Краткосрочное прогнозирование пассажиропотоков на основе статистических данных, полученных эмпирическим путем

Краткосрочное прогнозирование пассажиропотоков на основе статистических данных, полученных эмпирическим путем

Особенностью частных пассажирских перевозок (ПП) в ряде российских городов является низкий уровень их организации. Это связано с неупорядоченным планированием маршрутов движения пассажирских автотранспортных средств преимущественно по тем участкам улично-дорожной сети (УДС), на которых сосредоточены массовые пассажиропотоки. В связи с повышением уровня автомобилизации и увеличением подвижности населения на фоне недостаточных темпов развития УДС остро стоит проблема оптимизации ПП, направленная на динамическую адаптацию их к постоянно меняющимся условиям. Особое внимание в этом вопросе следует уделить прогнозированию пассажиропотока по часам суток и дням недели, а также прогнозированию дорожных условий.

В данный момент большинство пассажироперевозчиков не имеют достоверной информации о перевозимых пассажирах по часам суток. Это вызывает определенные трудности в планировании графика движения, т.к. неизвестно, сколько может понадобиться автобусов на перевозку. Решение этой проблемы заключается в краткосрочном прогнозировании пассажиропотока, которое позволит с большой вероятностью посчитать загруженность маршрута на ближайшее время и как следствие корректировать количество автобусов на линии.

Для автоматического определения количества пассажиров, перевозимых единицей городского транспорта, существуют разнообразные способы. Рассмотрим самые распространенные из них.

1. Контактно-турникетный способ предполагает вести подсчет перевозимых пассажиров при помощи установки в салоне автобуса специальных турникетов. Есть возможность совмещения с ними систем оплаты проезда. Достоинством такой системы является большая точность подсчета. К недостаткам можно отнести затруднение заполнения салона, так как посадка будет вестись через переднюю дверь.
2. Способ подсчета пассажиров с помощью датчиков, выполненных в виде ступеньки. Они устанавливаются на входе в автобус в виде специальных пластин, которые реагируют на нажатие. При наличии в автобусе двух ступенек имеется возможность установления двух датчиков для подсчета входящих и выходящих пассажиров. Недостатком такой системы является механическое воздействие пассажиров на датчики, что приводит к их быстрому износу.
3. Способ подсчета пассажиров с помощью инфракрасных датчиков. Они бывают активного и пассивного типа. На практике рекомендуется применять устройства, включающие оба типов датчиков. Точность подсчета варьируется от 70 % до 95 % в зависимости от выбора производителя. Имеется возможность учета входящих и выходящих пассажиров.
4. Способ подсчета пассажиров с использованием датчиков, позволяющих получать 3D изображение пространства. Принцип действия заключается в отправке лазерных импульсов в быстрой последовательности в ИК - диапазоне. Они отражаются от объектов и улавливаются датчиком. Расстояние до объекта определяется путем вычисления разницы между временем отправки и принятия импульса. Это позволяет отличать людей от объектов. Точность подсчета достигает 96 %. Имеется возможность учета входящих и выходящих пассажиров.
5. Способ подсчета пассажиров с помощью видеокамер в салоне автобуса. В данном случае подсчет пассажиропотока может вестись как вручную, что очень не рационально, так и в автоматическом режиме с использованием специального программного обеспечения. Этот способ имеет низкую точность подсчета, а также сложности с установкой, так как нужно учитывать, чтобы пассажиры не закрывали обзор камерам.

Каждый из рассмотренных методов имеет возможность работы как в режиме реального времени, так и в режиме «черного ящика», сохраняя информацию на носитель. Характеристика режимов приведена в таблице 1.

Таблица 1 - Режимы получения данных

Анализируя вышеописанные способы подсчета пассажиропотока можно сделать вывод, что для задачи прогнозирования наиболее подходят инфракрасные датчики, так как они имеют допустимую точность подсчета, достаточную для оценки объема перевозок, а также не подвержены механическим воздействиям и имеют достаточно низкую цену.

На основе полученных статистических данных можно судить о мощности, напряженности пассажиропотока по отдельным частям маршрута или в целом по его длине, объеме перевозок. Графически пассажиропотоки изображаются в виде эпюр (рис. 1, 2, 3). где по оси ординат откладываются их величины, а по оси абсцисс дискретно время суток, дни недели, месяцы года, спрямленная длина маршрута и указывается направление движения.

Рисунок 1 – Эпюра распределения пассажиропотока по дням недели

Рисунок 2 – Эпюра распределения пассажиропотока по часам суток

Рисунок 3 – Эпюра распределения пассажиропотока по длине маршрута

Из эпюр видно, что городским пассажироперевозкам характерны резкие колебания пассажиропотока по часам суток (возрастают в часы поездок населения на работу и с работы и уменьшаются в утренние, дневные и вечерние «не пиковые» часы), а также по дням недели (в предвыходные дни пассажиропоток возрастает, а в будние уменьшается).

Разработка алгоритма краткосрочного прогноза пассажиропотока связана с учетом многих факторов, которые образуются как под действием причинно-следственных связей, так и по причине неопределенности. Последние усложняют задачу и требуют использовать в комплексе функциональные и вероятностно - статистические методы для получения конкретных решений. Задача краткосрочного прогнозирования заключается в определении значения пассажиропотока y(t_n+1), y(t_n+2), …, если известны значения y(t₁), y(t₂), …, y(t_n) и значения факторов, влияющие на прогнозное значение потока в моменты t₀, t₁, …, t_n и в моменты t_n+1, t_n+2.

Представим эти факторы в виде матрицы |Ф|:

где в Ф_ijl^kI – i-тый фактор, определяющий величину пассажиропотока в j-тый час l-того дня k-того месяца I-того года. Величины i, l, j, k, I имеют следующие значения:

- i - 1, 2, ..., S;

- j - 1, 2, ..., 24;

- l - 1, 2, ..., 30, 31;

- k - 1, 2, ..., 11, 12;

- I - 1, 2, ..., T.

Состав исходных факторов включает:

- Ф₁ отражает час дня.

- Ф₂ отражает признак дня. В отношении этого фактора была принята следующая система кодирования: 1 - послепраздничные и послевыходные дни, 2 – полные рабочие дни недели, 3 – выходные, 4 – суббота, 5 – праздничные дни, 6 – воскресенье, 7 – предвыходные дни, 8 – предпраздничные дни.

- Ф₃ - признак месяца, кодируется следующим образом: 1 – январь, февраль, март, 2 – апрель, май, 3 – сентябрь, октябрь, 4 – ноябрь, декабрь, 5 –июнь, 6 – июль, 7 – август.

- Ф₄ - признак декады внутри месяца. Коды: 1 – дни первой декады, 2 – дни второй декады, 3 – дни третьей декады.

- Ф₅ - признак новизны информации. Значения кодируются таким образом, чтобы по мере приближения к прогнозной ситуации они возрастали.

- Ф₆ - средняя температура воздуха для суток, отстоящих от прогнозного дня на 24 часа.

- Ф₇ - то же для суток, отстоящих на 48 часов.

- Ф₈ - средняя температура воздуха в прогнозные сутки.

- Ф₉ , Ф₁₀ – соответственно осадки для суток, отстоящих от прогнозных на 24 и 48 часов.

- Ф₁₁ - количество осадков в сантиметрах для прогнозных суток.

- Ф₁₂ - показатель облачности для рассматриваемых суток в баллах.

Далее выполняем процедуру вычисления базисного значения пассажиропотока. С этой целью отбирается М ситуаций, в которых факторы Ф₁, Ф₂, Ф₃, Ф₄ совпадают со значениями этих факторов в прогнозный день. Если указанные ситуации относятся к одному и тому же году, то базисное значение потока пассажиров определяется по формуле [1]:

где   – значение потока пассажиров в  j- час  l- того дня  k- того месяца года T; M – число ситуаций, в которых значения факторов Ф₁, Ф₂, Ф₃, Ф₄ совпадают с соответствующими значениями в прогнозный день; r– текущее значение номера ситуации, где r = 1, 2, 3, ..., M.

После выделения базисной составляющей осуществляется приближение величины потока к реальным данным с учетом факторов Ф₅ - Ф₁₂. Это делается посредством остаточного метода, суть которого заключается в определении ошибки прогноза после выделения базисной составляющей. На основании полученных результатов выбирается модель необходимой сложности.

Отклонения действительных значений от прогнозных вычисляются по формуле [1]:

По данным  выбирается модель необходимой сложности. В результате получаем уравнение, составленное для отклонений прогнозной величины:

        (1)

где b_μ– коэффициент уравнения регрессии приращения потока ; Ф_μjl^kI– значения факторов, определяющих приращение потока пассажиров в j- тый l– того дня  k- того месяца  I– того года.

Прогноз приращения пассажиропотока в  j- тый час  l- того дня определяется подстановкой в формулу (1) значений факторов для дня прогноза. В результате прогноза базисной составляющей и приращений пассажиропотока, зависящих от факторов Ф₅ - Ф₁₂, можно определить ожидаемый пассажиропоток по формуле [1]:

Использование рассмотренной формулы позволяет осуществить эффективный краткосрочный прогноз. Однако наличие случайных факторов, таких как аварийные ситуации, непредсказуемое изменение характера деятельности населения, ошибки прогнозирования, небольшое число факторов, учитываемых при расчетах, приводят к необходимости учета случайной составляющей.

На основе статистических данных и прогноза при учете всех вышеперечисленных факторов для автобусного маршрута № 94 города Ростова – на – Дону получили следующую диаграмму пассажиропотока (рис. 4):

Рисунок 4 - Диаграмма пассажиропотока

Потребное число автобусов по каждому часу определяется согласно выражению:

 Расчетное количество автобусов округляем до ближайшего большего целого A_m.

Таблица 2 – Расчет количества автобусов

На рисунке 5 приведена диаграмма выпуска автобусов на линию по часам суток.

Рисунок 5 - Диаграмма выпуска автобусов на линию по часам суток

 Интервал движения, как и число автобусов на линии, изменяется по часам движения в зависимости от величины пассажиропотоков и определяется зависимостью:

t_pac = T₀ / A_m,

Таким образом, данные методы подсчета количества пассажиров, перевозимых единицей городского пассажирского транспорта, позволят получать объективные данные об объемах пассажирских перевозок на транспорте. Это позволяет судить о реальной загруженности транспорта пассажирами, а также после накопления статистики вести эффективный прогноз востребованности перевозок. Наличие информации о наполнении салона вместе с текущим местоположением транспорта на маршруте позволит кардинально изменить подход к диспетчерскому управлению, перейдя от регулирования интервала на конечной остановке к динамическому изменению расписания при нештатных изменениях дорожных условий и спроса на перевозку.