Где пробки: Пробки в Екатеринбурге онлайн – Яндекс пробки

Содержание

Как раскупорить пробки? Почему Краснодар стоит в 10-балльных заторах? | ОБЩЕСТВО

Нерабочие дни, когда на дорогах краевого центра было относительно свободно, закончились. И теперь почти каждый будний вечер Яндекс.Пробки показывает максимальные десять баллов. Обычно так бывает перед Новым годом, но до праздника ещё далеко, а стоять уже приходится. Почему ситуация вновь обострилась и есть ли у этой проблемы решение, рассказывает «АиФ-Юг».

Стоят все?

Главная улица Краснодара – Красная – стоит каждое утро и вечер.

«Очень долго ехала на днях с улицы Ставропольской на Кубанскую Набережную, — жалуется Ирина Калинина. – На Красной (отрезок между Советской и Чапаева) стояла 45 минут! За это время весь путь на трамвае можно проехать. Да, был вечер, но разве это нормально, что машины вообще не двигались?»

Хотя, по словам местных жителей, на общественном транспорте в час-пик добираться на работу ничуть не лучше.

«Да, на трамвае может и быстрее, чем на автомобиле, но в забитых вагонах находиться даже полчаса неприятно, а в сложившейся ситуации с коронавирусом, — еще и небезопасно, — рассказывает
Александр Ким
. – Я езжу на работу в центр города с конечной остановки каждый день к девяти утра. В это время на остановке собираются такие толпы, что не протолкнуться. И это не пенсионеры или школьники, а рабочий класс — те, у кого другого выхода нет! Летом ездил на велосипеде, что, кстати, тоже неудобно – нет дорожек».

В автобусы в часы пик порой просто невозможно забраться – с конечных остановок они едут уже полные. В соцсетях предполагают, что общественный транспорт замедлило ужесточение масочного режима. Кондукторы уверяют, что руководство КТТУ, заставляет останавливать трамваи и троллейбусы, если в них есть хоть один человек без маски. Поэтому транспорт останавливается на 15-20 минут. Доходит до горячих разборок – в Краснодаре недавно побили девушку, не желавшую в трамвае надевать маску.

На курортах всё спокойно

В других городах края ситуация с пробками не такая экстремальная, по крайней мере, сейчас, когда туристы, приезжавшие на нерабочую неделю, вернулись домой, а новогодние ещё не приехали.

Например, в Анапе значительно снизился транспортный поток, следовательно, сократилось количество участков, где летом наблюдались заторы. Также уменьшилось время в пути из города в аэропорт по федеральной дороге. Вместе с тем, незначительные пробки наблюдаются на Симферопольском шоссе перед улицей Северной на въезд в город, по ул. Крестьянской перед улицей Солдатских матерей и на Анапском шоссе перед станицей Анапской.

В автобусы в Краснодаре в часы пик порой невозможно забраться – с конечных остановок они едут уже полные.

На дорогах Сочи сейчас тоже всё спокойно. Конечно, ситуация изменится в новогодние праздники. Но в этот период будет работать городской межведомственный штаб, призванный обеспечить безопасность и логистическое регулирование на дорогах. Въезд в Горный кластер будет возможен только на зимней резине. О количестве свободный парковочных мест в горах информация будет размещаться в режиме онлайн на придорожных электронных табло. Также дорожники обеспечили необходимый запас противоголелодных материалов.

Что делать?

Недостатки в транспортной системе кубанской столицы обсудили на одном из совещаний в мэрии под руководством и.о. главы города Андрея Алексеенко. Он поручил оперативно разработать алгоритм комплексной модернизации транспортной инфраструктуры – с конкретными предложениями и точными сроками их исполнения.

Алексеенко подчеркнул, что по выделенным полосам должен курсировать обновленный подвижной состав. На протяжении полосы «А» следует установить современные остановочные комплексы, на которых можно будет узнать о приближении нужного маршрута. Параллельно должна работать система видеофиксации нарушений ПДД на этом участке.

Нужна реформа

Руководитель общественного движения «Транспортная инициатива» Марина Репещук:

«Главная причина пробок заключается в том, что инфраструктура общественного транспорта не поспевает за развитием города. Помимо этого, у нас нет четкой системы выделенных полос с жестким контролем. Они декларированы, но до сих пор там не установлены определенные штрафы. Отчасти влияет и затянувшаяся ситуация с улицей Московской. Поэтому Краснодар остро нуждается в реформе общественного транспорта, в том числе введении бесплатных пересадок, строительстве новых трамвайных путей, закупке троллейбусов с увеличенным автономных ходом, чтобы они могли ходить в отдаленные районы города. Также, думаю, что все-таки необходима реализация проекта городской электрички. Приезжающие с дач, дальнего пригорода, станичники, конечно, предпочли бы наземное метро многочасовому простаиванию в пробках».

Спасти Ульяновск от пробок. Русских поручил разработать план дорожных работ на три года вперёд

Власть намерена решить проблему с пробками на дорогах Ульяновска, пока она не стала ещё серьезнее с учётом развития муниципалитета и увеличением машин на улицах. Поэтому сегодня под руководством губернатора Алексея Русских состоялся объезд сложных с этой точки зрения территорий для разработки плана инженерных работ на ближайшие три года.

Глава региона сделал акцент на том, что необходимо комплексно подойти к решению задачи. Ведь автомобильные пробки в часы пик на дорогах становятся ежедневным испытанием для горожан.

Мэр Дмитрий Вавилин подтверждает, что в городе довольно много участков, где наблюдаются регулярные заторы. «Московские пробки постепенно приходят в наш город», – комментирует он.

В частности, на Московском шоссе два проблемных перекрестка – на пересечении с проспектом Олимпийским, а также с дорогой, ведущей в поселок Дачный. Здесь предполагается строительство третьей дополнительной полосы. На перекрестке Инзенской и Локомотивной в ближайшее время хотят построить третью дополнительную полосу для поворота направо. В планах также возведение ещё одного моста через Свиягу, он выведет транспортный поток с улицы Промышленной и микрорайона «Новая жизнь» на улицу Локомотивная через реку и железнодорожные пути. Помимо этого, обсуждаются возможности по строительству многоуровневых развязок. В первую очередь на проспекте Гая: на пересечении в районе поселка Белый Ключ с железной дорогой, а также двухуровневой на пересечении Академика Павлова и Димитровградского шоссе. 

Часть работ начнется уже в следующем году.

«В 2022 году мы уделим большое внимание транспортной развязке на пересечении Московского шоссе, улиц Минаева и Хлебозаводской. Сейчас уже ведём закупочные процедуры по определению подрядчика. В следующем году также будут выполняться мероприятия по расширению Московского шоссе и Инзенской. Это малозатратные мероприятия, которые позволят достичь определенного эффекта. По четырем развязкам начнем изготовление проектно-сметной документации. Это поселок Белый Ключ и Академика Павлова», – сообщил градоначальник.

По итогам рабочего объезда Алексей Русских поручил региональному министерству транспорта и городской администрации представить четкий и выверенный план проведения мероприятий на улично-дорожной сети Ульяновска.


Москва выбыла из топ-5 городов с самыми большими пробками — РБК

Ситуация на дорогах в 2019 году в столице России стала хуже, однако город выбыл из пятерки агломераций с самыми большими пробками, пропустив вперед индийские Бангалор и Пуну и столицу Филиппин

Фото: Владимир Астапкович / РИА Новости

По итогам 2019 года уровень перегрузки дорог в Москве и прилегающих к ней районах вырос на 3 п.п., следует из данных рейтинга Traffic Index, ежегодно составляемого производителем устройств для автомобильной GPS-навигации TomTom. По данным компании, уровень перегрузки московских дорог вырос в минувшем году до 59%.

Это значит, что водители в среднем тратили на каждую поездку на 59% больше времени, чем при езде в нормальных условиях, а в часы пик потери были еще больше. В утренние часы пик задержка составляла в среднем 87% от нормального времени, а по вечерам в будни доходила до 115%. По подсчетам TomTom, утром в часы пик продолжительность получасовой поездки в Москве увеличивалась в среднем на 26 минут, а по вечерам — на 32 минуты.

В общей сложности за 2019 год, по подсчетам TomTom, средний водитель потерял в пробках на московских дорогах 225 часов, то есть почти девять с половиной суток.

Эксперты TomTom отмечают, что наименьший уровень загрузки московских дорог в 2019 году был зафиксирован 2 мая, когда средний дневной показатель составил всего 12%. Худший в году день также пришелся на май: 7 мая средний за день показатель загрузки дорог составил 97%.

Британская компания назвала Москву самым страдающим от пробок городом

Ежедневные 10-балльные пробки в Дашково-Песочне. Как можно ликвидировать транспортный коллапс? — Общество

Впереди нет аварии. Но Дядьковская дорога по утрам по скорости движения больше напоминает же в часы пик. В этом направлении несколько лет назад возвели жилые многоквартирные дома, но как с нагрузкой справится деревенская дорога, не подумали. Стоят здесь каждое утро. Пробка начинается от Грачей. Съемочная группа «Вести-Рязань» встали в нее — было ещё темно. Подъехали к повороту на Сережину гору, что в трёх километрах отсюда, когда уже рассвело.

Вырваться на улицу Большую, несмотря на то, что по времени это займёт почти час, пытаются и с самых глубоких микрорайонов Дашково-Песочни, жители которых уже давно бросили надежду уехать на работу по Новоселов. Как итог — пробка на Сережиной горе и во дворах. Коллапс, не иначе. Такая картина здесь каждое утро в любую погоду. Дорога на НИТИ — тоже больное место всех водителей. Она растягивается по утрам на несколько километров. И такая картина на протяжении нескольких лет!

Автомобилизация населения регионов России (авто/1000 чел.) в 1970—2016 годы:

Рязанская область

1970 год — 3,4;

1985 год — 35,2;

1993 —   58,2;

1997 — 88,1;  

2000 — 111,7;

2002 —  131,4;

2010 — 277,5;

2013 — 292;

2014 – 312;

2016 – 324.

Дороги района не справляются с огромным трафиком. В Дашково-Песочне живет около 100 тысяч человек. Рязань относится к городам, где высок уровень автомобилизации — 324 автомобиля на тысячу жителей, это выше среднего уровня по стране и ЦФО. А значит, каждое утро из микрорайона выезжает на работу более 30 тысяч автомобилей. Для сравнения в 70-ых годах, когда район только начинали строить, количество машин на душу населения было в 100 раз меньше!

Запроектированные в те годы — 40 лет назад, дороги не справляются с интенсивностью движения транспорта ни грузоперевозок, ни пассажироперевозок, поэтому требуется строительство новых дорог, транспортных развязок или объездных маршрутов.

Ирина Козикова, старший преподаватель кафедры промышленного и гражданского строительства Рязанского института, филиала Московского политехнического университета.

Проблему парализованности пробками Дашково-Песочни регулярно обсуждают в эфирах «Радио России-Рязань». В «круглых столах» принимают участие чиновники, активисты и общественники. Причина проблемы: многоэтажки растут, новые дороги — не строятся.

Причем, если брать 4 и 5 микрорайон, там строительство сейчас на стадии завершения, скоро будут сданы еще несколько 30-этажных домов, и уже сейчас там парализовано движение. Что будет буквально через месяцы, страшно представить. И катастрофой станет строительство 8, 9 и 10 микрорайонов, еще 26-30 тысяч жителей добавится — это будет просто транспортный коллапс.

Борис Маркин, руководитель Рязанского областного радио, автор программы «Ежегодный дорожный круглый стол».

Генеральный план Рязани предусматривает строительство двухуровневой развязки в районе «Ледового дворца» и развязки в районе Восточной окружной дороги. В прошлом году расширять перекресток начали на пересечении улиц Советской Армии и Касимовского шоссе. Но решит ли это проблему — активисты сомневаются.

Если мы посмотрим проект, под этот перекрёсток отведено мало места. Машины, которые будут перестраиваться по этим дорогам, будут друг другу мешать, будет много аварий. Решить проблему Дашково-Песочни можно только строительством новых дорог.

Андрей Марчук, руководитель общественного интернет-проекта.

Мы написали официальный запрос в профильные ведомства с вопросом — как и когда планируется решать проблему транспортных заторов?

Пробки Одессы ОНЛАЙН | infoportal.ua™

Текущая ситуация на дорогах Одессы сегодня в режиме ⏩ONLINE. На интерактивной карте можно смотреть дорожные события, которые происходят в Одессе сейчас в реальном времени. Данные об одесских пробках передаются на карту ежесекундно, обновление происходит автоматически в зависимости от поведения пользователя (активное действие или наведение курсора на любую область карты включает автообновление). Информация про скорость движения автотранспорта, дорожные работы, ДТП, поступающая на электронную карту пробок Одессы, предоставляется Управлением ГАИ ГУ МВД Украины в г. Одесса, а также передается с GPS приемников мобильных устройств и автомобильных навигаторов. Интернет карта-схема с заторами и происшествиями на улицах и магистралях Одессы разработана и предоставлена компанией Google (Гугл).

Онлайн карта пробки Одессы

Пожалуйста, нажмите на оценку-звезду вверху страницы! Поделитесь в социальных сетях или отправьте в Viber, WhatsApp!


При наведении курсора на интересующий отрезок пути появится информация о том, какая скорость передвижения транспорта на этом участке в данный момент. По оперативно поступающим данным можно узнать приблизительную длину пробки, тянучки, затора. Автодороги обозначены разными цветами в зависимости от загруженности: зеленый (проезд свободный, пробок нет), желтый (дорога почти свободна), красный (тянучка), темно-красный (пробка). Предупреждающие знаки показывают, в каком месте Одессы дороги перекрыты полицией. По текущей информации можно быстро посмотреть, где сейчас в Одессе дороги свободны, движение затруднено, серьезные пробки, многокилометровые пробки. Карта пробок Одессы показывает общую ситуацию на всех городских улицах и автомагистралях, а также на пути в поселки: Овидиополь, Великодолинское, Таирово, Авангард, Александровка, Хлебодарское, Черноморское, Доброслав, Новые Беляры и другие города-спутники Одессской области: Черноморск (Ильичевск), Южное (Южный), Теплодар, Беляевка, Раздельная.
Любой желающий может смотреть сейчас дорожную обстановку и пробки по наиболее загруженным направлениям в Одессе: Николаевская дорога, проспект Маршала Жукова, улица Космонавта Комарова, Люстдорфская дорога, Пересыпский мост (район Пересыпь), Привокзальная площадь, улица Старопортофранковская, площадь Независимости, площадь Таирова, площадь Бориса Деревянко, Фонтанская дорога, улица Академика Вильямса, улица Академика Королёва, улица Успенская, улица Ришельевская, улица Тираспольская, Французский бульвар, проспект Шевченко, улица Среднефонтанская, переулок Топольского, улица Елисаветинская (улица Щепкина), улица Малая Арнаутская, улица Бунина, улица Троицкая, улица Жуковского, улица Еврейская, улица Греческая, улица Торговая, улица Большая Арнаутская, улица Балковская, улица Краснослободская, Ольгиевский спуск, Южная дорога, переулок Векслера, улица Бугаевская, улица Дальницкая, Мельницкая улица, улица Степовая, улица Прохоровская, улица Разумовская, улица Гагарина, улица Сегедская, улица Черняховского, улица Маршала Говорова, улица Михаила Грушевского, улица Академическая, площадь 10-го Апреля, улица Химическая, улица Семинарская, Днепропетровская дорога, улица Генерала Бочарова, улица Святослава Рихтера, улица Академика Филатова, улица Канатная, улица Приморская, улица Пушкинская, улица Преображенская, Польский спуск, улица Инглези (улица 25-й Чапаевской Дивизии), улица Космонавтов, улица Генерала Петрова, улица Архитекторская, улица Екатерининская, проспект Добровольского, улица Академика Заболотного, Таможенная площадь, улица Богдана Хмельницкого, улица Мясоедовская, проспект Академика Глушко, улица Атамана Головатого, улица Черноморского Казачества, Тираспольское шоссе, улица Ангарская, одесская Объездная дорога, Киевское шоссе. Автомобильные пути территориального значения Т 1641, Т 1647 из Одессы в Каролино-Бугаз — Затока. Региональная автодорога Р-70 Одесса — Белгород-Днестровский. Международная трасса M-27 Одесса — Черноморск (Ильичевск).

Посмотрите еще интересную и полезную информацию на портале:

Застряли с ребенком в пробке? Как его отвлечь и развлечь? Ловите 5 вариантов

Есть три неискоренимые вещи в Казани: слово «айда» в разговорах, бумажки на автомобильных номерах и пробки. Айдате Давайте поговорим про последнее — тем более через неделю в автобусы будут пускать только по QR-кодам, пробкам это только на руку!

Не будем возмущаться в никуда, лучше найдем решение. Чем заняться в нудных пробках, особенно если вы застряли в них с детьми.

Поехали! А точнее: приехали, стоим — что делать?

1. Сыграть в «То, что я загадал» — игра из фильма «Стажер» с Робертом Де Ниро. Правила простые: посмотрите вокруг, найдите понравившийся предмет в машине или на улице, запомните его и скажите, какого он цвета: «То, что я загадал — красное». Ребенок должен угадать, что это. Потом его очередь загадывать.

2. Выучить пять английских слов. Вам снова придется оглянуться — что вы видите? Светофор, собаку, скамейку, бабушку, которой куда-то нужно в 7 часов утра? Просто попробуйте переводить на английский язык все, что видите, а ребенок пусть повторяет за вами. Заодно и вы потренируете память.

3. Поесть. Съесть пару слайсов свежего слабосоленого лосося, скрэмбл, тост с вялеными томатами и выпить матчу — такого не ждите. Но перекусить бутербродами с сыром и накормить ребенка, если кашу в 6 утра он есть отказался, можно. Чего время терять?

4. Сделать гимнастику для глаз. Наверное, всем офтальмологи говорили: «Делайте глазную гимнастику. Это полезно, расслабляет глаза и помогает избежать ухудшения зрения». Ну и как, делаете? Нам будто постоянно не хватает времени, а иногда мешает лень. В пробке спешить буквально некуда — просто сделайте с ребенком зарядку для глаз. Заодно привьете ему полезную привычку.

5. Пункт для самых заботливых родителей — просто дайте ребенку телефон. Это не шутка. Если вы подключите ему «Детский тариф» от Tele2, сможете быть спокойными: ребенок в телефоне будет занят чем-то полезным. А именно: будет смотреть интересные видеоуроки по русскому, математике, чтению или тренировать память, логику и внимание в игровой форме.

Когда ребенок захочет отдохнуть, выберет мультфильм из подборки, при этом не забредет на сомнительные платные сайты. Ведь «Детский тариф» защитит и не пустит его туда.

Детский тариф с недетскими преимуществами! За подробностями — сюда.

Простой процесс заражения описывает распространение пробок в городских сетях

Выявление перегруженных ссылок

Мы используем эмпирические данные из Google, которые содержат оценочные зависящие от времени скорости движения на каждом звене дорожной сети в шести разных городах мира, а именно Чикаго, Лондон, Париж, Сидней, Мельбурн и Монреаль (см. Методы). Мы также используем смоделированные данные из откалиброванной и проверенной мезоскопической модели динамического распределения трафика в Мельбурне (см. Методы) 1 .Используя как эмпирические данные, так и данные моделирования, мы демонстрируем, что предлагаемая структура моделирования может успешно описывать динамику распространения и рассеивания заторов в городских сетях.

В предлагаемой теоретико-сетевой структуре узлы представляют собой перекрестки (контролируемые и неконтролируемые), а ссылки представляют собой физические дороги между любыми двумя перекрестками. Для каждого канала i в сети у нас есть зависящая от времени скорость v i ( t ).{{\ mathrm {max}}} \). Затем мы классифицируем каждую ссылку как в перегруженном состоянии s i = 1 или незагруженном состоянии s i = 0 (также известном как свободный поток) с использованием порогового значения ρ ниже

$$ s_i (t) = \ left \ {{\ begin {array} {* {20} {c}} {1,} & {\ lambda_i (t) \; <\; \ rho}, \\ {0 ,} & {\ lambda_i (t) \ ge \ rho}, \ end {array}} \ right. $$

(2)

, где ρ — предварительно заданный порог, который представляет различные уровни перегрузки 11 .На рисунке 1 показана идентифицированная перегруженная сеть для различных значений ρ при заданном t с использованием данных из основанной на имитации модели динамического распределения трафика Мельбурна. Размер перегруженной сети растет по мере увеличения ρ . В качестве альтернативы можно также построить перегруженную сеть, используя измерения плотности трафика или любой другой метод классификации.

Рис. 1: Пространственное распределение загруженности в сети Мельбурна.

В данный момент времени т = 8:30 a.м. карты показывают перегруженные каналы (обозначены красным цветом) в сети, когда a ρ = 0,1, b ρ = 0,2, c ρ = 0,3 и d ρ = 0,4.

Моделирование динамики распространения заторов сетевого трафика

Рассмотрим сеть с N направленными ссылками. В момент времени t = 0 каждый канал в сети находится в режиме свободного потока или незагруженного потока, F (0) = N и ни одно соединение не перегружено C (0) = 0.Пусть E будет набором ссылок, j ( j E ) длиной l j , по которым позже формируется перегрузка и распространяется по сети. F ( t ) представляет количество звеньев, которые находятся в режиме свободного потока в момент времени t и C ( t ) представляет количество перегруженных звеньев в момент времени t на основе указанного ρ . Для направленного звена в дорожной сети со средним числом «эффективных контактов» тыс. с другими звеньями, указывающими на его вышестоящий узел, β — это скорость распространения затора на восходящий канал свободного потока в единицу времени, и составляет F ( t ) / N — вероятность того, что перегруженный канал будет напрямую подключен ниже по потоку от канала со свободным потоком.В предположении однородного перемешивания, которое относится к предположению, что каждое звено в сети имеет одинаковую вероятность контакта с перегруженным звеном; перегруженное звено соединяется в среднем со свободным потоком кФ ( т ) / N звеньев свободного потока за единицу времени. Хотя предположение об однородном перемешивании является упрощенным, оно делает анализ поддающимся анализу, в то же время показывающим его предсказательную способность в макроскопическом масштабе. См. Дополнительное примечание 1 для ознакомления с основами распространения перегрузки в упрощенных системах трафика.См. Дополнительное примечание 2 для расширения структуры, когда предположение об однородном перемешивании ослаблено.

Ниже мы описываем динамику распространения перегрузки с помощью системы обыкновенных дифференциальных уравнений (ОДУ), которая аналогична известной модели SIR:

$$ \ frac {{{d} c (t)}} {{{d} t}} = — \ mu c \ left (t \ right) + \ beta kc \ left (t \ right) \ left ({1 — r \ left (t \ right) — c \ left ( t \ right)} \ right), $$

(3)

$$ \ frac {{{d} r (t)}} {{{d} t}} = \ mu c \ left (t \ right), $$

(4)

$$ \ frac {{{d} f (t)}} {{{d} t}} = — \ beta kc \ left (t \ right) \ left ({1 — r \ left (t \ right ) — c \ left (t \ right)} \ right), $$

(5)

, где c ( t ) представляет собой долю перегруженных каналов в сети, f ( t ) представляет собой долю каналов со свободным потоком, а r ( t ) представляет собой долю восстановил ссылки.Уравнение 3 описывает скорость, с которой c ( t ) изменяется с течением времени, учитывая скорость распространения β и скорость восстановления μ , учитывая, что часть перегруженных линий связи в конечном итоге восстановится по мере уменьшения потребности в перемещении. Уравнение 4 выражает скорость, с которой перегруженные каналы восстанавливаются с заданной скоростью восстановления μ . Уравнение 5 показывает, как доля звеньев свободного потока f ( t ) в сети изменяется с течением времени при c ( t ) и r ( t ).Обратите внимание, что c ( t ) + r ( t ) + f ( t ) = 1, где f ( t ) представляет ссылки, которые остались в состоянии свободного потока. от t = 0. Кроме того, / μ представляет собой среднее количество вновь перегруженных звеньев, которые потенциально создает каждое уже перегруженное звено в полностью свободной дорожной сети. При моделировании эпидемии это часто обозначается R 0 и называется «базовым репродуктивным числом».Чем выше значение R 0 , тем быстрее распространяется перегрузка по сети. Если R 0 ≤ 1, перегрузка не будет распространяться в сети и останется непостоянным локальным явлением. R 0 в городской сети можно оценить в начале перегрузки, до того, как перегрузка начнет распространяться в сети. Распространение перегрузки в городской сети часто происходит в течение нескольких часов от начала перегрузки и восстанавливается в течение нескольких часов после точки пика.Если R 0 известно, как только перегрузка формируется и начинает распространяться, предлагаемую модель SIR можно использовать для прогнозирования, когда перегрузка достигнет пика и сколько времени потребуется для восстановления, что можно использовать для оптимизации реализации различные стратегии управления и контроля дорожного движения.

Сформулированная модель одновременно описывает динамику распространения перегрузки, а также рассеяние или восстановление перегрузки в сети с учетом расчетных параметров β и μ , которые зависят от определенного зависящего от времени профиля потребности в перемещении, как в реальном масштабе времени. мировые сети.Аналогичные представления хорошо известной модели эпидемий «восприимчиво-инфицированный» (SI) и «восприимчиво-инфицированный-восприимчивый» (SIS) также могут быть сформулированы для описания распространения трафика в сети как модели с двумя состояниями (см. Дополнительное примечание 1). . Если принята модель SI, оценочное значение c ( t ) описывает распространение перегрузки в сети до тех пор, пока сохраняется потребность в перемещении, и перегрузка в конечном итоге распространяется на всю сеть без восстановления, приводящего к полному тупику, что также известно. как «полный затор» 27,28 или «развал сети» 29 .Здесь блокировка определяется как состояние системы, при котором трафик во всей сети или ее части полностью останавливается с нулевым (или минимальным) потоком 20 (см. Рис. 2a). Если модель SIS принята, динамика распространения перегрузки описывается таким образом, что перегрузка продолжает расти, но не распространяется на всю сеть и остается неизменной через некоторое время, что приводит к частичному блокированию сети (см. Рис. 2b). Хотя с теоретической точки зрения, модели SI и SIS также могут быть адаптированы для описания распространения перегрузки в сети, они не обладают реалистичностью.При частичном заторе сети количество перегруженных каналов может расти или сокращаться в зависимости от того, распространяется ли затор или разрешается (рассеивается), как это часто бывает в реальных сетях. Поэтому мы ожидаем, что модель SIR, как модель с тремя состояниями, обеспечивает более реалистичное представление, как будет эмпирически продемонстрировано в следующем разделе (см. Рис. 2c).

Рис. 2: Описание временной эволюции перегрузки.

Модель распространения перегрузки в сети с двумя состояниями: доля перегруженных каналов c ( t ) vs.время, приводящее к — полному тупику сети , описанному разновидностью модели SI, и частичному тупику сети b , описанному разновидностью модели SIS. c Трехуровневая модель распространения и рассеивания перегрузки в сети, аналогичная модели SIR с учетом изменяющегося во времени профиля нагрузки-разгрузки.

Эмпирические данные

Мы применяем предложенную модель, основанную на заражении, к эмпирическим данным, собранным в шести различных крупных мегаполисах по всему миру (см.рис.3а – г). Мы исследуем изменения доли перегруженных каналов c ( t ) в выбранных сетях. Предлагаемая динамика в уравнении. 3–5 соответствуют данным трафика между началом и смещением перегрузки (рис. 3b) для оценки скорости распространения β и скорости восстановления μ с использованием обычного метода наименьших квадратов (OLS) с алгоритмом поиска по образцу. (см. Методы) для различных значений ρ , как в формуле. 2 и предполагая среднее значение k = 3 для исследуемых сетей на основе распределений степени узлов.

Рис. 3: Эмпирические данные о динамике распространения и рассеивания заторов в шести разных городах.

a Связь между R 0 и ρ . Для меньших значений ρ наблюдается согласованность наблюдаемой динамики в разных городах, несмотря на их различия в сетевой структуре, спросе и моделях трафика. R 0 остается примерно неизменным для того же значения ρ для меньших значений ρ , что свидетельствует о существовании универсальной меры для распространения перегрузки; b доля перегруженных каналов в сети с течением времени c ( t ) для каждого города с 6:00 до 10:00 a.м. когда ρ = 0,2. Начало и смещение перегрузки отмечены пунктирными линиями. Обратите внимание, что ось y имеет фиксированный диапазон [0, 0,035], и подмножество данных между временем начала перегрузки и временем смещения используется для соответствия модели SIR; c изменение доли восстановленных каналов r ( t ) в сети с течением времени; d эволюция доли звеньев свободного потока f ( t ) в сети с течением времени.

Примененный простой процесс заражения успешно описывает модели распространения заторов в разных городах на макроскопическом уровне.Хотя выбранные города имеют существенно разную топологию и структуру спроса на поездки, их оценочные значения R 0 почти одинаковы для ρ = 0,2 и незначительно различаются для ρ = 0,3 (см. Рис. 3a). Это предполагает наличие универсальной меры, представленной R 0 для распространения заторов в городской сети, аналогичной тому, что обычно наблюдается при инфекционных заболеваниях. Обратите внимание, что c max и время, когда происходит c max , в разных городах различаются.Для больших значений ρ наблюдаемая разница между оценочными R 0 растет, что в основном связано с нечетким определением перегрузки, когда ρ велико. Следовательно, мы ожидаем увидеть расхождение между городами по мере увеличения ρ . Доля восстановленных и свободных каналов в исследуемых сетях также проиллюстрирована на рис. 3c, d, и показано, что она согласуется с ожидаемыми результатами теоретической модели SIR.

Выявление основной динамики с помощью моделирования

Теперь мы исследуем изменения доли перегруженных каналов c ( t ) в сети, учитывая данные трафика, полученные из основанной на имитации модели динамического трафика Мельбурна (дополнительное примечание 3) и выявленные перегруженные ссылки.См. Дополнительное примечание 4 для сравнения эмпирических данных и данных моделирования из сети Мельбурна. На рисунке 4a показано изменение c ( t ) во времени для различных значений ρ с использованием смоделированных данных с откалиброванным профилем спроса на поездки для утреннего пикового периода с 6:00 до 10:00, за которым следует 4 -h период восстановления при нулевом спросе. Введение нулевого спроса после полной загрузки сети — распространенный подход в анализе сетевого трафика 2,21 , который позволяет сети полностью восстановиться.Многие из интересных свойств потока сетевого трафика могут наблюдаться только во время полного восстановления, такие как образование гистерезиса в соотношении сетевой поток-плотность.

Рис. 4: Распространение и рассеяние перегрузки в сети Мельбурна.

a Изменение доли перегруженных каналов в сети с течением времени для различных значений ρ в зависимости от реалистичного и откалиброванного 4-часового спроса, за которым следует 4-часовой период восстановления с нулевым спросом, начиная с t = 240 мин. b Модель SIR, адаптированная к динамике системы с оценочными параметрами β = 0,0577 и μ = 0,0812, когда ρ = 0,2 и k = 2,12. Данные получены из модели DTA, основанной на имитационном моделировании. Вертикальная ось, связанная с c ( t ), масштабируется логарифмически.

Смоделированные модели распространения и рассеивания скопления соответствуют обычно наблюдаемым моделям распространения в эпидемиях, при которых распространение следует начальному экспоненциальному режиму роста, за которым следует сумма нескольких экспоненциальных процессов во время восстановления.Используются меньшие значения ρ , поскольку они лучше отражают образование скопления по сравнению с большими значениями ρ . Например, когда используется ρ = 0,1, доля перегруженных каналов в сети почти равна нулю в течение первого часа моделирования, поскольку перегрузка еще не сформировалась ни в одном канале в сети. Однако при использовании ρ = 0,9 почти 15% каналов в сети считаются перегруженными в начале моделирования. Принятая и сформулированная модель SIR, выраженная в формуле.3–5 успешно описывает эволюцию c ( t ) во времени, как показано на рис. 4b. Модель применяется к данным о трафике между временем начала перегрузки и временем смещения, когда пробка начинает распространяться и почти прекращает рассеяние, соответственно.

Для дальнейшего выявления закономерностей распространения перегрузок мы также проводим моделирование с 1 часом пиковой нагрузки с последующими несколькими часами восстановления при нулевой нагрузке, в соответствии с анализом, ранее представленным Olmos et al. 2 . Здесь мы фокусируемся на целевой группе смоделированных транспортных средств, которые входят в сеть в пиковый час (8: 00–9: 00 утра), указанный как час непосредственно перед пиковой точкой в ​​профиле спроса. См. Рис. 5a, на котором распространение перегрузки в сети может быть аппроксимировано начальным ростом, за которым следует спад. На рис. 5б, в показаны изменения расчетных параметров β , μ и R 0 для диапазона значений ρ .Это противоречит интуиции, что при увеличении ρ скорость распространения и рассеивания перегрузки уменьшается экспоненциально. Однако R 0 увеличивается, когда ρ увеличивается, как ожидалось. Фактически, здесь скорости распространения и рассеяния следует интерпретировать относительно. Следовательно, их индивидуальные значения не могут служить абсолютным показателем степени распространения перегрузки. Вместо этого физический смысл имеет отношение β к μ , или, точнее, R 0 .Это аналогично теории очередей, в которой размер очереди зависит от разницы между кривыми прибытия и отправления, а не от индивидуальных показателей прибытия и отправления. Здесь R 0 также можно рассматривать как представление скорости, с которой развивается ударная волна в сети. Кроме того, R 0 следует интересной линейной зависимости с ρ , как показано на фиг. 5c.

Рис. 5: Распространение перегрузки в сети Мельбурна.

Распространение и рассеивание перегрузки в сети Мельбурна в зависимости от 1-часового пикового спроса, за которым следует период восстановления с нулевым спросом, начиная с t = 60 мин: a эволюция доли перегруженных каналов в сети с течением времени для различных значений ρ , b расчетные параметры модели β и μ для различных ρ , c чувствительность R 0 до ρ .Здесь R 0 > 1 предполагает, что перегрузка распространяется для каждого значения ρ > 0.

Динамика распространения локальной перегрузки

Для дальнейшего исследования свойств распространения перегрузки мы демонстрируем распространение перегрузки от перегруженных каналов до их восходящих каналов в сети с использованием смоделированных данных трафика. В частности, мы выявляем формирование перегруженных кластеров перед перегруженными звеньями. Для любого направленного канала и , соединяющего его исходный узел с его целевым узлом, давайте определим соответствующий перегруженный восходящий кластер как подмножество узлов в сети, которые могут достичь исходного узла канала и через хотя бы один направленный путь, полностью состоящий из перегруженных ссылок; кластер включает исходный узел.Для фиксированного значения ρ мы отдельно рассматриваем каждый перегруженный канал и вычисляем размер его перегруженного восходящего кластера в разные моменты времени. Для каждого временного шага t мы генерируем нулевую модель путем случайного рисования λ i ( t ) каждого канала i из того же распределения относительных скоростей канала, что и в смоделированных данных при тот же временной шаг. Чтобы измерить значимость воздействия перегруженных ссылок на их окрестности, мы сравниваем размер перегруженного восходящего кластера, связанного с каждым каналом в смоделированной сети, с размером сгенерированной нулевой модели с течением времени (см.рис.6). Результаты показывают, что пространственное распределение звеньев λ по смоделированной сети значительно отличается от нулевой модели. В частности, в моделируемой сети трафика значительно больше перегруженных восходящих кластеров большего размера по сравнению с нулевой моделью. Другими словами, в сети трафика каналы с более низкими значениями λ i ( t ) имеют тенденцию возникать внутри кластеров малого и среднего размера, в то время как это явление не наблюдается в нулевой модели.Кроме того, размер перегруженных восходящих кластеров в моделируемой сети со временем изменяется. Он начинается с низких значений около t = 0 и постепенно увеличивается примерно до t = 200 мин, когда достигает пика для большинства каналов, а затем уменьшается до нуля примерно до t = 400 мин, когда сеть не работает. пустой. Однако для нулевой модели размер кластеров продолжает колебаться во времени с большими вариациями, а размер перегруженных восходящих кластеров достигает только половины того, что наблюдается в моделируемой транспортной сети Мельбурна.В соответствии с физикой потока трафика и кинематической волновой теорией, это подтверждает гипотезу о том, что перегрузка на канальном уровне распространяется по сети через восходящие каналы. Мы проиллюстрируем разницу в распределении размера перегруженного восходящего кластера в сети моделирования от распределения нулевой модели в момент времени t = 180 мин в качестве примера (см. Рис. 6c для ρ = 0,5 и рис. 6f для ρ = 0,7). Наблюдаемая разница между распределениями размера кластера в смоделированных данных по сравнению с нулевым случаем подтверждает, что перегрузка следует неслучайному шаблону пространственного распространения.

Рис. 6: Развитие перегруженных восходящих кластеров, связанных с перегруженными ссылками.

Здесь a и d показывают изменение во времени размера перегруженных кластеров, связанных со ссылками в транспортной сети Мельбурна, в то время как b и e отображают те же результаты для нулевой модели, сгенерированной независимо для каждый временной шаг путем отрисовки случайных λ i ( t ) для каждой линии связи i из того же распределения, что и в смоделированных данных; ссылки сортируются в соответствии с максимальным размером их перегруженного восходящего кластера, и результаты показывают только первые 1000 ссылок.Распределение размера перегруженных восходящих кластеров для модели имитации трафика в Мельбурне и ее аналога нулевой модели при t = 180 сравнивается для c ρ = 0,5 и f ρ = 0,7. Более крупные перегруженные восходящие кластеры чаще наблюдаются в модели транспортной сети Мельбурна по сравнению с нулевой моделью, созданной с той же структурой и таким же распределением относительной скорости канала.

Связь с потребностью в перемещении

Здесь мы исследуем влияние изменения спроса на динамику распространения и рассеивания заторов.Для той же сети с 1 часом загрузки с последующим 4-часовым восстановлением мы провели несколько прогонов моделирования с коэффициентом масштабирования ζ = 0,75, 1,0, 1,25, 1,5, 1,75 и 2,0 для уменьшения или увеличения спроса при сохранении структура спроса в странах отправления и назначения одинакова. Затем мы решаем предложенную модель ODE и оцениваем параметры модели β и μ , как описано в дополнительном примечании 5 и разделе «Методы». Когда спрос увеличивается, доля перегруженных каналов также увеличивается для той же сети, и в результате полное восстановление перегрузки занимает больше времени, в то время как начало фазы восстановления остается прежним.Это отражается в уменьшении µ в ответ на увеличение спроса на любой заданный (см. Рис. 7a, где показано изменение c ( t ) во времени для различных уровней спроса). Как ни странно, увеличение спроса также приводит к уменьшению β для заданного значения ρ (см. Рис. 7b, c). Это не следует интерпретировать как более медленное распространение перегрузки. Фактически, β не является независимым от μ . Две макроскопические характеристики зависят друг от друга, поэтому c ( t ) достигает своего пикового значения при t = 75 мин в соответствии с профилем спроса.Однако R 0 увеличивается при увеличении спроса для любого заданного значения ρ с четким указанием на то, что размер сетевой ударной волны будет расти и восстановление займет больше времени. R 0 имеет линейную зависимость с ρ , в которой наклон также почти линейно зависит от спроса (см. Рис. 7d, e). Результаты показывают, что существует также трехмерная взаимосвязь между R 0 , ρ и спросом, как показано на рис.7f, на котором для меньших значений зависимость между R 0 и спросом почти линейна. Связь со спросом имеет решающее значение для применения предложенной модели к управлению спросом на поездки и управлению движением в реальном мире. Предлагаемая модель может использоваться для управления периметром подсети в более крупной сети, в которой должны использоваться отношения с направляющими спроса, которые должны использоваться при фиксированном значении ρ и наоборот.Когда известно R 0 , предлагаемая модель может затем предсказать, когда перегрузка достигнет пика и когда она полностью восстановится. Определение времени пика перегрузки и продолжительности восстановления может использоваться для определения оптимальных по времени стратегий управления трафиком (см. Дополнительное примечание 6). Чего здесь не хватает, так это наблюдаемой связи со спросом на основе эмпирических данных. Спрос на путешествия сложно наблюдать в реальном мире. Поэтому наш анализ здесь ограничен средой моделирования.Данные об использовании пассивных мобильных телефонов потенциально могут быть использованы для определения спроса на поездки с течением времени и связаны с распространением и рассеянием перегрузок в сети, что остается интересным направлением для будущих исследований.

Рис. 7: Влияние спроса на поездки на динамику загруженности.

Распространение и рассеяние перегрузки в сети Мельбурна в зависимости от 1-часового спроса с последующим периодом восстановления: — эволюция на доли перегруженных каналов в сети с течением времени для различных уровней спроса при ρ = 0.3; b и c оценочные параметры модели β и μ для различных ρ и уровней спроса; d R 0 как функция от ρ для различных уровней спроса; e чувствительность от α до ζ . Здесь α представляет наклон линейной аппроксимации данных, показанных в d . f Трехмерная иллюстрация взаимосвязи между R 0 , ρ и ζ .

Причины пробок: странные, неожиданные и более распространенные

Что вызывает пробку? Иногда ответ очевиден: строительство, аварии или обычный час пик. В других случаях водителям может показаться, что для движения транспорта нет явной причины. Чтобы лучше понять, как устроен поток трафика, давайте рассмотрим причины пробок, от наиболее распространенных до более редких.

Насыщенность

Самый распространенный вид движения — это когда автомобилей больше, чем может выдержать проезжая часть.Эта форма перегрузки, также называемая насыщением, является повторяющейся и составляет около половины всего трафика, с которым американцы сталкиваются ежедневно, согласно данным Федеральное управление автомобильных дорог . Насыщение часто происходит, когда население города растет быстрее, чем его инфраструктура. Например, в таких местах, как Остин, который считается самым быстрорастущим городом в стране, насыщенность шоссе является критической проблемой, которую законодатели стремились решить в течение многих лет. Поскольку сидение в дорожном движении рассматривается как непродуктивное и нежелательное занятие, повторяющиеся заторы могут иметь неблагоприятные последствия как для экономики, так и для благосостояния граждан.Чтобы помочь решить проблему заторов на дорогах, вы можете принять участие, узнав и проголосовав за правила, направленные на улучшение объема трафика и плохой инфраструктуры в вашем мегаполисе.

Строительство

Хотя застревание в зоне строительства может показаться неприятным, межгосударственное обслуживание на самом деле помогает уменьшить заторы на дорогах в долгосрочной перспективе. Типы строительства, улучшающие транспортный поток, могут включать добавление дополнительных полос на шоссе, создание улиц с односторонним движением и установку светофоров.Если вы сидите в пробке из-за строительства, вы можете быть оптимистичны, зная, что эти новые разработки действительно сократят ваше время в пути в ближайшем будущем.

Автомобильные аварии

Часто, когда водители попадают в плотный транспортный поток, они сразу же задаются вопросом, не было ли автомобильной аварии. Автомобильные аварии нарушают движение транспорта по нескольким причинам. Обломки могли блокировать межштатную автомагистраль, так что никакие автомобили не могли ее объехать. Водителям, возможно, придется остановиться, снизить скорость или переехать, чтобы машины экстренных служб смогли добраться до места аварии.Иногда, даже если место аварии было расчищено на обочине дороги, водители будут «ломать голову», что означает, что они будут двигаться медленнее, чтобы лучше рассмотреть место аварии. Rubbernecking может создавать постоянное движение, даже если машины, попавшие в аварию, были очищены, а машины экстренной помощи присутствуют, поэтому вы всегда должны сопротивляться искушению сделать это.

Погода

Плохая погода мешает свободному движению транспорта, поскольку заставляет водителей быть более осторожными. Хотя вас могут раздражать водители, которые движутся медленнее обычного из-за дождя, снега или льда, они просто принимают меры предосторожности.На самом деле, в плохую погоду рекомендуется снижать скорость немного ниже предельной, чтобы снизить риск столкновения. Лучше ненадолго застрять в пробке, чем стать жертвой автомобильной аварии.

Отвлеченное вождение

Новый вид трафика, который с каждым днем ​​все больше влияет на города, на самом деле является результатом отвлеченного вождения. Когда водители отвлекаются на свои смартфоны или другие портативные устройства, они могут не двигаться с постоянной скоростью, что непреднамеренно увеличивает плотность движения.Водители также могут отвлекаться на светофоры, что может повлиять на плотность движения, когда загорится зеленый свет. По данным Фонд AAA . Вы никогда не должны писать и водить машину, так как это может не только увеличить загруженность дорог, но и увеличить риск аварии.

Теперь, когда вы знаете больше о причинах возникновения пробок, готовы ли вы помочь их предотвратить? Примите меры, изучив законы о дорожном движении, которые местные органы власти и власти штата хотят соблюдать, используйте автомобильные парковки или общественный транспорт, чтобы уменьшить количество транспортных средств на дороге, и пообещайте не отвлекаться от вождения.

Криста — автор контента и редактор в Aceable, где она написала несколько онлайн-курсов по обучению водителей и недвижимости. Ей нравится использовать свою страсть к написанию и отслеживанию маркетинговых тенденций, чтобы помочь ученикам Aceable приобрести необходимые навыки для достижения успеха в своей жизни и карьере.

Сколько часов американцы теряют из-за заторов на дорогах?

Почему благоприятный прогноз спроса на углеродные кредиты

Более чем когда-либо углеродные кредиты играют решающую роль в борьбе с изменением климата.

На основе прогнозов спроса на углеродные кредиты, добровольный углеродный рынок может вырасти до 100-кратного к 2050 году. Добровольные углеродные рынки — это места, где углеродные кредиты могут быть приобретены теми, кто добровольно хочет компенсировать свои выбросы.

На этом графике, спонсируемом Carbon Streaming Corporation, мы показываем два сценария спроса на добровольных углеродных рынках:

Сценарии NGFS (GtCO₂) NGFS «немедленное действие» 1.Сценарий пути 5 ° C (GtCO₂) *
2020 0,1 0,1
2030E 1,5 2,0
2050E

* С удалением диоксида углерода
Источник: McKinsey, NGFS = Сеть по экологизации финансовой системы

Во-первых, одна гигатонна равна одному миллиарду метрических тонн CO₂ или одному триллиону килограммов.

Согласно прогнозу McKinsey, годовой мировой спрос на углеродные кредиты может достичь 1.От 5 до 2 миллиардов метрических тонн диоксида углерода к 2030 году и до 7-13 миллиардов метрических тонн к середине века.

Это имеет серьезные последствия для добровольного углеродного рынка: по оценкам McKinsey, в 2020 году покупатели вывели на пенсию лишь небольшую часть этих общих показателей — примерно 95 миллионов метрических тонн.

Как работают углеродные кредиты?

Углеродный кредит представляет собой одну метрическую тонну выбросов парниковых газов (ПГ).

Поскольку компании борются со временем и технологическими пробелами в сокращении своих выбросов, они покупают углеродные кредиты, чтобы помочь компенсировать свои выбросы.Этим покупкам помогают брокеры, которые связывают корпоративных покупателей с разработчиками проектов.

Разработчики проектов создают проекты компенсации выбросов углерода, такие как защита мангровых зарослей или лесовосстановление. Эти проекты, в свою очередь, генерируют углеродные кредиты.

Некоторые проекты также способствуют достижению нескольких целей в области устойчивого развития Организации Объединенных Наций, обеспечивая дополнительные экономические, социальные, образовательные преимущества или выгоды для сохранения биоразнообразия.

Вот объем транзакций и стоимость добровольных углеродных рынков.

Год Объем (млн тCO₂э) Стоимость (долл. США)
2021 239 $ 748 млн
2020 188 473 млн долл. США
2019 104 320 млн долл. США

Источник: Ecosystem Marketplace, до 31 августа 2021 г.

Прогнозируется, что в 2021 году объем добровольных рынков достигнет $ 1 миллиард — рекордно высокий уровень.Движущей силой этого спроса являются, среди прочего, обязательства корпораций с нулевыми показателями.

Например, 1565 компаний с доходом в $ 12,5 трлн установили нулевые целевые показатели. Мало того, 128 участников Инициативы менеджеров с нулевым нулевым показателем, которые представляют $ 43 трлн управляемых активов, привержены достижению цели по достижению цели нулевых выбросов парниковых газов к 2050 году или раньше.

Поскольку от акционеров все чаще ожидают смелых действий, углеродные кредиты, вероятно, будут играть более важную роль в корпоративной климатической стратегии.

Почему иногда без причины образуются пробки?

Если вы когда-либо ездили по шоссе, вы наверняка видели, как это происходило. Движение замедляется до ползания, а затем полностью прекращается. Через несколько минут он снова начинает двигаться, а затем внезапно вы двигаетесь на полной скорости.

Самая странная часть: нет никакого строительства, аварии или другого возможного объяснения движения. Почему это происходит?

Как оказалось, несколько разных групп исследователей использовали математические вычисления и реальные эксперименты, чтобы попытаться ответить на этот вопрос.И они думают, что у них есть ответ. У них также есть предложения, как остановить эти застревания.

Почему образуются фантомные пробки

Если на шоссе достаточно машин, любые незначительные нарушения движения могут вызвать самоусиливающуюся цепную реакцию: одна машина притормаживает немного, а те, что позади нее, тормозят еще немного, чтобы избежать столкновения, при торможении. в конечном итоге усиливается, пока не вызовет волну остановленного или замедленного движения.

«Эти волны движения возникают из-за небольших возмущений в однородном транспортном потоке, таких как неровность на дороге или торможение водителем после момента невнимательности», — говорит Бенджамин Зейболд, математик из Университета Темпл, который работал с коллегами над пониманием этого явления. .

Но даже когда автомобили покидают эту волну движения, сама волна не исчезает: она постепенно смещается назад, против направления движения. «Обычно это от 100 до 1000 метров в длину, и обычно он начинается с того, что транспортные средства сталкиваются с внезапным увеличением плотности на старте и падением скорости», — говорит Зайболд. «Затем, после этого, они снова медленно ускоряются».

Он и другие разработали концепцию этих волн (которые они называют джамитонами, потому что они аналогичны волнам в физике, называемым солитонами), используя компьютерные алгоритмы, имитирующие поведение движения:

(Seibold et.др.)

японских исследователя также провели реальные эксперименты, которые пришли к такому же выводу. В одном они проинструктировали 22 водителя двигаться с одинаковой скоростью (18,6 миль в час) и сохранять такое же пространство между автомобилями на небольшой кольцевой дороге. Неизбежно образовались волны движения:

Так кто виноват в этих пробках?

В каком-то смысле кажется разумным обвинить в этих фантомных пробках отдельных водителей. Модели показывают, что эти пробки с большей вероятностью образуются, когда люди едут как можно быстрее, а затем, наконец, тормозят, когда это необходимо, чтобы избежать столкновения с автомобилем перед ними, вызывая цепную реакцию.

«Если люди ожидают, что впереди более высокая плотность движения, и раньше отключают педаль газа и оставляют перед собой больше места — вместо того, чтобы ждать, пока им придется тормозить, — это может предотвратить возникновение пробок», — говорит Зайболд.

Еще один способ думать об этом, говорит Бертольд Хорн, ученый-компьютерщик Массачусетского технологического института, работавший над той же темой, — это попробовать водить машину так, чтобы оставаться на полпути между автомобилем перед вами и автомобилем позади вас. Это позволит вам по возможности избегать резкого торможения.

(Джастин Салливан / Getty Images)

С другой стороны, такое изменение поведения не устраняет полностью фантомные пробки — оно просто снижает вероятность их образования (в частности, это означает, что для развития транспортных волн требуется более высокая плотность автомобилей на дороге) . Но если на дороге будет достаточно машин, даже если люди будут предчувствовать приближающееся движение в меру своих возможностей, образуются фантомные пробки.

«Обычно мы склонны думать, что это должно быть вызвано отдельным водителем», — говорит Зайболд. «Но модели показывают, что даже если все водители едут по одним и тем же правилам и никто не делает ничего плохого, эти волны все равно могут возникать».

Эти пробки, по сути, возникают, когда на шоссе появляется достаточно людей, управляющих машинами. Так что единственный реальный способ устранить их, вероятно, заключается в передаче колеса кому-то другому, а не водителю-человеку.

Решение фантомных пробок

Прототип беспилотного автомобиля Google.(Google)

В краткосрочной перспективе инженеры могут кое-что сделать, чтобы сократить количество пробок.

Чем прямее и ровнее дорога, тем меньше вероятность образования пробок, так как это означает, что водители не будут резко торможения. Большинство автомагистралей уже построены так, чтобы они были как можно более прямыми, поэтому это может иметь значение, главным образом, за счет улучшения содержания текущих.

Более новаторская идея, по словам Сейболда, — это регулируемые ограничения скорости, которые уже действуют в нескольких местах в США (но в основном используются для изменения скорости в зависимости от погодных условий).Используя светодиодные знаки, можно было бы снизить ограничения скорости в зоне, ведущей к фантомной пробке, в результате чего автомобили замедлялись постепенно, а не сразу. В некоторых случаях это могло разбить волну.

Наконец, Сейболд считает, что комплексное решение придет в виде беспилотных автомобилей. Поскольку они смогут более точно контролировать свою скорость и использовать данные о пробках на дорогах, они смогут предвидеть замедление движения намного эффективнее, чем любой человек.

Одна машина, внезапно затормаживающаяся, например, могла послать сигнал всем машинам в пределах мили позади нее, давая им указание замедлить скорость постепенно, а не внезапно, когда они прибудут на зарождающуюся волну движения. По крайней мере, теоретически это сгладит волны трафика, прежде чем они смогут сформироваться.

Среднее время, проведенное в пробках в США во время пандемии, сократилось на 73 часа, по данным исследования

Среднее время, проведенное в пробках в США, сократилось на 73 часа во время пандемии, по данным исследования

Многолюдные города.Кошмар ездит на работу. Дороги перегружены. Таковы некоторые из проблем, которые освещаются в ежегодной таблице показателей глобального трафика, составляемой аналитической компанией Inrix.

Задержки ухудшаются с каждым годом. Кроме 2020 г.

Коронавирус перевернул путешествия по миру, и последний отчет компании, опубликованный на этой неделе, подчеркивает драматический характер сбоев.

Задержки на дорогах сократились почти на 50 процентов в крупных городах США. Средний американский водитель провел в пробках 26 часов в 2020 году, что на 73 часа меньше, чем годом ранее.В совокупности автомобилисты сэкономили примерно 3,4 миллиарда часов, которые были бы потрачены впустую, сидя в пробке.

«COVID-19 полностью изменил то, когда, куда и как люди перемещаются», — сказал Боб Пишу, транспортный аналитик Inrix, в письменном заявлении. «Государственные ограничения и продолжающееся распространение вируса привели к изменениям в поведении путешественников, по-видимому, в мгновение ока».

