средств и пешеходов включают
- уменьшение полосы движения транспортных средств для пешеходов,
- обеспечение пространства для пешеходного перехода,
- повышение безопасности велосипедистов при добавлении велосипедных полос,
- , обеспечивающее возможность проезда на -уличная парковка (которая также служит буфером между пешеходами и транспортными средствами),
- , снижающее количество ударов сзади и сбоку,
- , улучшающее соблюдение ограничений скорости, и
- , снижающее серьезность столкновений при столкновении.
Осуществление мер по снижению дорожного движения может снизить скорость движения, уменьшить столкновения транспортных средств и повысить безопасность пешеходов и велосипедистов. Эти меры также могут повысить активность пешеходов и велосипедистов.
Связанные индикаторы инструментов для транспорта и здравоохранения
Как эта стратегия может принести пользу здоровью?
- Устранение хронических заболеваний (например, астмы, диабета, сердечных заболеваний)
- Повышение справедливости
- Повышение физической активности
- Повышение безопасности
- Сокращение количества травм и смертельных случаев, связанных с автотранспортными средствами
- Снижение доли транспорта в загрязнении воздуха
Как это работает на практике?
Лафайет, Программа смягчения дорожного движения в Лос-Анджелесе
Консолидированное правительство Лафайета (LCG) утвердило Политику и процедуры смягчения дорожного движения в 2009 году.Жители города и волости могут подать заявление о рассмотрении мер по снижению дорожного движения через Департамент движения и транспорта LCG. Требуется петиция, подписанная более чем половиной жителей района. Учитываемые условия включают объемы трафика, долю нелокального трафика, типы аварий и превышение скорости. Сотрудники собирают данные и проводят интенсивное совещание по проектированию, чтобы разработать план успокоения дорожного движения. Если петицию, распространяемую вместе с предложенным планом, подписывают более 66% жителей района, то меры, указанные в плане, реализуются при наличии финансирования.Также существуют процедуры для принятия мер по снижению дорожного движения, финансируемых из частных источников, и для отмены мер по снижению уровня дорожного движения. В рамках программы реализованы устройства для успокоения дорожного движения, в том числе «лежачие полицейские», «мини» кольцевые развязки и чокеры. Оценка, проведенная сотрудниками LCG по проектам снижения дорожного движения в пяти коридорах, показала, что общий объем трафика снизился более чем на 10%. В одном коридоре, на Иветт Мари Драйв, движение сократилось, больше автомобилей двигалось со скоростью менее 23 миль в час и меньше транспортных средств двигалось со скоростью 23 мили в час или быстрее.
Сиэтл, Вашингтон, Окрестности Движение успокаивается
В период с 2007 по 2010 год на улицах Сиэтла произошло более 54 000 дорожно-транспортных происшествий, из которых 42% городских аварий со смертельным исходом приходилось на скорость. Министерство транспорта Сиэтла (SDOT) поставило цель к 2030 году сократить количество смертельных случаев в результате дорожно-транспортных происшествий в своем Плане действий по обеспечению безопасности дорожного движения на 2012 год. Агентство определило снижение скорости как одну из приоритетных областей для достижения этой цели. В рамках стратегии снижения скорости SDOT внесла изменения в дорожную среду.К ним относятся улучшение размещения и видимости знаков ограничения скорости, привлечение районных организаций и общественных ассоциаций к осуществлению программ SDOT по успокоению движения на артериях и микрорайонах, а также обновление указателей, связанных со скоростью, в школьных зонах. Различные партнеры внесли свой вклад в успех программы, в том числе крупные работодатели в Сиэтле, AAA в Вашингтоне, местные школы и университеты, группы защиты и городские квартальные советы. Предварительные данные свидетельствуют о том, что эти меры по снижению скорости сокращают количество аварий и повышают безопасность движения в Сиэтле.
Где я могу узнать больше?
Веб-сайт Института инженеров транспорта по снижению дорожного движения, который поддерживается Федеральным управлением шоссейных дорог, включает библиотеку ресурсов по успокоению дорожного движения, информационные бюллетени о мерах по снижению дорожного движения, тематические исследования, презентации и дискуссионную группу.
Обзор литературы по успокоению городского трафика и здоровья, составленный Национальным центром сотрудничества в области здоровой государственной политики, включает исследования влияния снижения уровня дорожного движения в городской среде на количество и тяжесть дорожных столкновений, качество воздуха, шум окружающей среды и физический деятельность, связанная с активным транспортом.
Рейтинг здоровья округов и дорожные карты содержат информацию о методах оздоровления сообществ, включая описание связи между успокоением дорожного движения и здоровьем.
На веб-сайте программы управления скоростью FHWA есть информация о стабилизации дорожного движения.
Национальный центр сотрудничества в области здоровой государственной политики (Канада) разработал отчет по вопросам успокоения городского транспорта и здоровья, который включает в себя всесторонний обзор литературы.
Доказательная база
Банн Ф., Кольер Т., Фрост С., Кер К., Штайнбах Р., Робертс И., Венц Р.Система стабилизации дорожного движения для предотвращения дорожно-транспортных травм. Кокрановская база данных систематических обзоров 2003; (1): CD003110.
Институт инженеров транспорта (ITE). Программа успокоения дорожного движения в районе города Монтерей. Вашингтон; 2009.
Институт инженеров транспорта (ITE). Меры по успокоению дорожного движения. Вашингтон; 2014.
Jones SJ, Lyons RA, John A, Palmer SR. Политика стабилизации дорожного движения может снизить неравенство в травматизме детей-пешеходов: исследование базы данных. Профилактика травм 2005; 11 (3): 152–6.
Локвуд И. Определение успокоения движения ITE. ITE Journal; 1997.
Моррисон Д.С., Петтикрю М., Томсон Х. Каковы наиболее эффективные способы улучшения здоровья населения с помощью транспортных мероприятий? Данные систематических обзоров. Журнал эпидемиологии и общественного здравоохранения 2003; 57 (5): 327-33.
Моррисон Д.С., Томсон Х., Петтикрю М. Оценка воздействия на здоровье схемы ограничения дорожного движения в районе. Журнал эпидемиологии и общественного здравоохранения 2004; 58 (10): 837-40.
Реттинг Р.А., Фергюсон С.А., Маккартт А.Т. Обзор научно обоснованных мер по организации дорожного движения, направленных на сокращение дорожно-транспортных происшествий между пешеходами и транспортными средствами. Американский журнал общественного здравоохранения 2003; 93 (9): 1456-63.
Метод краткосрочного прогнозирования скорости движения для участков городских дорог, основанный на вейвлет-преобразовании и блокированном рекуррентном блоке
Как основной компонент городской интеллектуальной транспортной системы, прогнозирование трафика имеет важное значение для управления городским движением и управления.Однако добиться точного прогнозирования трафика сложно из-за сложной пространственно-временной корреляции данных трафика. Поэтому в этой статье предлагается модель прогнозирования скорости на участке дороги на основе вейвлет-преобразования и нейронной сети для улучшения методов прогнозирования трафика. Вейвлет-преобразование используется для разложения исходных данных скорости трафика, а затем коэффициенты, полученные после разложения, используются для восстановления высокочастотных случайных последовательностей и низкочастотной последовательности тренда.Во-вторых, нейронная сеть ГРУ построена для изучения тенденции низкочастотной последовательности. Пространственно-временная корреляция между входными данными извлекается путем корректировки входных данных модели. Между тем, модель ARMA используется для соответствия нестабильным случайным колебаниям высокочастотных последовательностей. Наконец, результаты прогнозов двух моделей суммируются, чтобы получить окончательный результат прогноза. Предлагаемая модель прогнозирования подтверждается с использованием данных о скорости на участке дороги на основе данных о плавающих автомобилях, собранных в Нинбо.Результаты показывают, что предложенная модель обладает высокой точностью и надежностью.
1. Введение
С социально-экономическим развитием и ускорением урбанизации спрос на транспорт продолжает расти. Несмотря на то, что городская транспортная система также развивается, пытаясь соответствовать растущему спросу на перевозки, и ее пропускная способность улучшается за счет строительства транспортной инфраструктуры, она все еще на шаг отстает. Заложенность стала повсеместной проблемой, вызывающей головную боль во всем мире.Проблемы, вызванные перенаселенностью городских дорог, включают экономические, медицинские и экологические проблемы, такие как стресс, расход топлива, потерянное время и дорожно-транспортные происшествия [1]. Интеллектуальная транспортная система (ITS) может эффективно управлять городским движением и стимулировать его. Это ключевой способ решения проблем городского движения, поэтому он выдвигает более высокие требования к точным интеллектуальным службам трафика [2]. Объектами прогнозирования трафика являются такие параметры трафика, как поток транспортных средств, скорость и занятость в определенной области и в определенный период времени [3].Высокоточное прогнозирование трафика может предоставить городским жителям точную информацию о поездках и помогает реализовать приложения ITS [4]. Данные о трафике в реальном времени могут быть эффективно получены с развитием ИТС [5]. Поэтому, чтобы повысить точность и надежность прогнозирования трафика, исследователи стремятся разрабатывать и улучшать эффективные модели прогнозирования трафика, основанные на полностью собранных исторических данных трафика. В этой статье прогнозирование скорости движения на участках дорог изучается с использованием исторических данных о скорости движения.
Исследование пространственной корреляции между участками дороги в моделях прогнозирования дорожного движения является предметом исследования ученых из-за сложной пространственно-временной корреляции между участками дороги. Условия движения на каждом участке дорожной сети часто зависят от условий на его участках, расположенных выше и ниже по течению. Например, заторы на дорогах часто начинаются на одном или нескольких участках и через некоторое время распространяются на другие участки, что приводит к региональным заторам [6].Что касается этой особенности заторов, некоторые ученые в первые годы построили непараметрические модели, используя данные о скорости исследуемого участка дороги и его участков вверх и вниз по течению, которые могут лучше фиксировать пространственно-временную корреляцию между участками дороги и, таким образом, повысить точность моделей прогнозирования. [7].
Благодаря своей высокой гибкости, хорошему обучению и возможностям обобщения алгоритмы, основанные на нейронных сетях, широко используются в задачах, связанных с транспортом [8].Рекуррентная нейронная сеть (RNN) применяется для прогнозирования трафика из-за своей особой внутренней структуры, способной эффективно обрабатывать временные ряды. RNN, используемая для прогнозирования трафика, в основном включает нейронные сети с долгосрочной краткосрочной памятью (LSTM) и стробируемый рекуррентный блок (GRU). ГРУ было предложено Cho et al. в 2014 году, и также сообщается, что GRU достигает такой же или лучшей производительности, чем LSTM [9]. Кроме того, доказано, что GRU превзошел LSTM почти по всем задачам, кроме языкового моделирования с простой инициализацией [10].Dai et al. использовал сеть ГРУ для краткосрочного прогнозирования трафика. В исследовании GRU использовался для обработки пространственно-временной характеристики информации внутреннего транспортного потока матрицы для достижения цели прогнозирования [11]. В другой гибридной модели, которая предсказывает скорость движения по полосам, для достижения окончательного предсказания скорости использовался сетевой уровень GRU [12]. Эти исследования показали, что ГРУ компетентно прогнозировать трафик и добивается хороших результатов.
В то же время данные о скорости движения, генерируемые каждым участком дороги, также имеют сложные атрибуты.Во-первых, динамический характер городского движения в реальном времени приводит к сильным случайным колебаниям данных о скорости движения. Эта неотъемлемая характеристика увеличивает сложность прогнозирования трафика. Во-вторых, городское движение имеет определенные пространственно-временные характеристики и периодические законы, поэтому данные о движении на каждом участке дороги имеют относительно постоянную тенденцию изменения. Например, в утренние и вечерние часы пик скорость движения на коммутирующих участках низкая, а в остальное время — высокая.Это делает динамику данных трафика более предсказуемой. Чтобы эффективно изучить стабильные периодические характеристики данных трафика и случайные колебания при динамическом трафике в реальном времени, для прогнозирования трафика применяется теория вейвлет-анализа. Исторические данные трафика раскладываются на подпоследовательности от высокого к низкому с точки зрения частот с помощью вейвлет-преобразования (WT). Низкочастотная последовательность содержит характеристики, аналогичные исходным данным. В долгосрочной перспективе тренд волатильности низкочастотной последовательности имеет повторяющуюся суточную периодичность.С краткосрочной точки зрения данные в моменты до и после последовательности схожи и непрерывны [13]. В прошлом некоторые ученые использовали разные модели для предсказания последовательности после WT, включая модель ARIMA и нейронную сеть BP [14–16]. Однако большинство входных данных этих комбинированных моделей прогнозирования представляют собой отдельные временные ряды, которые игнорируют корреляцию между данными о дорожном движении, генерируемыми пространственно смежными участками дороги.
Таким образом, для более точных прогнозов в этой статье была предложена структура гибридного прогнозирования.Во-первых, исторические данные о скорости движения разбиваются на подпоследовательности от высокой к низкой с точки зрения частот по WT. Более того, сеть ГРУ построена для изучения тенденции развития низкочастотной последовательности. Управляя входными данными этой модели, можно эффективно извлекать пространственно-временную корреляцию данных о скорости движения. В то же время модель авторегрессионного скользящего среднего (ARMA) используется для соответствия случайным колебаниям высокочастотных последовательностей. Наконец, результаты прогнозирования двух моделей складываются, чтобы представить окончательный результат прогнозирования.
Остальная часть статьи была организована следующим образом. Предыдущие исследования обсуждаются в Разделе 2. Предлагаемая модель прогнозирования будет объяснена нами в Разделе 3. В Разделе 4 достоверность и надежность модели доказываются с использованием набора данных о скорости в Нинбо, Китай. В конце кратко излагаются выводы и будущая работа по данному документу.
2. Связанные работы
В то время как долгосрочное прогнозирование прогнозирует будущий спрос на трафик с использованием таких данных, как социально-экономические атрибуты, прогнозирование трафика, требуемое ITS, является краткосрочным прогнозом трафика, которое в основном фокусируется на условиях трафика в следующие несколько минут, чтобы несколько часов [1].За последние несколько десятилетий исследователи провели серию исследований по прогнозированию трафика. Существующие методы можно разделить на три категории: параметрические методы, непараметрические методы и методы прогнозирования гибридных моделей.
Структура прогнозной модели, основанной на параметрических методах, довольно проста. Параметрические методы, такие как авторегрессионное интегрированное скользящее среднее (ARIMA) [17, 18] и фильтрация Калмана [19, 20], дают многообещающие результаты, но они полагаются на определенные физические или статистические допущения.Однако поток трафика имеет характеристики случайности и нелинейности, и сложно создать модель параметров, которая могла бы воспроизводить характеристики потока трафика на практике. Постепенная популяризация датчиков на городских дорогах и GPS на транспортных средствах позволила получать данные о дорожном движении в режиме реального времени. Поэтому широко применяется непараметрический метод моделирования с использованием большого количества исторических данных. Непараметрические модели в основном включают в себя самые традиционные методы статистического машинного обучения и самые популярные алгоритмы искусственного интеллекта.Машина опорных векторов (SVM) [21, 22], K-ближайший сосед (KNN) [23, 24] и искусственная нейронная сеть (ANN) являются наиболее широко используемыми [25].
Интеллектуальные алгоритмы в последние годы привлекли широкое внимание не только в академических кругах и промышленности, но и в области транспорта. RNN широко признана подходящим методом для отслеживания временной эволюции потока трафика. LSTM, как типичный представитель RNN, использовался многими учеными для краткосрочного прогнозирования трафика.Ma et al. впервые применил LSTM для прогнозирования скорости и объема дорожного движения. Путем введения «шлюза забывания» сеть может внутренне связывать данные временных рядов и повышать точность прогнозирования [26]. Результаты экспериментов показывают, что эта сетевая модель превосходит обычные нейронные сети. Вариант GRU для LSTM, который был предложен в 2014 году, также использовался в прогнозировании трафика из-за его более простой структуры и аналогичных эффектов с LSTM [11, 12]. Алгоритм сверточных нейронных сетей (CNN) широко используется в компьютерном зрении и классификации изображений [27].В 2017 году было доказано, что CNN подходит для прогнозирования скорости движения по всей дорожной сети путем изучения трафика в виде изображений [28]. Однако из-за сложности топологической структуры городских дорожных сетей традиционным сетям CNN сложно получить пространственные характеристики нерегулярных сетевых структур. Модель, называемая сверточной сетью графов (GCN), используется для извлечения пространственной корреляции между участками дороги. Например, была предложена пространственно-временная модель GCN (STGCN) для извлечения пространственно-временной зависимости данных о скорости движения дорожной сети и составления прогнозов [29].Кроме того, модель, называемая диффузионно-сверточной CNN (DCRNN), которая сочетает в себе GCN и RNN одновременно, моделирует пространственную зависимость трафика как процесс распространения на ориентированном графе и использует RNN для согласования временной корреляции [30]. Неконтролируемый алгоритм, названный разреженным автоэнкодером (SAE), впервые был использован для идентификации и прогнозирования состояния трафика [31]. Кроме того, сеть глубоких убеждений (DBN), обученная жадным неконтролируемым методом, также используется для прогнозирования скорости движения артерий в Пекине [32].Большинство моделей нейронных сетей не дают разумного объяснения, которое отличается от алгоритмов статистического машинного обучения. Однако модели нейронных сетей имеют более высокую точность прогнозирования, особенно при работе с большими объемами данных.
Краткосрочное прогнозирование трафика может зависеть от многих факторов из-за различных сценариев прогнозирования. Единая модель прогнозирования может не подходить для всех сценариев. Fusco et al. построил двухуровневую модель, сочетающую байесовскую сеть и нейронную сеть, и проверил ее с данными о плавающих транспортных средствах [33].Есть также ученые, которые объединили алгоритмы обучения без учителя с алгоритмами обучения с учителем для моделирования. Предлагается модель прогнозирования, объединяющая SAE и LSTM, которая использует SAE и LSTM для извлечения пространственной и временной корреляции данных трафика соответственно [34]. В исследовании Дуана были объединены CNN для извлечения пространственных характеристик и LSTM для захвата временной информации [35]. Метод, основанный на вейвлет-преобразовании, также применялся для прогнозирования трафика. После того, как данные разложены и реконструированы WT, нейронная сеть, оптимизированная роем частиц, используется для отдельного предсказания последовательности [36].Недавно также было предложено исследование прогнозирования скорости вплоть до полосы движения. Исследователи создали двухуровневую структуру глубокого обучения, которая объединяет LSTM и GRU для прогнозирования скорости разных полос [12]. Комбинированная модель прогнозирования объединяет различные алгоритмы прогнозирования, которые могут полностью раскрыть преимущества каждой модели для получения более точных прогнозируемых результатов.
3. Методология
3.1. Обзор структуры
Модель W-GRU-ARMA была построена для краткосрочного прогнозирования скорости движения в этом разделе.Как следует из названия, модель состоит из трех частей: вейвлет-преобразование (W), GRU и ARMA. В этой модели учитывается пространственно-временная взаимосвязь данных о скорости городского движения. Основное внимание в нем уделяется краткосрочной корреляции данных о скорости движения для прогнозируемых участков дороги во временном измерении и пространственной корреляции с участками вверх и вниз по течению. На рисунке 1 показана общая архитектура. После вейвлет-преобразования данных временного ряда скорости трафика будут получены различные низкочастотные и высокочастотные последовательности.Таким образом, была создана модель GRU для прогнозирования последовательности низкочастотных трендов и модель ARMA для прогнозирования высокочастотных случайных последовательностей. Окончательный результат прогноза получается путем суммирования результатов прогноза каждой модели.
Входные данные построенной модели прогнозирования ГРУ содержат данные о скорости движения для прогнозирования участков дороги и ее участков вверх и вниз по течению. Например, участок дороги A выбран в качестве объекта исследования, а скорость участка дороги A при t + 1 используется в качестве цели прогноза.Тогда входной вектор X модели GRU выглядит следующим образом: где i представляет прогнозируемый участок дороги, i + 1 и i — 1 представляют нижний и верхний участки прогнозируемого участка дороги. участок дороги, соответственно, t представляет текущее время, а t — м представляет м предыдущее время. Значение m определяется в соответствии с производительностью алгоритма на этапе обучения модели.
3.2. Вейвлет-преобразование
Вейвлет-преобразование — это метод обработки нестационарных и нелинейных сигналов с преимуществами разного разрешения и многомасштабности. Вейвлеты обеспечивают выходной сигнал в масштабе времени-частоты, который может приближаться к исходному сигналу в любом масштабе и фиксировать детали исходного сигнала [37]. В нестационарном анализе данных вейвлет-преобразование часто используется для извлечения информации о тенденциях изменений последовательности [38]. Дискретное вейвлет-преобразование (DWT) может разложить исходные данные о скорости движения на серию из нескольких частот.Алгоритм Маллата эффективен в нестационарных временных рядах скорости трафика, разделенных на последовательности различных частот с помощью фильтров верхних частот и фильтров нижних частот. Выходы фильтра нижних частот и фильтра верхних частот определены dA и dD в уравнениях (2) и (3), которые называются приблизительными коэффициентами и детальными коэффициентами: где X — исходный сигнал. , φ представляет фильтр, а подписка l и h представляет фильтр нижних частот и фильтр верхних частот, соответственно.
Рисунок 2 (а) демонстрирует процесс алгоритма Маллата для двухуровневой декомпозиции. Исходные данные X временной последовательности пропускаются как через фильтр нижних частот, так и через фильтр верхних частот, и на выходе получаются dA 1 и dD 1 первого уровня, соответственно. Затем полученный dA 1 снова пропускается через два фильтра для получения двух коэффициентов dA 2 и dD 2. После разложения можно получить компоненты временного ряда с разными частотами, но длины компонентов после разложения равны не равный.После декомпозиции длина последовательности уменьшается вдвое. Следовательно, обратное дискретное вейвлет-преобразование (IDWT) используется для восстановления данных с использованием приближенных коэффициентов и детальных коэффициентов для получения последовательностей, которые равны длине исходной последовательности, но с разными частотами. Как показано на фиг. 2 (b), приблизительный коэффициент dA 2 используется для восстановления низкочастотной составляющей для формирования последовательности A 2; коэффициенты детализации dD 1 и Dd 2 используются для восстановления высокочастотной составляющей для получения последовательностей D 1 и D 2.
3.3. Gated Recurrent Unit
RNN имеет широкий спектр приложений в области анализа временных рядов. Он может реализовать механизм, аналогичный человеческому мозгу, и поддерживать определенную память обрабатываемой информации. Однако традиционные модели RNN склонны к исчезающим градиентам и градиентным взрывам во время обучения [39]. Для эффективного решения проблемы предлагается вариант RNN, называемый LSTM. Ячейки скрытых слоев для LSTM имеют особую структуру по сравнению с традиционными узлами нейронов, что является ключом к долговременной зависимости временных рядов обучения LSTM.На рисунке 3 (а) показана структура ячеек скрытого слоя LSTM. Приток, отток информации и предыдущие обновления статуса могут быть достигнуты путем добавления входных шлюзов, выходных шлюзов и шлюзов забывания в эту структуру ячеек. Вентиль забывания отвечает за определение того, какая часть предыдущего состояния ячейки сохраняется в текущем состоянии ячейки, входной вентиль отвечает за определение, сколько входов сохраняется в текущем состоянии ячейки, а выходной вентиль отвечает за определение выхода. текущего состояния ячейки.
Gated Recurrent Unit (GRU) — это разновидность сетей LSTM. Он наследует преимущества модели RNN: он автоматически изучает особенности и эффективно моделирует информацию, зависящую от долгосрочного использования. Он успешно применяется для краткосрочного прогнозирования трафика [11, 12]. На рисунке 3 (b) показана структура ячеек скрытого уровня сети GRU, и, очевидно, это проще по сравнению с LSTM. Интуитивно понятно, что вентили ввода и забывания в LSTM были интегрированы как вентиль сброса в GRU [9], который определяет, как объединить новую входную информацию с информацией из предыдущего раза.Другой шлюз в ГРУ называется шлюзом обновления; он определяет, какая часть информации из предыдущего времени может быть сохранена в текущее время. Следовательно, GRU на один шлюз меньше по сравнению с LSTM. Кроме того, состояние ячейки и скрытое состояние в LSTM были интегрированы как одно скрытое состояние в GRU. Эти изменения приводят к тому, что сеть GRU имеет меньше параметров и более высокую скорость обучения и требует меньше данных для эффективного обобщения модели [40]. Формула расчета GRU выглядит следующим образом:
Формулы (4) и (5) показывают, как ворота обновления z t и ворота сброса r t вычисляются в нейронах GRU. W z обозначает вес z t , W r обозначает вес r t sig, а σmoid обозначает функцию. Самый внутренний член [ h t− 1 , x t ] представляет собой сумму векторов h t− 1 и x t .Большее значение z t указывает, что в текущей ячейке хранится больше информации, а в предыдущей ячейке — меньше. r t предполагает, что, когда значение уравнения равно 0, информация из предыдущей ячейки отбрасывается.
Формулы (6) и (7) показывают расчет ожидаемого выходного значения и окончательного выходного значения h t нейронной сети GRU. h t− 1 представляет результат предыдущей ячейки, W обозначает вес z t , а tanh обозначает функцию гиперболического тангенса. получается путем умножения h t− 1 предыдущей ячейки на r t , плюс x t , умножения на W и использования функции гиперболического тангенса. h t — это сумма двух векторов.Один получается умножением 1- z t на h t- 1 , а другой получается умножением zt на .
3.4. Модель авторегрессионного скользящего среднего
Модель авторегрессионного скользящего среднего (ARMA) является наиболее распространенным типом моделей временных рядов, используемых для стационарного анализа случайных процессов [41]. Этот метод не требует сильного сходства между данными в прогнозируемое время и данными в предыдущий момент.Этот метод может сглаживать прогнозируемые значения при чрезмерных колебаниях путем усреднения нескольких измеренных данных. Высокочастотные последовательности, генерируемые WT, имеют плавные колебания. Поэтому в этой статье ARMA используется для прогнозирования высокочастотных последовательностей и моделирования случайных колебаний исходных данных, вызванных динамическим характером трафика в реальном времени. Базовой моделью модели авторегрессионного скользящего среднего является ARMA ( p, q) , которая состоит из двух частей, а именно: модели авторегрессии (AR) и модели скользящего среднего (MA).Основное выражение выглядит следующим образом: где c — константа, ε t обозначает случайную ошибку гауссовского распределения белого шума, φ и λ — параметры моделей AR и MA. , и p и q относятся к заказам моделей AR и MA. В левой части уравнения обозначает прогнозируемый результат модели ARMA, соответствующий прогнозируемому значению скорости трафика на высокочастотных последовательностях в момент времени t .
4. Эксперименты
4.1. Данные
Для оценки эффективности предложенной модели использовались данные о скорости плавающего автомобиля, собранные в Нинбо. Необработанные данные загружались оборудованием GPS примерно на 4300 такси каждый день с 1 июля 2017 года по 30 июля 2017 года. Оборудование GPS записывает состояние движения транспортного средства каждые пятнадцать секунд. Каждый записанный фрагмент данных о скорости плавающего автомобиля включает время записи, скорость транспортного средства (мгновенную скорость), местоположение (широту и долготу) и направление движения.Эти данные — высокочастотные данные о плавающих транспортных средствах — могут детально отражать динамику транспортного средства [42]. В этом исследовании для исследования был выбран типичный оживленный район в Нинбо, а дорожная сеть была разделена на 283 участка в зависимости от наличия перекрестков (рис. 4). Данные векторной дорожной сети были получены из Open Street Map.
Чтобы использовать необработанные данные для оценки средней скорости движения, в первую очередь была выполнена очистка данных. Ошибочные данные с неверным временем и местоположением были удалены, а аномальные значения скорости были идентифицированы и удалены методом межквартильного размаха [43].Поскольку скорость городских участков будет зависеть от перекрестка [42, 44], данные, загруженные GPS, когда транспортное средство временно приостановлено на перекрестке, сохранялись, что делает окончательные оценочные результаты более реалистичными. Затем платформа Feature Manipulate Engine (FME) используется для оценки скорости участков дороги. FME — это набор программного обеспечения для настройки решения для анализа, обработки и преобразования пространственных и непространственных данных. Посредством этой платформы алгоритм сопоставления геометрической карты [45] используется для сопоставления очищенных пространственных данных с атрибутами направления с дорожной сетью.Между тем разработан алгоритм оценки средней скорости автомобиля с интервалом в десять минут. В алгоритме среднее значение последовательных точек пути одного и того же транспортного средства на одном и том же участке дороги в течение тех же десяти минут представляет собой среднюю скорость одного транспортного средства (SV). И окончательная средняя скорость участка дороги (RV) — это среднее значение для всех SV. После всего этого пропущенные значения были вычислены с помощью линейной интерполяции [43]. Наконец, каждый день получается 148 значений скорости, и мы выбираем данные из 6 а.м. до 24:00 (108 временных шагов за 1 день) в качестве экспериментальных данных. Пространственно-временная диаграмма трафика, на которой ось x — время, ось y — пространство, а цвет внутри представляет скорость [46], используется для демонстрации обработанных данных, как показано на рисунке 5.
Далее, участок дороги B, который примыкает к больнице, и участок главного канала А города являются основными объектами исследования, как показано на Рисунке 4. Результаты расчетов двух участков дороги показаны на Рисунке 6. .Участок дороги B имеет низкую общую скорость в дневное время, и картина неочевидна. Однако на участке дороги А наблюдается более очевидная тенденция к утреннему и вечернему пику. В соответствии с требованиями модели прогнозирования и вышеупомянутыми этапами обработки данных была получена средняя скорость участка дороги в каждом направлении движения с 06:00 до 24:00 каждые 10 минут. После этого были сгенерированы временные ряды скоростей участков дороги со 108 данными в день и в общей сложности 3240 данными за 30 дней. Данные о скорости на участке дороги с эффективной продолжительностью 30 дней были разделены на две части в соответствии с соотношением 8: 2.Данные первых 24 дней использовались для обучения модели, а данные следующих 6 дней использовались для тестирования модели.
4.2. Индикаторы точности и экспериментальная установка
Два измерения используются в качестве показателей эффективности для точности предлагаемой модели краткосрочного прогнозирования. Это средняя абсолютная процентная ошибка (MAPE) и среднеквадратическая ошибка (RMSE), как показано в формулах (8) и (9). MAPE — относительная ошибка прогноза, а RMSE — отклонение прогнозируемого значения от фактического значения.Эти измерения помогают нам лучше понять результаты прогнозирования: где — прогнозируемое значение в момент времени i , x — это фактическое значение в момент времени i , а n — количество предсказанных значений.
В соответствии с характеристиками вейвлет-разложения DB4 используется как материнский вейвлет DWT для разложения и восстановления исходных данных в два этапа. Две высокочастотные последовательности и одна низкочастотная последовательность могут быть получены для обучения и прогнозирования.Для низкочастотных последовательностей используется метод нормализации минимум-максимум для масштабирования входных данных до диапазона [-1, 1] перед обучением модели. Прогнозируемые выходные значения модели будут скорректированы до нормальных значений. После нескольких экспериментов сеть ГРУ с двумя скрытыми слоями и каждым скрытым слоем с 256 единицами используется для предсказания низкочастотных последовательностей. Все нейросетевые подходы были реализованы с использованием Tensorflow.
4.3. Результаты и анализ
В этом разделе набор данных о скорости для городских участков дороги используется для оценки модели W-GRU-ARMA.Достоверность модели проверяется путем прогнозирования значения скорости на участке дороги в следующие 10 минут.
Прежде всего, мы применили модель к экспериментальным данным двух участков дороги (A и B) с разными схемами движения. В этом эксперименте с прогнозированием важно выбрать подходящие временные шаги для ввода. Наилучший вход определяется после выполнения экспериментов по прогнозированию на разных входах временных шагов от 1 до 8 в сети GRU. Результаты экспериментов показаны на рисунке 7.
На рисунке 7 показано, что, когда входной временной шаг увеличивается с 1, ошибки прогнозирования быстро уменьшаются, и лучшие результаты прогнозирования как для A, так и для B были получены, когда входной временной шаг равен 2. Значения RMSE и MAPE прогнозирования для участка дороги. A составляет 1,585 и 6,014 соответственно, а на участке дороги B — 1,361 и 5,459 соответственно. С другой стороны, по мере того, как количество размеров входного шага продолжает увеличиваться, ошибки предсказания существенно не уменьшаются. Это означает, что состояние трафика в определенное время сильно коррелирует с более близким к нему историческим временем.Кроме того, ошибки прогнозирования двух исследовательских секций имеют схожие изменения с увеличением входного временного шага, что может указывать на то, что данные о трафике, генерируемые разными участками дороги, имеют аналогичные краткосрочные зависимости. Таким образом, временной шаг входа был установлен на 2 в последующих экспериментах.
В этом эксперименте по прогнозированию была спрогнозирована скорость движения за шесть дней, включая будние и выходные дни. Фактическая скорость движения, прогнозируемая скорость движения и соответствующий остаток для участков дороги A и B 26 июля (среда) и 30 июля (воскресенье) показаны на рисунке 8, чтобы проиллюстрировать результаты прогнозирования предложенной модели.
Рисунок 8 показывает, что фактическое значение и прогнозируемое значение хорошо согласуются. Схема движения на участке дороги А в выходные дни более сложная, что затрудняет прогнозирование. Таким образом, предлагаемая модель дает несколько лучшие результаты прогнозирования в будние дни, чем в выходные. С другой стороны, положение стандартных красных прямоугольников также отражает то, что предлагаемая модель может лучше улавливать резкие изменения скорости движения. Кроме того, результат прогноза, представленный на рисунках 8 (c) и 8 (d), отражает, что модель лучше работает на участке дороги B, возможно, потому, что похожая схема движения B присутствует каждый день.
Чтобы получить более подробную информацию из результатов прогноза, ошибки прогнозирования двух участков дороги в час в течение 6 дней рассчитываются и отображаются в виде прямоугольных диаграмм на рис. 9.
Как показано на рис. 9, ошибка прогнозирования Участок дороги в разное время суток неравномерный. Независимо от участка дороги A или B, характеристики прогнозирования более стабильны в непиковые часы, и есть определенные колебания производительности в утренние и вечерние пики движения, особенно на участке дороги A.Для участка дороги А прогнозирование лучше в полдень и вечером. Кроме того, регулярность результата прогноза для участка дороги B в разные периоды времени не имеет значения, потому что участок дороги B все время относительно загружен. Но стоит отметить, что ошибка прогноза в разные периоды всегда находится в меньшем диапазоне.
Для проверки эффективности предложенной модели производительность прогнозирования сравнивается с моделью GRU, моделью LSTM, моделью SAE и моделью ARIMA.Таблицы 1 и 2 демонстрируют эффективность прогнозирования различных моделей.
| ||||||||||||||||||||||
| ||||||||||||||||||