Інформаційна технологія адаптивного управління міськими автобусними перевезеннями на основі прогнозування пасажиропотоку
DOI:
https://doi.org/10.33216/1998-7927-2026-304-6-35-42Ключові слова:
інформаційна технологія, адаптивне управління, міські автобусні перевезення, прогнозування пасажиропотоку, диспетчерські рішення, громадський транспортАнотація
У статті розглянуто інформаційну технологію адаптивного управління міськими автобусними перевезеннями, орієнтовану на використання короткострокового прогнозування пасажиропотоку для підвищення якості транспортного обслуговування та ефективності роботи перевізника. Обґрунтовано актуальність переходу від статичного планування руху автобусів до проактивної моделі диспетчерського керування, у якій рішення приймаються з урахуванням фактичного стану маршруту, історичних закономірностей попиту та прогнозних оцінок майбутнього завантаження. Показано, що традиційні розклади й фіксовані інтервали руху не завжди відповідають умовам динамічного міського середовища, оскільки пасажиропотік змінюється залежно від часу доби, дня тижня, дорожньої ситуації, сезонних факторів і локальних подій. Запропонована технологія передбачає збирання даних із GPS моніторингу, електронного квитка, автоматизованих систем обліку пасажирів, датчиків завантаження салону та диспетчерських платформ. Ці дані проходять попереднє оброблення, інтеграцію, виявлення аномалій, агрегацію за зупинками й часовими інтервалами, після чого використовуються для прогнозування попиту та оцінювання стану маршруту. У межах технології враховано потребу в узгодженні прогнозних результатів із ресурсними обмеженнями перевізника, наявністю автобусів різної місткості, графіками роботи водіїв, допустимими відхиленнями від розкладу та вимогами до безпеки й комфортності перевезень. Це дає змогу розглядати маршрут як керований динамічний об’єкт, стан якого змінюється під впливом попиту, дорожніх умов і диспетчерських рішень. Особливу увагу приділено формуванню керуючих дій: коригуванню інтервалів руху, утриманню автобусів на контрольних пунктах, зміні кількості транспортних засобів на лінії, оперативному перерозподілу рухомого складу та вибору типу автобуса відповідно до очікуваного пасажирського навантаження. Визначено основні функціональні модулі інформаційної технології, критерії оцінювання її ефективності та місце прогнозної моделі в контурі прийняття диспетчерських рішень. Практична цінність дослідження полягає в можливості використання запропонованого підходу для створення цифрових платформ підтримки управління громадським транспортом, зменшення часу очікування пасажирів, підвищення регулярності руху, запобігання переповненню салонів і раціональнішого використання ресурсів перевізника. Окреслено також перспективи подальшого розвитку технології, пов’язані з удосконаленням моделей машинного навчання, розширенням джерел даних, автоматизацією вибору сценаріїв реагування та впровадженням експериментальних програмних прототипів у диспетчерській практиці міських перевезень на типових міських маршрутах великого міста України.
Посилання
1. Comparing bus holding methods with and without real-time predictions / S. J. Berrebi [et al.] // Transportation Research Part C: Emerging Technologies. 2018. Vol. 87. P. 197–211. DOI: https://doi.org/10.1016/j.trc.2017.07.012.
2. Petit A., Ouyang Y., Tang C. Dynamic bus substitution strategy for bunching intervention // Transportation Research Part B: Methodological. 2018. Vol. 115. P. 1–16. DOI: https://doi.org/10.1016/j.trb.2018.06.007.
3. Gkiotsalitis K., Cats O. Reliable frequency determination: Incorporating information on service uncertainty when setting dispatching headways // Transportation Research Part C: Emerging Technologies. 2019. Vol. 88. P. 187–207. DOI: https://doi.org/10.1016/j.trc.2018.11.026.
4. Zhang S., Lo H. K., Gao Z. Robust dynamic bus controls considering delay disturbances and passenger demand uncertainty // Transportation Research Part B: Methodological. 2019. Vol. 125. P. 277–308. DOI: https://doi.org/10.1016/j.trb.2019.03.019.
5. Robust control for regulating frequent bus service on a dedicated bus lane / E. van der Werff [et al.] // Transportation Research Record. 2019. Vol. 2673, no. 8. P. 139–149. DOI: https://doi.org/10.1177/0361198119845893.
6. Iliopoulou C. A., Kepaptsoglou K., Vlahogianni E. Identifying spatio-temporal patterns of bus bunching in urban networks // Journal of Intelligent Transportation Systems. 2020. Vol. 24, no. 4. P. 365–378. DOI: https://doi.org/10.1080/15472450.2020.1722949.
7. Boyer V., El Moudni A., Mes M. Vehicle and crew scheduling for flexible bus transportation systems // Transportation Research Part B: Methodological. 2018. Vol. 111. P. 99–118. DOI: https://doi.org/10.1016/j.trb.2018.04.008.
8. Carosi S., Gallo G., Montemanni R. A matheuristic for integrated timetabling and vehicle scheduling // Transportation Research Part B: Methodological. 2019. Vol. 127. P. 99–124. DOI: https://doi.org/10.1016/j.trb.2019.07.004.
9. Dou Y., Zhou J., Zhang Z. Customized bus service design for uncertain commuting travel demand // Transportmetrica A: Transport Science. 2021. Vol. 17, no. 3. P. 197–219. DOI: https://doi.org/10.1080/23249935.2020.1864509.
