Інтелектуальне адаптивне управління автобусними маршрутами на основі прогнозування пасажиропотоку в реальному часі
DOI:
https://doi.org/10.33216/1998-7927-2026-304-6-170-185Ключові слова:
інформаційна технологія, адаптивне управління, міські автобусні перевезення, прогнозування пасажиропотоку, диспетчерські рішення, громадський транспортАнотація
У статті розроблено організаційно-методичний підхід до інтелектуального адаптивного управління міським автобусним маршрутом на основі прогнозування пасажиропотоку в реальному часі. Актуальність дослідження зумовлена потребою підвищення якості транспортного обслуговування населення в умовах нерівномірного попиту, змінної дорожньої ситуації, внутрішньодобових коливань завантаження маршрутів та обмеженості ресурсів перевізника. На відміну від традиційних підходів, що спираються переважно на усереднені або ретроспективні дані, запропонований підхід орієнтований на поєднання поточного моніторингу роботи маршруту з короткостроковим прогнозуванням попиту та формуванням випереджальних диспетчерських рішень. Така постановка дає змогу розглядати маршрут не як статичну систему з фіксованими параметрами, а як керований об'єкт, стан якого постійно змінюється під впливом пасажирського попиту, дорожніх умов, тривалості рейсів і доступності рухомого складу.
Метою роботи є розроблення підходу, який забезпечує узгодження показників якості перевезень із вимогами оперативної стійкості та економічної доцільності функціонування перевізника. У межах дослідження сформовано систему взаємопов'язаних показників, що охоплює фактичний і прогнозний пасажиропотік, інтервал руху, коефіцієнт заповнення салону, середній час очікування пасажирів, регулярність руху, дохід, витрати та фінансовий результат. Обґрунтовано використання просторово-часового прогнозування пасажиропотоку, правила визначення потрібної кількості автобусів, адаптивного інтервалу руху та вибору керуючої дії з перевіркою рішення на стійкість. Додатково враховано можливість коригування типу рухомого складу залежно від очікуваного рівня попиту, допустимого рівня завантаження салону та ресурсних обмежень перевізника.
Результати дослідження показали, що запропонований підхід дозволяє формалізувати перехід від реактивного до проактивного управління автобусним маршрутом, своєчасно виявляти ризики перевантаження салонів, скорочувати очікуваний час очікування пасажирів і враховувати фінансові обмеження перевізника. Запропонована логіка прийняття рішень передбачає порівняння прогнозного навантаження з допустимою місткістю, оцінювання впливу зміни інтервалу на регулярність руху та перевірку економічного результату перед упровадженням керуючої дії. Окрему увагу приділено можливості використання даних GPS-моніторингу, автоматизованого обліку пасажирів і електронного квитка для оперативного оновлення параметрів моделі, уточнення оцінок попиту на окремих зупинках, виявлення критичних періодів перевантаження та підвищення достовірності прогнозу. Практичне значення роботи полягає у можливості використання отриманих результатів у системах диспетчерського управління, цифрових платформах моніторингу перевезень та інформаційно-аналітичних модулях підтримки рішень у сфері міського пасажирського транспорту. Отримані положення можуть бути використані як методична основа для подальшої апробації на фактичних даних міських маршрутів, порівняння альтернативних сценаріїв диспетчерського реагування і для розвитку інтелектуальних транспортних систем у містах з різною інтенсивністю пасажирського попиту.
Посилання
1. Hörcher D., Tirachini A. A review of public transport economics. Economics of Transportation. 2021. Vol. 25. Article 100196. DOI: https://doi.org/10.1016/j.ecotra.2021.100196
2. Time-dependent transit fare optimization with elastic and spatially distributed demand / Q. Guo, L. Sun, P. Schonfeld, Z. Li. Transportation Research Part A: Policy and Practice. 2021. Vol. 148. P. 353–378. DOI: https://doi.org/10.1016/j.tra.2021.04.002
3. Bertsimas D., Ng Y. S., Yan J. Joint frequency-setting and pricing optimization on multimodal transit networks at scale. Transportation Science. 2020. Vol. 54, no. 3. P. 839–853. DOI: https://doi.org/10.1287/trsc.2019.0959
4. Tian Q., Wang D. Z. W., Lin Y.-H. Service operation design in a transit network with congested common lines. Transportation Research Part B: Methodological. 2021. Vol. 143. P. 54–85. DOI: https://doi.org/10.1016/j.trb.2020.12.003
5. Petit A., Lei C., Ouyang Y. Multiline bus bunching control via vehicle substitution. Transportation Research Part B: Methodological. 2019. Vol. 126. P. 247–269. DOI: https://doi.org/10.1016/j.trb.2019.05.009
6. Robust dynamic bus controls considering delay disturbances and passenger demand uncertainty / S. Li, R. Liu, L. Yang, Z. Gao. Transportation Research Part B: Methodological. 2019. Vol. 125. P. 277–308. DOI: https://doi.org/10.1016/j.trb.2019.03.019
7. Robust control for regulating frequent bus service on a dedicated bus lane / E. van der Werff, O. Cats, S. Hoogendoorn, H. van Lint. Transportation Research Record. 2019. Vol. 2673, no. 8. P. 139–149. DOI: https://doi.org/10.1177/0361198119845893
8. 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
9. 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
10. Deep reinforcement learning-based holding control for bus bunching considering passenger waiting perception / D. Liu, M. Zhou, H. Wang, J. Li. Sustainability. 2023. