Дослідження середньої тривалості очікування пасажирів на зупинці громадського транспорту

Mykola Zhuk; Volodymyr Kovalyshyn; Vladyslav Zelemskyi

Зазначено, що у прогнозуванні маршрутів громадського транспорту у містах важливими показниками, які необхідно враховувати, вважають тривалість перебування на маршруті автобусів, пасажирооборот на маршруті, точки притягання та середню тривалість очікування пасажирів на зупинках. Ці показники є основою у плануванні роботи міського транспорту. Зокрема, прогнозування тривалості руху в дорозі методом дослідження середнього часу очікування пасажирів на зупинках є важливим інструментом планування для транспортних компаній. Оскільки це дослідження може покращити якість запланованих послуг зменшенням розриву між фактичним і запланованим часом у дорозі. Обговорено зазначену актуальність і на основі експериментальних даних вказується на користь використання досліджень середньої тривалості очікування пасажирів, особливо із врахуванням груп населення. Насправді, серед великої кількості чинників, що впливають на роботу громадського транспорту, більшість із них, як доведено попередніми дослідженнями, відповідають певній математичній методиці. Аналіз виконано з використанням натурних досліджень пасажиропотоку на зупинках автобусних маршрутів (Львів, Україна). Дослідження пасажиропотоків на зупинках дає можливість покращити якості послуг громадського транспорту (розрахувати точніше тривалість руху між зупинками та тривалість перебування на них). Встановлено тривалість простоїв автобусів на обраних зупинках залежно від кількості пасажирів. Також наведено результати дослідження тривалості очікування пасажирами громадського транспорту на зупинках. Отримано залежності тривалості очікування автобуса від груп населення. На основі цієї інформації оператори системи можуть проєктувати та налаштовувати графіки руху автобусів відповідно до орієнтовної тривалості подорожі

тривалість руху автобуса

пасажиропотік

пасажири

час очікування

зупинка громадського транспорту

1. Jeong, R. (2004). The prediction of bus arrival time using automatic vehicle location systems data. PhD thesis at Texas A&M University. (in English).
2. Fusco, G., Colombaroni, C. & Isaenko, N. (2016). Short-term speed predictions exploiting big data on large urban road networks. In: Transportation Research Part C: Emerging Technologies, 73, 183-201. doi: 10.1016/j.trc.2016.10.019 (in English).
https://doi.org/10.1016/j.trc.2016.10.019
3. Comi, A., Nuzzolo, A., Brinchi, S. & Verghini, R. (2017). Bus travel time variability: some experimental evidences. Transportation Research Procedia, 27, 101-108. doi: 10.1016/j.trpro.2017.12.072 (in English).
https://doi.org/10.1016/j.trpro.2017.12.072
4. Cats, O. (2014). Regularity-driven bus operation: Principles, implementation and business models. In: Transport Policy, 36, 223-230. doi: 10.1016/j.tranpol.2014.09.002 (in English).
https://doi.org/10.1016/j.tranpol.2014.09.002
5. Moreira-Matias, L., Mendes-Moreira, J., de Sousa, J. F. & Gama, J. (2015). Improving Mass Transit Operations by Using AVL-Based Systems: A Survey. In: IEEE Transactions on Intelligent Transportation System, 16(4), 1636-1653. doi: 10.1109/TITS.2014.2376772 (in English).
https://doi.org/10.1109/TITS.2014.2376772
6. Chen, M., Liu, X., Xia, J., & Chien, S. (2004). A Dynamic Bus-Arrival Time Prediction Model Based on APC Data. In: Computer-Aided Civil and Infrastructure Engineering, 19(5), 364-376. doi: 10.1111/j.1467-8667.2004.00363.x (in English).
https://doi.org/10.1111/j.1467-8667.2004.00363.x
7. Mendes-Moreira, J., Jorge, A. M., de Sousa, J. F. & Soares, J. (2012). Comparing state-of-the-art regression methods for long term travel time prediction. In: Journal Intelligent Data Analysis archive, 16(3), 427-449. doi: 10.3233/IDA-2012-0532 (in English).
https://doi.org/10.3233/IDA-2012-0532
8. Moreira-Matias, L., Cats, O., Gam, J., Mendes-Moreira, J., & Freire de Sousa, J. (2016). An online learning approach to eliminate Bus Bunching in real-time. In: Applied Soft Computing, 47, 460-482. doi: 10.1016/j.asoc.2016.06.031 (in English).
https://doi.org/10.1016/j.asoc.2016.06.031
9. Hassan, S. M., Moreira-Matias, L., Khiari, J. & Cats, O. (2017). Feature Selection Issues in Long-Term Travel Time Prediction. In: Advances in Intelligent Data Analysis XV - International Symposium on Intelligent Data Analysis, Springer, ( pp. 98-109) (in English).
https://doi.org/10.1007/978-3-319-46349-0_9
10. Hyndman, R. J. & Athanasopoulos, G. (2018). Forecasting: principles and practice. Second edition. OTexts. (in English).
11. Jeon, S. & Hong, B. (2016). Monte Carlo simulation-based traffic speed forecasting using historical big data. In: Future Generation Computer Systems, 65, 182-195. doi: 10.1016/j.future.2015.11.022 (in English).
https://doi.org/10.1016/j.future.2015.11.022
12. Suwardo, Madzlan, N. & Ibrahim, K. (2010). ARIMA models for bus travel time prediction. In: The Journal of the Institution of Engineers, Malaysia, 71(2), 49-58 (in English).
13. Williams, B. M. & Hoel, L. A. (2003). Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process: Theoretical basis and empirical results. In: Journal of Transportation Engineering, 129(6), 664-672. doi: 10.1061/(ASCE)0733-947X(2003)129:6(664) (in English).
https://doi.org/10.1061/(ASCE)0733-947X(2003)129:6(664)
14. Yap, M., Luo, D., Cats, O., van Oort, N. & Hoogendoorn, S. (2019). Where shall we sync? Clustering passenger flows to identify urban public transport hubs and their key synchronization priorities. Transportation Research Part C: Emerging Technologies, 98, pp.433-448. doi: 10.1016/j.trc.2018.12.013 (in English).
https://doi.org/10.1016/j.trc.2018.12.013
15. Honcharenko, S. (2017). Vyznachennia popytu na posluhy pasazhyrskoho marshrutnoho transportu v serednikh mistakh [The demand determining for passenger route transport service in the middle cities]. Extended abstract of candidate's thesis. Kharkiv, KhNADU. (in Ukrainian).
16. Nielsen, O., Eltved, M., Anderson, M., & Prato, C. (2021). Relevance of detailed transfer attributes in large-scale multimodal route choice models for metropolitan public transport passengers. Transportation Research Part A: Policy And Practice, 147, 76-92. doi: 10.1016/j.tra.2021.02.010. (in English).
https://doi.org/10.1016/j.tra.2021.02.010
17. Elidan, G. & Friedman, N. (2005). Learning Hidden Variable Networks: The Information Bottleneck Approach. Journal of Machine Learning Research, 6. 81-127 (in English).
18. Zghurovskyi, M., Bidiuk P., Terentev O. (2007). Systemna metodyka pobudovy baiiesovykh merezh [A systematic method of designing Bayesian networks]. Naukovi Visti "NTUU "KPI" [KPI Science News], 4, 47-61. (in Ukrainian).