10. Optimal design of community shuttles considering demand response and route choice / J. Xiong [et al.] // Transportation Research Part C: Emerging Technologies. 2021. Vol. 131. Article 103109. DOI: https://doi.org/10.1016/j.trc.2021.103109.
11. Andrade-Michel G., Ceder A., Muñoz J. C. Vehicle and reliable driver scheduling for public bus transportation systems // Transportation Research Part B: Methodological. 2021. Vol. 150. P. 249–272. DOI: https://doi.org/10.1016/j.trb.2021.01.011.
12. Sangveraphunsiri T., Cassidy M. J., Daganzo C. F. Jitney-lite: A flexible-route feeder service for higher-ridership suburban transit systems // Transportation Research Part B: Methodological. 2022. Vol. 157. P. 245–269. DOI: https://doi.org/10.1016/j.trb.2021.12.015.
13. Evaluation of urban bus service reliability on variable time horizons using a hybrid deep learning method / T. Zhou [et al.] // Reliability Engineering & System Safety. 2022. Vol. 220. Article 108090. DOI: https://doi.org/10.1016/j.ress.2021.108090.
14. Wood J., Yu Z., Gayah V. V. Development and evaluation of frameworks for realtime bus passenger occupancy prediction // International Journal of Transportation Science and Technology. 2023. Vol. 12, no. 2. P. 399–413. DOI: https://doi.org/10.1016/j.ijtst.2022.03.005.
15. Bus-passenger-flow prediction model based on WPD, attention mechanism, and Bi-LSTM / Y. Pei [et al.] // Sustainability. 2023. Vol. 15, no. 20. Article 14889. DOI: https://doi.org/10.3390/su152014889.
16. Zhai X., Shen Y. Short-term bus passenger flow prediction based on graph diffusion convolutional recurrent neural network // Applied Sciences. 2023. Vol. 13, no. 8. Article 4910. DOI: https://doi.org/10.3390/app13084910.
17. Ghandeharioun Z., Nobari P. Z., Wu W. Exploring deep learning approaches for short-term passenger demand prediction // Data Science for Transportation. 2023. Vol. 5. Article 19. DOI: https://doi.org/10.1007/s42421-023-00075-w.
18. Drabicki A., Kucharski R., Cats O. Mitigating bus bunching with real-time crowding information // Transportation. 2023. Vol. 50. P. 1901–1927. DOI: https://doi.org/10.1007/s11116-022-10270-3.
19. Deep reinforcement learning-based holding control for bus bunching considering passenger waiting perception / D. Liu [et al.] // Sustainability. 2023. Vol. 15, no. 14. Article 10947. DOI: https://doi.org/10.3390/su151410947.
20. Wang J., Sun L. Multi-objective multi-agent deep reinforcement learning to reduce bus bunching and passenger waiting time // Transportation Research Part C: Emerging Technologies. 2023. Vol. 153. Article 104309. DOI: https://doi.org/10.1016/j.trc.2023.104309.
21. Ma H., Yang M., Li X. Integrated optimization of customized bus routes and timetables considering commuter heterogeneity // Computers & Industrial Engineering. 2023. Vol. 175. Article 108886. DOI: https://doi.org/10.1016/j.cie.2022.108886.
22. Multi-depot vehicle scheduling with multiple vehicle types on overlapped bus routes / H. Shang [et al.] // Expert Systems with Applications. 2023. Vol. 227. Article 120352. DOI: https://doi.org/10.1016/j.eswa.2023.120352.
23. Real-time bus departure prediction using neural networks for smart IoT public bus transit / N. Rashvand [et al.] // IoT. 2024. Vol. 5, no. 4. P. 650–665. DOI: https://doi.org/10.3390/iot5040029.
24. Rezazada M., Tirachini A., Cats O. Bus bunching: A comprehensive review and future research agenda // Transport Reviews. 2024. Vol. 44, no. 3. P. 421–451. DOI: https://doi.org/10.1080/01441647.2024.2313969.
25. Lin X., Zhao J., Wilson N. H. M. Bunching-proof capabilities of modular buses // Transportation Science. 2024. Vol. 58, no. 1. P. 150–170. DOI: https://doi.org/10.1287/trsc.2023.0224.
26. Zheng H., Liu T., Chen A. Alternative service network design for bus systems responding to time-varying road disruptions // Transportation Research Part B: Methodological. 2024. Vol. 181. Article 103042. DOI: https://doi.org/10.1016/j.trb.2024.103042.
27. Dynamic scheduling of flexible bus services with hybrid requests and fairness concerns / W. Wu [et al.] // Transportation Research Part B: Methodological. 2024. Vol. 182. Article 103069. DOI: https://doi.org/10.1016/j.trb.2024.103069.
28. Passenger flow prediction for citywide bus stops based on gated multi-graph convolutional network / Y.-Y. Wang [et al.] // Journal of Intelligent Transportation Systems. 2025. Advance online publication. DOI: https://doi.org/10.1080/15472450.2025.2543820.
29. Lee C., Yoon Y. A novel bus arrival time prediction method based on spatiotemporal flow centrality analysis and deep learning // Electronics. 2022. Vol. 11, no. 12. Article 1875. DOI: https://doi.org/10.3390/electronics11121875.
30. Cheng X., Nie Y., Lin J. An autonomous modular public transit service // Transportation Research Part C: Emerging Technologies. 2024. Vol. 160. Article 104746. DOI: https://doi.org/10.1016/j.trc.2024.104746.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
