У роботі розглянуто моделювання шуму прискорення транспортних засобів за різних дорожніх умов. Особливу увагу приділено міським та сільським дорогам та автомагістралям. Шум прискорення, який визначається як коливання прискорення автомобіля, є важливим фактором для безпеки, управління сталим станом транспортного потоку та комфорту під час руху. Метою дослідження є покращення наявних моделей динаміки транспортних засобів за допомогою інтеграції наведених моделей, що дає змогу точніше прогнозувати варіабельність прискорення у режимі реального часу. Якість дорожнього покриття істотно впливає на шум прискорення. Міські дороги з частими зупинками і відновленням руху породжують помірні, але нерегулярні шумові патерни. На автомагістралях шум прискорення стабільний на середніх швидкостях, але різко зростає на високих швидкостях через аеродинамічні сили. Для сільських доріг, з неякісними умовами руху, характерна найбільша варіабельність шуму прискорення, навіть на низьких швидкостях. Наведене дослідження описує поведінку автомобілів на різних типах доріг. Актуальним є використання машинного навчання для динамічної адаптації параметрів моделі в режимі реального часу. Такий підхід підвищує точність і застосовність моделі, особливо в інтелектуальних транспортних системах. Модель може бути інформативною для стратегії управління дорожнім рухом, даючи змогу в режимі реального часу коригувати обмеження швидкості, сигнали світлофорів і вибір маршруту відповідно до дорожніх умов. Це сприяє безпечнішим, ефективнішим і стійкішим транспортним системам, особливо в регіонах з нерівномірною дорожньою інфраструктурою.
За результатами дослідження можна зробити висновок, що інтеграція моделювання шуму прискорення в інтелектуальні транспортні системи може істотно покращити як керування дорожнім рухом, так і безпеку транспортних засобів. Подальші дослідження будуть спрямовані на розширення набору даних для охоплення ширшого спектра типів транспортних засобів і дорожніх умов, що уможливить подальше вдосконалення прогнозування моделі.
1. Polishchuk, V. P., Nahrebelna, L. P., Vyhovska, I. A., & Popov, S. Y. (2024). Applying energy principles to the assessment of road traffic safety. Journal of Transport Systems and Traffic Safety, 1(58), 133-141. doi: 10.33744/2308-6645-2024-1-58-133-141 (in English).https://doi.org/10.33744/2308-6645-2024-1-58-133-141
2. Polishchuk, V., & Popov, S. (2023). Impact of the traffic flow characteristics on real-time public transport management. In Upravlinnia biznes-protsesamy ta tekhnolohichnymy innovatsiiamy v suchasnykh umovakh ta v pisliavoiennyi period [International Scientific Conference: Management of Business Processes and Technological Innovations in the Current Context and in the Post-War Period], (pp. 459-460). doi: 10.33744/978-966-632-320-3-2023 (in English). https://doi.org/10.33744/978-966-632-320-3-2023
3. Polishchuk, V., & Popov, S. (2023). Microscopic traffic flow model with influence of passenger transport. World Science, 2(80), doi: 10.31435/rsglobal_ws/30062023/8015 (in Ukrainian). https://doi.org/10.31435/rsglobal_ws/30062023/8015
4. Horváth, K., & Zelei, A. (2024). Simulating Noise, Vibration, and Harshness Advances in Electric Vehicle Powertrains: Strategies and Challenges. World Electric Vehicle Journal, 15(8), 367. doi: 10.3390/wevj15080367 (in English). https://doi.org/10.3390/wevj15080367
5. Wei, H., & Mehdi, A. (2024). Advances in Dynamics of Vehicles on Roads and Tracks III. Retrieved from: https://link.springer.com/book/10.1007/978-3-031-66968-2 (in English).
6. Peng, Z., Jiang, Y., & Wang, J. (2020). Event-triggered dynamic surface control of an underactuated autonomous surface vehicle for target enclosing. IEEE Transactions on Industrial Electronics, 68(4), 3402-3412. doi: 10.1109/TIE.2020.2978713 (in English). https://doi.org/10.1109/TIE.2020.2978713
7. Wu, Z., Kang, C., Li, B., Ruan, J., & Zheng, X. (2024). Dynamic modeling, simulation, and optimization of vehicle electronic stability program algorithm based on back propagation neural network and PID algorithm. Actuators, 13(3), 100. doi: 10.3390/act13030100 (in English). https://doi.org/10.3390/act13030100
8. Rachad, T., El Hafidy, A., & Idri, A. (2024). Factors associated with speeding behavior: Literature review and meta-analysis. Transportation Research Part F: Traffic Psychology and Behaviour, 107, 861-875. doi: 10.1016/j.trf.2024.10.010 (in English). https://doi.org/10.1016/j.trf.2024.10.010
9. Bruni, S., Meijaard, J. P., Rill, G., & Schwab, A. L. (2020). State-of-the-art and challenges of railway and road vehicle dynamics with multibody dynamics approaches. Multibody System Dynamics, 49, 1-32. doi: 10.1007/s11044-020-09735-z (in English). https://doi.org/10.1007/s11044-020-09735-z
10. Soma, K., Shibu, L., & Meenakshi, N. (2024). A Real-Time Vehicle Detection and Speed Estimation Using YOLO V 8. In 2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS) (pp. 1-6). IEEE. doi: 10.1109/ADICS58448.2024.10533551 (in English). https://doi.org/10.1109/ADICS58448.2024.10533551
11. Innella, F., Bai, Y., & Zhu, Z. (2020). Acceleration responses of building modules during road transportation. Engineering Structures, 210, 110398. doi: 10.1016/j.engstruct.2020.110398 (in English). https://doi.org/10.1016/j.engstruct.2020.110398
12. Park, E. S., Fitzpatrick, K., Das, S., & Avelar, R. (2021). Exploration of the relationship among roadway characteristics, operating speed, and crashes for city streets using path analysis. Accident Analysis & Prevention, 150, 105896. doi: 10.1016/j.aap.2020.105896 (in English). https://doi.org/10.1016/j.aap.2020.105896
13. Aradhya, S., Kumar, S., Rudraradhya, P., Thejaswini, S., & Soumya, A. (2021, June). Real Time Vehicle Tracking, Information Retrieval and Motion Analysis using Machine Learning. In 2021 International Conference on Intelligent Technologies (CONIT) (pp. 1-7). IEEE. doi: 10.1109/CONIT51480.2021.9498480 (in English). https://doi.org/10.1109/CONIT51480.2021.9498480
14. Le Bescond, V., Can, A., Aumond, P., & Gastineau, P. (2021). Open-source modeling chain for the dynamic assessment of road traffic noise exposure. Transportation Research Part D: Transport and Environment, 94, 102793. doi: 10.1016/j.trd.2021.102793 (in English). https://doi.org/10.1016/j.trd.2021.102793
15. Gilani, T. A., & Mir, M. S. (2021). Modelling road traffic Noise under heterogeneous traffic conditions using the graph-theoretic approach. Environmental Science and Pollution Research, 28(27), 36651-36668. doi: 10.1007/s11356-021-13328-4 (in English). https://doi.org/10.1007/s11356-021-13328-4
16. Lan, Z., & Cai, M. (2021). Dynamic traffic noise maps based on noise monitoring and traffic speed data. Transportation research part D: transport and environment, 94, 102796. doi: 10.1016/j.trd.2021.102796 (in English). https://doi.org/10.1016/j.trd.2021.102796