РАЗРАБОТКА КОНЦЕПТУАЛЬНОЙ МОДЕЛИ ИНТЕЛЛЕКТУАЛЬНОЙ ТРАНСПОРТНОЙ СИСТЕМЫ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И АНАЛИЗА ДАННЫХ

АННОТАЦИЯ

В статье рассматривается разработка концептуальной модели интеллектуальной транспортной системы Smart Transport Temirtau в рамках реализации концепции Smart City. Предложена многоуровневая архитектура системы, включающая IoT-инфраструктуру, платформу обработки данных, алгоритмы искусственного интеллекта и пользовательские сервисы. Разработан алгоритм AI-управления транспортной системой, позволяющий оптимизировать пассажиропоток, интервалы движения и маршруты общественного транспорта. Рассмотрены инновационные элементы системы, включая цифровой двойник транспортной сети, систему подсчёта пассажиров и интеллектуальные светофоры. Проведено сравнение предлагаемой модели с транспортными системами городов Сингапур и Токио. Показано, что внедрение Smart Transport Temirtau позволит повысить эффективность транспортной системы, снизить нагрузку на инфраструктуру и улучшить качество обслуживания пассажиров.

ABSTRACT

This paper presents a conceptual model of the Smart Transport Temirtau intelligent transport system within the Smart City framework. A multi-layer architecture is proposed, including IoT infrastructure, data processing platforms, artificial intelligence algorithms, and user services. An AI-based transport management algorithm is developed to optimize passenger flow, bus intervals, and routes. Innovative components such as a digital twin of the transport system, automatic passenger counting (APC) and smart traffic lights are analyzed. A comparative analysis with transport systems in Singapore and Tokyo is conducted. The results show that implementing Smart Transport Temirtau will improve transport efficiency, reduce congestion, and enhance passenger service quality.

Ключевые слова: Умный город, интеллектуальные транспортные системы, Интернет вещей, транспорт, оптимизация маршрутов.

Keywords: Smart City, intelligent transport systems, IoT, transport optimization.

Введение

В современных условиях урбанизации транспортная система города становится одним из ключевых факторов, определяющих уровень качества жизни населения. Рост количества транспортных средств, увеличение пассажиропотока и ограниченные возможности городской инфраструктуры приводят к возникновению транспортных заторов, снижению эффективности общественного транспорта и увеличению экологической нагрузки[1].

В ведущих мировых городах, таких как Сингапур и Токио, данные проблемы решаются за счёт внедрения интеллектуальных транспортных систем, основанных на использовании технологий интернета вещей, анализа больших данных и искусственного интеллекта.

Город Темиртау, являясь промышленным центром, характеризуется высокой транспортной нагрузкой и зависимостью населения от общественного транспорта. При этом текущая транспортная система имеет ряд недостатков: отсутствие анализа пассажиропотока, неэффективное распределение транспорта и ограниченные цифровые сервисы.

Целью данной работы является разработка модели интеллектуальной транспортной системы Smart Transport Temirtau.

Материалы и методы исследования

Теоретическую базу исследования составили данные о транспортной инфраструктуре города Темиртау, научные работы в области интеллектуальных транспортных систем и Smart City, а также международный опыт внедрения Smart Transport. Особое внимание уделялось анализу практик Singapore и Tokyo, где интеллектуальные транспортные системы являются важным элементом городской инфраструктуры. Исследования Chan и Chye (2023) и Sipahi и Saayi (2024) показывают, что внедрение цифровых транспортных решений способствует оптимизации транспортных потоков и повышению качества городской среды [2–3]. Опыт Tokyo также подтверждает эффективность использования IoT-технологий и цифровых платформ управления в рамках концепции Society 5.0 [4].

Для исследования транспортной системы города Темиртау применялся метод системного анализа, позволяющий рассматривать её как совокупность взаимосвязанных элементов: транспортных средств, инфраструктуры и пользователей. Дополнительно использовались методы математического моделирования, учитывающие интенсивность пассажиропотока, интервалы движения и загрузку транспортных средств, что позволило оценить эффективность системы и определить направления её оптимизации.