Компания извлекает миллиарды точек данных из телефонов, автомобилей, грузовиков и городов для составления своего годового отчета.

Если открытые дороги — лучшая надежда для пассажиров, то в отчете содержится больше новостей для городов. Центральные районы города особенно сильно пострадали от перебоев в поездках. Инрикс сообщает, что в крупных городских агломерациях расстояние между региональными транспортными средствами сократилось на 5–30 процентов, а в центре города — почти на 60 процентов.

Inrix предполагает, что медленное восстановление центра города окажет негативное влияние на офисы, рестораны и развлекательные заведения.

Они «будут последними, кто выздоровеет в период возрождения, — говорится в отчете, — вероятно, далеко в 2021 или 2022 году.«

Самые значительные поломки могут быть в зеркале заднего вида. Но последствия пандемии для пробок, общественного транспорта и природы самих городов будут сказываться еще долгие годы.

Пит Бигелоу

Безмасштабная устойчивость к реальным пробкам

Значимость

Пробки на дорогах стали самой тяжелой болезнью для здоровья города. Подобно способности биологической единицы к самовосстановлению от болезней, транспортировка также может восстанавливаться самопроизвольно после различных нарушений.Чтобы описать это восстановление, мы определяем показатель устойчивости как кластер пространственно-временной перегрузки, который можно использовать для других сетевых систем. Основываясь на крупномасштабных наборах данных GPS, мы показываем, что поведение транспорта при восстановлении после перегрузки регулируется тремя законами масштабирования для всех масштабов перегрузки. Эти законы масштабирования не зависят от микроскопических деталей, включая колебания спроса на трафик и соответствующее управление. Наши результаты масштабирования устойчивости могут помочь лучше охарактеризовать и улучшить адаптацию и восстановление городского трафика от различных возмущений.

Abstract

Концепция устойчивости может быть реализована в природных и инженерных системах, представляя способность системы адаптироваться и восстанавливаться после различных нарушений. Хотя устойчивость является критически важным свойством, необходимым для понимания и управления рисками и коллапсами транспортных систем, общепринятого и полезного определения устойчивости для городского движения, а также его статистических характеристик в условиях возмущений все еще нет. Здесь мы определяем устойчивость городского трафика на основе пространственно-временных кластеров заторов в реальном движении и обнаруживаем, что устойчивость следует безмасштабному распределению в 2D городских дорожных сетях и одномерных шоссе с разными показателями, но схожими показателями в разные дни и в разных городах.Также обнаружено, что устойчивость трафика имеет масштабирующую зависимость между размером кластера пространственно-временного затора и продолжительностью его восстановления, независимо от микроскопических деталей. Наши выводы об универсальной устойчивости трафика могут указывать на лучшее понимание и проектирование этих сложных инженерных систем в условиях внутренних и внешних помех.

Увеличение транспортных заторов — неизбежная проблема из-за ускоренной урбанизации и роста мегаполисов по всему миру от Лос-Анджелеса до Токио и от Каира до Пекина (1), что может привести к потенциально высоким экономическим и социальным потерям.При различных внутренних или внешних возмущениях, начиная от локальных колебаний потока до неисправного светофора и заканчивая экстремальными погодными условиями, небольшая пробка может перерасти в крупномасштабную затор в виде каскадного процесса, подобного домино (2). Учитывая неопределенность разрушительных отказов системы, концепция устойчивости описывает способность системы противостоять возможным возмущениям и восстанавливаться до приемлемого функционального уровня. После определения Холлинга в области экологии (3) структура устойчивости была разработана и применяется во многих дисциплинах, от климата и экономики до социальных наук (4–12).Устойчивость системы в различных областях обычно зависит от ее абсорбционной способности, адаптивной способности и восстановительной способности (13). Соответственно, процесс адаптации и восстановления системы в различных критических инфраструктурах, включая транспорт, в последнее время привлекает большое внимание (14–17). В частности, устойчивая транспортная система в будущую эпоху умных городов может значительно улучшить качество жизни и развитие экономического общества, а также снизить загрязнение окружающей среды (18).

Транспортные системы с сетевой топологией как одна из важнейших инфраструктур служат спасательным кругом для национальной экономики и стабильности. Устойчивость системы изучалась в различных транспортных системах, включая городские дороги, системы метро, ​​грузовые перевозки и авиационные сети (19⇓⇓⇓⇓⇓ – 25). Хотя были предложены различные методы для оценки и повышения устойчивости транспортной и другой инфраструктуры, показатель устойчивости в основном основан на безразмерном индикаторе.Чанг и Шинозука (26) представили этот метод измерения устойчивости, который связывает ожидаемые убытки при будущих бедствиях с целью сообщества по сейсмическим характеристикам. Было предложено определять для землетрясений измерение устойчивости как изменение характеристик системы с течением времени (27), что является хорошо известным треугольником устойчивости. Он измеряет потерю устойчивости сообщества из-за землетрясения, используя R = ∫t0t1 [1-Q (t)] dt. [1] Здесь Q ( t ) представляет качество обслуживания (в диапазоне от 0 до 100%). ) сообщества, которое начинает убывать в t0 и может вернуться в нормальное состояние (100%) в t1.Хотя этот метод представлен в контексте землетрясений, эта концепция широко применяется к другим системам, зависящим от сценария, при различных возмущениях (28, 29). Между тем, хотя топология сети имеет решающее значение для понимания и улучшения устойчивости и уязвимости системы (30–37), она редко учитывается при исследованиях устойчивости критических инфраструктур и других сложных систем. Поскольку транспортная система в городе имеет типичную сетевую структуру и ее устойчивость развивается как в пространстве, так и во времени, вышеупомянутые безразмерные индикаторы устойчивости и соответствующие исследования могли упустить пространственно-временные характеристики адаптации и восстановления системы в этих критически важных инфраструктурных сетях.

Состоящие из очень большого количества сильно взаимодействующих субъединиц, транспортные системы обычно выходят из состояния равновесия с непредсказуемым исходом каскадных отказов (38). Из-за давних дебатов о том, является ли устойчивость системы внутренней (39), критически важно, но пока неизвестно, имеют ли такие системы с множеством взаимодействующих субъединиц универсальное гибкое поведение, не зависящее от микроскопических деталей. Здесь мы предлагаем меру пространственно-временной устойчивости, включающую как пространственные, так и временные особенности адаптации и восстановления системы, для изучения возможных универсальных характеристик устойчивости трафика.Имея обширные данные о реальном трафике, мы находим законы масштабирования из безмасштабных распределений для устойчивости трафика и продолжительности восстановления. Наше определение и результаты демонстрируют и подтверждают существование внутреннего поведения, лежащего в основе устойчивости трафика, независимо от микроскопических деталей. Эти законы масштабирования справедливы для различных масштабов кластеров с пробками, что может помочь спрогнозировать поведение восстановления системы и разработать соответствующие методы управления отказоустойчивостью.

Результаты

В нашем исследовании используются реальные данные GPS о дорожном движении из Пекина и Шэньчжэня, двух мегаполисов, которые страдают от самых серьезных пробок в мире, особенно в Китае.Сложная топология дорог, большой транспортный поток и различные нарушения, а также доступность больших данных делают эти два мегаполиса идеальными для исследования устойчивости городского движения. Статическая дорожная сеть в Пекине содержит более 39 000 дорожных сегментов (звеньев) и 27 000 перекрестков (узлов), в то время как транспортная сеть Шэньчжэня содержит около 18 000 дорожных сегментов (звеньев) и 12 000 перекрестков (узлов). Набор данных охватывает записи скорости GPS в обоих городах за 30 дней в октябре 2015 года с разрешением 1 мин.Динамическая транспортная сеть может быть построена на основе информации о топологии дороги и высокого разрешения изменяющихся данных о скорости движения. Каждая дорога в сети имеет скорость vi (километров в час), и заданный порог скорости pi определяется для оценки доступности движения по этой дороге (подробные пороговые значения для различных дорог показаны в приложении SI , таблица S1). Мы также проверили влияние порога и обнаружили, что наши результаты нечувствительны к пороговым значениям (подробности см. В приложении SI , рис.S1 – S3). Тогда дороги со скоростью vi в реальном времени ниже порогового значения считаются перегруженными. В частности, ссылки в заблокированном кластере в данный момент времени представляют дороги с заторами, а узлы в заблокированном кластере являются перекрестками между этими перегруженными дорогами. Рассматривая вместе временную эволюцию, а также двумерную пространственную сеть трафика, мы можем рассматривать пробку как трехмерный пространственно-временной сетевой кластер. Соответственно, можно построить трехмерный кластер (два в пространстве и один во времени) так, чтобы он представлял одну и ту же пробку в течение всего ее срока службы.3D-кластер с помехами показан на рис. 1 A , где все красные звенья в тени принадлежат одному и тому же кластеру с помехами. Обратите внимание, что подключенные кластеры здесь не обязательно означают, что любые дороги в подключенном кластере пространственно связаны в данный момент времени. Когда застрявший кластер в определенный момент разделяется на два или более подкластера, все связи и узлы в подкластерах по-прежнему принадлежат одному и тому же трехмерному кластеру из-за их временной связи. Наше определение скоплений с помехами интуитивно отражает пространственно-временное распространение и растворение пробок вместо ранее существовавших безразмерных показателей устойчивости.

Рис. 1.

Устойчивость к трафику определяется на основе пространственно-временных скоплений помех. ( A ) Иллюстрация эволюции скопления помех в городе. Красные ссылки считаются перегруженными. Все красные звенья в тени принадлежат одному заблокированному кластеру. ( B ) Площадь поперечного сечения Ms (t) второго по величине скопления помех 26 октября 2015 г. в Пекине. Поскольку во время затора устойчивость снижается, мы наносим отрицательный результат на Ms (t) как функцию времени, а устойчивость трафика можно представить серой зоной.Серая область — это размер пространственно-временного скопления помех ( S ), показанного красным в A . Промежуток времени между t0 и t1 представляет время его восстановления ( T = t1 — t0 + 1). ( C ) Размеры кластеров первого, второго и третьего по величине скоплений с помехами 26 октября 2015 г. в Пекине как функция времени (размеры второго и третьего по величине кластеров приведены на шкале правой оси).

Мы определяем устойчивость на основе размера трехмерного кластера, используя концептуально уравнение. 2 следующим образом. Для каждого кластера с помехами в течение наблюдаемого периода (например, с 06:00 до 22:00) количество его звеньев (дорог) на снимке временного слоя t , Ms (t), изменяется со временем. Таким образом, Ms (t) можно рассматривать как площадь поперечного сечения заблокированного кластера в момент времени t . Большее значение Ms (t) означает, что на моментальном снимке t перегружено больше дорог. Также нанесено максимальное поперечное сечение кластера пространственно-временного скопления в Пекине ( SI Приложение , рис.S4). Мы оцениваем устойчивость сети трафика, анализируя эволюцию и статистику Ms (t). Например, временная эволюция Ms (t) второго по величине скопления помех 26 октября 2015 г. показана на рис. 1 B . Промежуток времени между t0 и t1, который представляет собой время жизни этого заблокированного кластера, определяется как продолжительность восстановления ( T = t1 — t0 + 1). Продолжительность восстановления отражает, сколько времени требуется, чтобы этот заблокированный кластер восстановился после начала перегрузки.Мы определяем размер кластера S как общее количество звеньев (дорог) в застрявшем кластере за время его восстановления как S = ∫t0t1Ms (t) dt. [2] Размеры кластера первых трех самых больших скоплений застрявших 26 октября , 2015 в Пекине как функция времени показаны на рис. 1 C . Размер кластера, естественно, представляет собой потерю устойчивости в сети трафика. Уравнение 2 не только характеризует распространение скопления в пространственном измерении, но также включает продолжительность скопления.Таким образом, чем больше размер заблокированного кластера, тем менее устойчивой следует считать систему трафика. Таким образом, теневая область, показанная на рис. 1 B , представляет эту потерю устойчивости трафика. Чтобы показать ежедневные изменения размеров кластеров, мы наносим на график размер первых трех крупнейших кластеров в зависимости от даты в Пекине ( SI Приложение , рис. S5). Обнаружено, что наибольшие размеры кластеров явно меньше в праздничные дни (с 1 по 7 октября 2015 г.) из-за меньшего спроса на трафик по сравнению с обычными рабочими днями.Обратите внимание, что при слиянии двух (или более) заблокированных кластеров они будут рассматриваться как один трехмерный кластер. Мы обновляем информацию обо всех связях и узлах в подкластерах и идентифицируем их как единый заблокированный кластер.

Далее мы исследуем распределение размеров кластера и продолжительности восстановления в течение обычного дня. Результаты, полученные в понедельник, 26 октября 2015 г., в Пекине и Шэньчжэне, показаны на рис. 2. Распределение размеров кластеров демонстрирует свойство безмасштабности (т.е. масштабирование по степенному закону), P (S) ∼S − α, [ 3] с показателем α, близким к 2.3 в обоих городах. Распределение размера кластера по степенному закону предполагает, что, хотя большая часть скопления имеет небольшой масштаб, существуют повседневные скопления размеров на всех уровнях, включая чрезвычайно большой пространственно-временной масштаб. При управлении дорожным движением на основе управления сигналом небольшие заторы из-за колебаний спроса на трафик или дорожно-транспортных происшествий в городе обычно сжимаются и растворяются через короткий промежуток времени. Однако, если предложение трафика при управлении в режиме реального времени не может удовлетворить растущий спрос на трафик, пробка вырастет до больших масштабов, и для ее восстановления потребуется больше времени.Эти два поведения конкурируют в разных масштабах в городе и, возможно, приводят к безмасштабному распределению устойчивости трафика. Это также предполагает, что при разных уровнях внутреннего или внешнего возмущения транспортные системы имеют одинаковое распределение отклика, описываемое одной функцией масштабирования.

Рис. 2.

Безмасштабные распределения устойчивости трафика. ( A ) Распределение размера заклинившего кластера. ( B ) Распределение продолжительности восстановления. A и B показывают типичные результаты на основе данных о городском движении в Пекине 26 октября 2015 года. C и D показывают типичные результаты на основе данных о городском движении в Шэньчжэне 26 октября 2015 года. E и F показывают типичные результаты, основанные на данных о дорожном движении на шоссе Пекин – Шэньян 1 октября 2015 года. Результаты анализируются с помощью логарифмических интервалов и наносятся на ось двойного логарифма.

Мы также обнаружили, что распределение размеров кластеров в обоих городах следует очень похожему степенному закону (α = 2.34 ± 0,02) для всех наблюдаемых рабочих дней (рис. 3). Высококачественные законы масштабирования, найденные здесь в разных городах и в разные периоды, настоятельно предполагают, что определенная здесь устойчивость может отражать внутреннее свойство городского движения независимо от микроскопических деталей движения, которые меняются изо дня в день и от города к городу. Поскольку все размеры, похоже, подчиняются одному и тому же закону масштабирования, единое управление устойчивостью может существовать для разных размеров и мест замятия.

Рис. 3.

Показатели масштабирования безмасштабных распределений размера кластера и продолжительности восстановления как функции даты в ( A ) Пекине и ( B ) Шэньчжэне.

Далее мы анализируем и исследуем свойства масштабирования продолжительности восстановления при перегрузке трафика. На рис. 2 B мы показываем распределение для типичного дня в Пекине. Установлено, что продолжительность восстановления застрявших кластеров следует четкому степенному распределению, Φ (T) ∼T − β, [4] с показателем β. Кроме того, аналогичные результаты для показателя масштабирования β также получены для другого города: Шэньчжэня (рис. 2 D ). В этих двух мегаполисах распределения по степенному закону восстановления системы во все наблюдаемые дни схожи с β = 3.13 ± 0,06 (рис. 3). При различных возможных возмущениях, похоже, существуют все шкалы продолжительности восстановления, включая некоторые случаи очень большой продолжительности восстановления, но все (короткая, средняя и большая продолжительность восстановления) подчиняются одному и тому же закону масштабирования. Этот закон масштабирования позволяет нам понять общий механизм восстановления для различных размеров кластеров с помехами, что может быть полезно для руководства по смягчению последствий.

Удивительно, но показатели степенного закона распределения размера кластера устойчивости и продолжительности восстановления оказались стабильными в разные дни в двух городах в течение наблюдаемого периода (рис.3). Появление степенного закона и его стабильность в разные рабочие дни для города, вероятно, связаны с самоорганизованным характером (40) транспортного потока и соответствующим оптимизированным управлением в городском движении. С одной стороны, большое количество транспортных средств выезжает на дорожную сеть в часы пик, который меняется день ото дня. После того, как транспортный поток возвращается в нормальное состояние, заторы самопроизвольно исчезают. С другой стороны, соответствующие стратегии управления движением, такие как изменение направления движения, светофоры и ограничение скорости, применяются для уменьшения количества пробок на дорогах в определенный день и повышения эффективности системы (41, 42).Все это подталкивает систему к ее внутренним эксплуатационным пределам, что может способствовать нашим выводам о надежных безмасштабных распределениях размеров кластеров и продолжительности восстановления. Поскольку наша транспортная система города представляет собой большую систему с относительно одинаковыми суточными потребностями в потоке и соответствующей стратегией управления движением, она аналогична модели песчаной кучи для самоорганизованной критичности (40), где критическое состояние также устойчиво к возмущениям. Наше определение пространственно-временной устойчивости в некотором смысле измеряет пространственно-временной диапазон бассейна притяжения.

Нашу транспортную систему можно рассматривать как аналог модели песчаной кучи, поскольку «частицы» (автомобили) постоянно добавляются в транспортную систему в городе, начиная с раннего утра. Затем локальное возмущение пробки может развиться и распространиться на соседние участки, подобно эффекту домино, образуя скопление всех размеров в результате самоорганизованной критичности, аналогичной модели песчаной кучи. Это самоорганизованное поведение порождает пространственные самоподобные структуры и временные корреляции в широком диапазоне масштабов, аналогично модели кучи песка.Здесь мы обнаружили, что поведение пространственного и временного масштабирования взаимодействует и формирует безмасштабное распределение размеров в кластерах устойчивости d + 1. Универсальные особенности, предлагаемые безмасштабной природой устойчивости трафика, обычно зависят от нескольких макроскопических переменных, включая размер сети (43) и общий спрос на трафик. Чтобы проверить эту гипотезу, мы также проанализировали данные о трафике на шоссе Пекин – Шэньян в период с 1 по 7 октября 2015 года. Этот наблюдаемый промежуток времени является национальным праздником в Китае, во время которого шоссе обычно испытывает большую нагрузку.Шоссе можно рассматривать как 1D дорожную сеть, а скопления на шоссе, таким образом, являются 2D (пространственными и временными). В самом деле, как видно из рис. 2 E и F , распределения размера кластера и продолжительности восстановления двухмерных заблокированных кластеров также демонстрируют четкое безмасштабное масштабирование, но с разными типичными показателями. Как видно из приложения SI, приложение , рис. S6, показатели масштабирования также удивительно стабильны и почти не меняются изо дня в день.Для автомагистрали 1D коэффициент масштабирования устойчивости движения намного меньше, чем для города 2D, что предполагает более высокую вероятность возникновения более крупных пробок и более длительную продолжительность восстановления. Эта более низкая устойчивость, вероятно, связана с тем, что на загруженных магистралях нет альтернативных маршрутов для транспортных потоков, в то время как заторы в городской транспортной сети имеют больше возможностей для устранения. Однако, как показано в приложении SI , рис. S7, устойчивость городского движения во время отпуска выше, с более высоким показателем (2.69 ± 0,06) в период с 1 по 7 октября (Национальный день Китая) со значительным снижением общего спроса на трафик.

Чтобы понять взаимосвязь между пробкой и продолжительностью восстановления, мы показываем на рис. 4 A , что время восстановления застрявших кластеров увеличивается с размером кластера с масштабным соотношением T∼Sγ, [5] где γ — показатель масштабирования. Этот показатель масштабирования оказался одинаковым как для Пекина, так и для Шэньчжэня. Более того, это дополнительно указывает на то, что один и тот же общий механизм существует для всех размеров замятий.Для экологических и климатических систем было обнаружено, что скорость восстановления системы, отскакивающей от возмущений, постепенно снижается по мере приближения к критической точке (44). Хотя это редко наблюдается и подтверждается в инженерных системах, здесь наблюдается рост времени восстановления транспорта, как одной из крупнейших сложных инженерных систем, с увеличением размера отказа системы. Мы также проверяем связь между размером кластера и продолжительностью восстановления застрявших кластеров на шоссе Пекин-Шэньян ( SI Приложение , рис.S8 C ) и найдите другое соотношение степенного закона. Значение γ также стабильно для всех наблюдаемых дней, как показано в приложении SI , рис. S8. Помимо временного измерения пространственно-временных зажатых кластеров, мы также проверили пространственное измерение кластеров устойчивости ( SI Приложение , рис. S9), и мы обнаружили, что структуры являются самоаффинными и что пространственное измерение растет намного медленнее. чем временное измерение.

Рис. 4.

Время восстановления в зависимости отразмер кластера в ( A ) Пекине 26 октября 2015 г. и ( B ) в Шэньчжэне 26 октября 2015 г.

Затем мы спрашиваем, могут ли эти три показателя α, β и γ быть теоретически связаны. Действительно, если предположить, что P (S) ∼S − α, Φ (T) ∼T − β и T∼Sγ (α, β, γ> 0), показатели α, β и γ должны быть связанных через соотношение между распределениями (45), P (S) = Φ (T) dTdS, [6] из которого мы получаем γ = α − 1β − 1. [7] Действительно, уравнение. 7 действительно в пределах погрешностей, найденных для этих показателей [сравнение фактического значения γ с теоретическим значением (уравнение. 7 ) γ находится в приложении SI , рис. S8].

Обсуждение

Таким образом, мы разработали интуитивно понятное определение устойчивости трафика, основанное на пространственно-временной эволюции скоплений с помехами. На основе реальных данных мы обнаруживаем, что как пространственно-временной размер скоплений пробок, так и продолжительность их восстановления подчиняются безмасштабному распределению, что предполагает универсальные реакции транспортных систем на различные сценарии возмущений. Обратите внимание, что во временном масштабе исх.46 обсуждает масштабное соотношение между временем существования пробки и размером системы в одномерной решетке модели клеточного автомата. В пространственном масштабе исх. 47 также обнаружил пространственные корреляции в флуктуациях транспортного потока, которые демонстрируют степенное затухание. Хотя их результаты масштабирования в пространственном или временном масштабе согласуются с нашими результатами, мы определяем здесь комбинированное пространственно-временное масштабирование пробок. Это может помочь разработать методы смягчения последствий для просмотра заеданий в стереорежиме.Например, одинаковая задержка в разных городах с разной эффективностью (48) может быть результатом аналогичного масштабирования пространственно-временных скоплений, образованных механизмом самоорганизованной критичности. Эти соотношения масштабирования предсказуемы и не зависят от колебаний спроса на трафик в разные дни в двух разных городах. Текущее отсутствие подходящего определения устойчивости трафика могло быть причиной нехватки эффективного распределения ресурсов смягчения последствий и разработки политики для управления рисками.Наши результаты показывают, что городской трафик в разных городах можно разделить на несколько групп, каждая из которых характеризуется одной и той же функцией масштабирования и одним и тем же набором показателей масштабирования. Каждая группа (с ее внутренней реакцией на различные возмущения) требует разного управления устойчивостью. Наш результат представляет большой теоретический интерес, мотивируя (по аналогии с критическими явлениями и принципом универсальности) теоретические исследования по этим интригующим вопросам: какие переменные управления трафиком имеют решающее значение для определения функций масштабирования устойчивости, а какие — неактуальны?

Кроме того, обнаруженные здесь признаки универсальности устойчивости трафика также представляют большой практический интерес.В частности, при применении методов управления устойчивостью (49⇓ – 51) можно выбрать наиболее проходимую пробку для изучения, что поможет спрогнозировать поведение всех других пробок в том же классе универсальности, особенно вероятность экстремального события от статистические экстраполяции (52). Взаимосвязь между размером кластера и продолжительностью восстановления может применяться для прогнозирования (53) влияния перегрузки и поведения определенного размера затора, что может помочь процессу принятия решений при управлении транспортировкой.Между тем, необходимы дополнительные исследования, в том числе моделирование, чтобы проверить и объяснить универсальные характеристики наших результатов.

Хотя многие исследования сосредоточены в основном на управлении движением в макроскопическом или микроскопическом масштабе с безразмерными целями, включая время в пути или скорость (54), здесь мы предлагаем индикатор устойчивости в комбинированном пространственно-временном измерении. Несмотря на то, что становится все труднее (если не невозможно) избежать заторов на дорогах, в этом исследовании мы хотим понять, как возникают заторы в процессе их развития и восстановления.Наш метод может помочь в разработке методов управления трафиком для замедления, уменьшения и уменьшения пространственно-временных кластеров с помехами, что приведет к повышению устойчивости системы. Построив ( SI Приложение , рис. S4) день за днем, например, максимальное поперечное сечение кластера пространственно-временной перегрузки в Пекине, это стабильное сечение сначала поможет определить местонахождение области высокочастотной перегрузки в реальном масштабе времени. время движения. Существующие системы контроля дорожного движения нацелены на контроль сигналов или установление дорожных цен для достижения оптимальной работы.Для городского движения эти методы теперь сосредоточены на глобальных характеристиках потока, включая макроскопические фундаментальные диаграммы (55), и редко учитывают пространственно-временную организацию пробок в контролируемой области, что является основной темой данной рукописи. Использование наших результатов, схем проектирования и методов контроля может помочь дезинтегрировать рост застрявших кластеров и сбалансировать пространственную организацию транспортного потока более точным и контролируемым образом. Кроме того, идентифицированные нами законы масштабирования могут помочь предсказать застревание кластера выше определенных значений и сбалансировать стоимость и эффективность.Будущие работы также должны быть сосредоточены, основываясь на нашем подходе, на оценке устойчивости движения в других городах и других инфраструктурах, когда будут доступны соответствующие данные. Таким образом, в связи с широким спектром приложений устойчивости сети разработка инновационных междисциплинарных подходов, основанных на больших данных, для выявления и понимания происхождения законов масштабирования (56⇓ – 58) устойчивости системы является большой задачей в будущем.

Ключевым градиентом для достижения устойчивости данной системы является извлечение уроков из прошлых неудач и повышение устойчивости системы.В этом исследовании определение устойчивости в основном применяется к сценарию перегрузки на дорогах как основного отказа транспорта. Для других природных и инженерных систем, таких как экологический ущерб или сбои связи, соответствующая устойчивость может быть обобщена на основе нашего определения с учетом пространственно-временных характеристик адаптации и восстановления системы в условиях возмущения. Знания об адаптации и восстановлении системы могут помочь лучше оценить риск системы, спрогнозировать размер повреждения в системе или даже коллапса и лучше смягчить последствия различных возмущений.

Материалы и методы

Набор данных трафика.

Статическая дорожная сеть в Пекине содержит более 39 000 участков дорог (звеньев) и 27 000 перекрестков (узлов), в то время как дорожная сеть Шэньчжэня содержит около 18 000 участков (звеньев) и 12 000 перекрестков (узлов). Набор данных включает записи скорости GPS в обоих городах за 30 дней в октябре 2015 года с разрешением 1 мин; они регистрируются через плавучие машины. Шоссе Пекин-Шэньян включает 567 сквозных участков (звеньев) дороги по направлению Пекин-Шэньян и 562 сквозных участка (звеньев) дороги (звеньев) по направлению Шэньян-Пекин.Набор данных включает записи скорости GPS с 1 по 7 октября 2015 г. с разрешением 5 мин.

Определение кластеров с помехами в 3D.

Динамическая транспортная сеть может быть построена на основе информации о топологии дороги и данных о скорости движения с высоким разрешением. Дороги со скоростью vi в реальном времени ниже соответствующего порогового значения pi считаются перегруженными (подробные пороговые значения для различных дорог показаны в Приложении SI , Таблица S1). Перегруженные дороги в каждый момент могут образовывать пространственно связанные кластеры, которые со временем будут развиваться.Рассматривая временную эволюцию пространственно связанных кластеров, мы можем рассматривать пробки в городе как трехмерный пространственно-временной сетевой кластер. Соответственно, можно построить трехмерный кластер (два в пространстве и один во времени), представляющий одну и ту же помеху в течение всего его срока службы. Обратите внимание, что когда застрявший кластер в определенный момент разделяется на два или более подкластера, все ссылки и узлы в подкластерах по-прежнему принадлежат одному и тому же трехмерному кластеру из-за их временной связи. Точно так же, когда два (или более) заблокированных кластера объединяются, они будут рассматриваться как один трехмерный кластер.Время жизни кластера определяется как промежуток времени между образованием кластера в момент t0 и его растворением в момент t1 ( T = t1 — t0 + 1).

Благодарности

H.-J.H. и Д. выражаем благодарность за поддержку Национального фонда естественных наук Китая (гранты 718/718 и 718

/718). Д.Л. также благодарит за поддержку грантов 71822101 и 71771009 Национального фонда естественных наук Китая. благодарит Министерство науки и технологий Израиля с Министерством иностранных дел Италии, Министерство иностранных дел Израиля с Японским научным фондом, Израильский научный фонд, Глобальное управление военно-морских исследований, Грант Агентства по снижению угроз обороны HDTRA-1-10 -1-0014, Управление армейских исследований, Binational Science Foundation с Национальным научным фондом и Центр кибербезопасности и прикладной криптографии Университета Бар-Илан за финансовой поддержкой.Центр исследований полимеров Бостонского университета поддерживается грантом Национального научного фонда PHY-1505000 и грантом Агентства по снижению угроз обороны HDTRA1-14-1-0017.

Сноски

  • Автор: Д.Л. спланированное исследование; L.Z. и Г.З. проведенное исследование; Д.Л., Х.-Д.Х. и С.Х. внесены новые реагенты / аналитические инструменты; D.L., H.-J.H., H.E.S. и S.H. проанализированные данные; и D.L., H.-J.H., H.E.S. и S.H. написал газету.

  • Рецензенты: J.Кертес, Центральноевропейский университет; и Й. Куртс, Университет Гумбольдта в Берлине.

  • Авторы заявляют об отсутствии конфликта интересов.

  • Эта статья содержит вспомогательную информацию на сайте www.pnas.org/lookup/suppl/doi:10.1073/pnas.1814982116/-/DCSupplemental.

  • Авторские права © 2019 Автор (ы). Опубликовано PNAS.

Пробки в округе Окленд

Наши дороги становятся все более загруженными, потому что объемы движения по дорогам часто превышают пропускную способность этих дорог.Почему бы просто не заставить движение двигаться намного быстрее, чтобы за час вы могли проехать столько же автомобилей?

Если вы посмотрите учебники по проектированию дорожного движения, то обнаружите, что оптимальная скорость движения транспорта по полосе проезжей части для прохождения наибольшего количества транспортных средств по местности составляет около 32 миль в час. Так почему бы не увеличить скорость и не пройти еще больше?

Поскольку важно поддерживать безопасную дистанцию ​​остановки между транспортными средствами, и по мере увеличения скорости это расстояние также увеличивается.На скорости 32 мили в час теоретически возможно движение около 2000 автомобилей в час по одной полосе тротуара. Быстрее или медленнее, и число меньше 2000.

Причины перегрузки


В действительности, однако, по некоторым из наших основных дорог мы передвигаем более 2000 автомобилей в час. Как такое возможно?

Потому что люди часто следуют за автомобилем, идущим впереди, слишком близко для скорости, с которой они едут. Это также частично объясняет, почему у нас так много аварий сзади.

Очевидно, что если бы мы могли найти способ безопасно управлять транспортными средствами очень близко друг к другу на высоких скоростях, мы бы многое сделали для решения наших проблем с пропускной способностью дороги.Собственно, исследования в этой области продолжаются.

Интеллектуальные транспортные системы


В области интеллектуальных транспортных систем (ИТС) проводится много исследований по таким темам, как технологии предотвращения столкновений, которые когда-нибудь могут позволить это. RCOC также использует технологии с 1992 года для повышения эффективности перекрестков на загруженных дорогах графства в рамках своей программы FAST-TRAC.

FAST-TRAC (Более быстрое и безопасное движение за счет маршрутизации трафика и расширенных средств управления) использует либо видеоустройства, либо «петли» тротуара, подключенные к компьютерам, для непрерывного мониторинга потока трафика через перекресток.Устройства видеосъемки используют видеоизображения перекрестка для автоматического подсчета транспортных средств на перекрестке. Петли — это провода, проложенные в перекрестке, которые определяют количество проезжающих по ним транспортных средств.

Оба метода посекундно отправляют данные на компьютер, который затем регулирует цикл сигнала в «реальном времени», чтобы наилучшим образом удовлетворить потребности, существующие в данный момент.

Похожие записи

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *