Проблеми мобільності у великих містах України та Східної Європи ускладнюються тим, що збільшення інтенсивності приватного транспорту значно перевищує пропускну здатність вулично-дорожньої мережі, а найбільше це відчутно у пікові періоди не лише світлового дня, але і року. З погляду стійкої мобільності це негативне явище істотно впливає на міський громадський транспорт, який не має окремих виділених ліній руху. В статті проаналізовано питання щодо погіршення транспортної ситуації у великих містах, спричиненого підвищенням інтенсивності руху на магістральних вулицях в пікові періоди доби, а також наявністю сезонних чинників руху. Якщо питання виникнення та тривалості заторів та збільшення часу кореспонденцій приватного транспорту є досить вивченим, то проблеми зміни графіків руху громадського транспорту та врахування збільшення тривалості рейсів залежно від пори року потребують уточнення. Для дослідження вибрано маршрути руху громадського транспорту, який не має окремої інфраструктури і здійснює рух в загальному потоці разом із приватними автомобілями. За результатами дистанційного спостереження за громадським транспортом встановлено зміну тривалості рейсів та втрат часу за рахунок посадки-висадки пасажирів на подібних тролейбусних маршрутах в різні сезони. На основі отриманих даних сформовано матрицю коефіцієнтів нерівномірності тривалості рейсів для маршрутів громадського транспорту та встановлено ступінь впливу сезонності на ці показники. Отримані результати надають можливість кількісно визначити вплив пори року та часу доби на зміну тривалості рейсів, що може бути застосованим як у подальших дослідженнях з використанням засобів імітаційного моделювання, так і у практиці під час складання сезонних розкладів руху. Результати досліджень доповнюють актуальні на цей час наукові праці, які стосуються проблем сезонної мобільності, а також впливу функціонування об’єктів соціальної інфраструктури (школи, дитячі садочки та інші заклади освіти) міст на пікове навантаження вулично-дорожньої мережі, що подовжує тривалість руху не лише приватного, але і громадського транспорту.
1. Sustainable Urban Mobility Plan (SUMP) of Lviv. Retrieved from: https://mobility-lviv.com/en/creating-sump/. (in English).
2. Sociological research "Views and opinions of Lviv Agglomeration residents". Retrieved from: https://decentralization.gov.ua/uploads/library/file/859/Report_LvivAggl.... (in English).
3. Fornalchyk, Y., & Hilevych, V. (2020). To determination of traffic delay at controlled intersection. Transport Technologies, 1(1), 65-72. doi: 10.23939/tt2020.01.065 (in English).
https://doi.org/10.23939/tt2020.01.065
4. The Geography of Transport Systems. Retrieved from https://transportgeography.org/. (in English).
5. Spławińska, M. (2017). Factors determining seasonal variations in traffic volumes. Archives of Civil Engineering, 63(4), 35-50. doi: 10.1515/ace-2017-0039 (in English).
https://doi.org/10.1515/ace-2017-0039
6. Qiang, S., & Huang, Q. (2023). Impacts of bus holding strategies on the performance of mixed traffic system. Physica A: Statistical Mechanics and its Applications, 611, 128455. doi: 10.1016/j.physa.2023.128455 (in English).
https://doi.org/10.1016/j.physa.2023.128455
7. Gastaldi, M., Rossi, R., Gecchele, G., & Della Lucia, L. (2013). Annual average daily traffic estimation from seasonal traffic counts. Procedia-Social and Behavioral Sciences, 87, 279-291. doi: 10.1016/j.sbspro. 2013.10.610 (in English).
https://doi.org/10.1016/j.sbspro.2013.10.610
8. Bhin, M., & Son, S. (2021). Reduction and reallocation of bus use under COVID-19: an analysis of bus card data of Gyeonggi Province, South Korea. International Journal of Urban Sciences, 25(3), 416-436. doi: 10.1080/12265934.2021.1936137 (in English).
https://doi.org/10.1080/12265934.2021.1936137
9. Karve, V., Yager, D., Abolhelm, M., Work, D. B., & Sowers, R. B. (2021). Seasonal disorder in urban traffic patterns: a low rank analysis. Journal of big data analytics in transportation, 3, 43-60. doi: 10.1007/s42421-021-00033-4 (in English).
https://doi.org/10.1007/s42421-021-00033-4
10. Sun, Y., Lu, Y. C., Fu, K., Chen, F., & Lu, C. T. (2022). Detecting anomalous traffic behaviors with seasonal deep Kalman filter graph convolutional neural networks. Journal of King Saud University-Computer and Information Sciences, 34(8), 4729-4742. doi: 10.1016/j.jksuci.2022.05.017 (in English).
https://doi.org/10.1016/j.jksuci.2022.05.017
11. Hamedmoghadam, H., Zheng, N., Li, D., & Vu, H. L. (2022). Percolation-based dynamic perimeter control for mitigating congestion propagation in urban road networks. Transportation research part C: emerging technologies, 145, 103922. doi: 10.1016/j.trc.2022.103922 (in English).
https://doi.org/10.1016/j.trc.2022.103922
12. Carmody, D. R., & Sowers, R. B. (2021). Topological analysis of traffic pace via persistent homology. Journal of Physics: Complexity, 2(2), 025007. doi: 10.1088/2632-072X/abc96a (in English).
https://doi.org/10.1088/2632-072X/abc96a
13. Ge, L., Li, S., Wang, Y., Chang, F., & Wu, K. (2020). Global spatial-temporal graph convolutional network for urban traffic speed prediction. Applied Sciences, 10(4), 1509. doi: 10.3390/app10041509 (in English).
https://doi.org/10.3390/app10041509
14. Public transport routes in Lviv. Retrieved from https://lad.lviv.ua. (in English).
15. UA-GISTrek software. Retrieved from http://track.ua-gis.com/ (in Ukrainian).