Город Темиртау является промышленным моногородом, где значительная часть населения занята на градообразующих предприятиях, что определяет структуру транспортной нагрузки. Транспортная инфраструктура города ориентирована преимущественно на обслуживание трудовой мобильности, обеспечивая перемещение работников между жилыми районами и промышленными зонами. В связи с этим наблюдается ярко выраженная суточная неравномерность транспортной нагрузки: максимальный пассажиропоток приходится на утренние часы (с 6:30 до 8:00), когда осуществляется доставка сотрудников на рабочие места, и вечерние часы (с 16:00 до 18:00), соответствующие окончанию рабочих смен. Такая концентрация пассажиропотока приводит к перегрузке общественного транспорта в пиковые периоды и снижению эффективности функционирования транспортной системы в целом.

Результаты и обсуждения

Предлагаемая модель Smart Transport Temirtau основывается на многоуровневой архитектуре интеллектуальной транспортной системы, включающей четыре ключевых уровня: инфраструктурный уровень, уровень сбора данных, аналитический уровень и уровень пользовательских сервисов (Рис. 1.). Такая архитектура позволяет обеспечить масштабируемость системы, интеграцию различных источников данных и эффективное управление городской мобильностью.

Инфраструктурный уровень включает физические элементы транспортной системы города, которые обеспечивают функционирование транспортной сети. В рамках концепции Smart Transport данные элементы оснащаются интеллектуальными устройствами и сенсорами, обеспечивающими сбор информации о транспортных потоках, количестве пассажиров и состоянии дорожной сети[5].

Рисунок 1. Архитектура Smart Transport

Следующий уровень архитектуры представляет собой сеть устройств Интернета вещей (IoT), которые обеспечивают сбор данных о транспортной системе в режиме реального времени. Данные устройства формируют поток информации о состоянии транспортной системы, включая положение транспортных средств, интенсивность движения, загрузку автобусов и параметры дорожного трафика. Полученные данные передаются в центр управления транспортной системой для дальнейшей обработки и анализа[1].

Ключевым элементом интеллектуальной транспортной системы является единая цифровая платформа управления транспортом, обеспечивающая обработку и анализ транспортных данных, управление транспортными потоками и поддержку принятия решений в области транспортного планирования. Функциональные возможности платформы включают мониторинг движения общественного транспорта, анализ пассажиропотока, прогнозирование транспортной нагрузки, управление светофорными системами, а также оптимизацию маршрутов общественного транспорта[2].

На верхнем уровне архитектуры интеллектуальной транспортной системы располагаются пользовательские сервисы, обеспечивающие взаимодействие пассажиров с транспортной инфраструктурой и предоставляющие актуальную информацию о функционировании общественного транспорта[1]. Внедрение и использование данных цифровых решений способствует повышению удобства пользования общественным транспортом и увеличению уровня информированности пассажиров, что в целом улучшает качество транспортного обслуживания[3].

Математическая модель. Обозначим:

• P_i(t) — пассажиропоток на остановке i в момент времени t;
• B_j(t) — количество автобусов на маршруте j;
• C_j — вместимость автобуса;
• T_j — интервал движения автобусов;
• D_ij — расстояние между остановками.

Цель оптимизации — минимизация времени ожидания пассажиров.

Целевая функция:

                                            (1)

где, N — количество остановок, W_i(t) — среднее время ожидания пассажиров на остановке.

Время ожидания можно представить как:

                                    (2)

Выбор целевой функции в виде суммы времени ожидания пассажиров обусловлен необходимостью учета глобальной эффективности транспортной системы. Минимизация данной функции позволяет обеспечить равномерное распределение транспортных ресурсов и снижение совокупных временных затрат пользователей.

Рисунок 2. Алгоритм работы Smart Transport

Алгоритм работы интеллектуальной транспортной системы включает несколько этапов (Рис. 2.):

1. Сбор данных. Система получает данные от различных источников. Формируется массив данных:

2. Предварительная обработка данных. Фильруются шумы и синхронизируются данные. Используется метод нормализации:

                                                          (3) 

3. Прогноз пассажиропотока. Система прогнозирует пассажиропоток на основе исторических данных. Модель прогнозирования:

                        (4)

где, T(t) — текущее время.

4. Оптимизация транспортных маршрутов. На основе прогнозируемого пассажиропотока система выполняет перераспределение автобусов между маршрутами[6]. Функция распределения:

                                                               (5)

где, B_j^new — оптимальное количество автобусов на маршруте.

5. Управление интервалами движения. После определения количества автобусов система вычисляет новый интервал движения.

                                                              (6)

где, L_i — длина маршрута, V_j — средняя скорость движения.

6. Управление светофорами. Интеллектуальная система может приоритетно пропускать общественный транспорт. Функция приоритета:

                                 (7)

где, Load — загрузка автобуса, Delay — отклонение от расписания.

Если автобус переполнен или опаздывает, работает система приоритета.

Пример расчёта эффективности. Возьмём маршрут в час пик:

P_i = 300 чел/час; C = 80 чел; B = 3; T = 15мин = 0.25 час; L = 12км;

V = 24км/час.

Расчет текущего состояния:

                                                       (8)

где,  — коэффициент загрузки.

Автобусы перегружены(125%), при этом время ожидания:

               (9)

Работа AI-алгоритма: алгоритм увеличивает число автобусов:

                                  (10)

Новый коэффициент загрузки:

                     (11)

Новый интервал движения:

                 (12)

Новое время ожидания:

       (13)

Таблица 1.

Сравнение параметров транспортной системы до и после внедрения алгоритма AI-управления

Проведённое математическое моделирование показало, что внедрение интеллектуального алгоритма управления транспортной системой может привести к значительному повышению эффективности функционирования общественного транспорта (таблица 1). В частности, в условиях пикового пассажиропотока увеличение количества автобусов и адаптивное сокращение интервалов движения позволят существенно снизить среднее время ожидания пассажиров — более чем на 50 %. Кроме того, наблюдается снижение коэффициента загрузки транспортных средств до нормативного уровня, что свидетельствует об устранении перегрузки и более равномерном распределении пассажиропотока.

Заключение

В ходе исследования была разработана концептуальная модель интеллектуальной транспортной системы Smart Transport Temirtau, основанная на применении технологий искусственного интеллекта, анализа данных и интернета вещей. Предложенная архитектура обеспечивает интеграцию транспортной инфраструктуры, сенсорных систем и цифровой платформы управления.

Разработанный алгоритм AI-управления позволит адаптивно регулировать параметры работы общественного транспорта. Результаты математического моделирования показали, что его применение может способствовать снижению времени ожидания пассажиров более чем на 50 % и устранению перегрузки транспортных средств.

Проведённый анализ показал, что предложенная модель соответствует современным тенденциям развития интеллектуальных транспортных систем и может быть использована как основа для цифровой трансформации транспортной системы города Темиртау.

Список литературы:

1. Saraju P. Mohanty Everything You wanted to Know about Smart Cities // IEEE Consumer Electronics Magazine, 2016, 60 - 70 pp. DOI: 10.1109/MCE.2016.2556879.
2. Chan J. J., Chye S. W. Impact of Smart City Initiatives on Urban Planning Strategies in Singapore: An In-Depth Analysis of Technology-Driven Solutions and Their Influence on Sustainable Development and Quality of Life // Journal of Strategic Management. — 2023. — Т. 7, № 7. — С. 11–21. — DOI: 10.53819/81018102t4200.
3. SIPAHI, E.B., & SAAYI, Z. (2024). The world’s first “Smart Nation” vision: the case of Singapore. Smart Cities and Regional Development (SCRD) Journal, 8(1), 41–58. https://doi.org/10.25019/dvm98x09.
4. Tobey, M. B., Binder, R. B., Yoshida, T., & Yamagata, Y. (2019). Urban Systems Design Case Study: Tokyo’s Sumida Ward. Smart Cities, 2(4), 453–470. https://doi.org/10.3390/smartcities2040028.
5. Nam, T., & Pardo, T. A. (2011). Conceptualizing Smart City with Dimensions of Technology, People, and Institutions. In Proceedings of the 12th Annual International Digital Government Research Conference, pp. 282–291. DOI: 10.1145/2037556.2037602.
6. Distributed Optimization and Coordination Algorithms for Dynamic Traffic Metering in Urban Street Networks // IEEE Transactions on Intelligent Transportation Systems, 2019, 20(5):1930-1941 DOI:10.1109/TITS.2018.2848246.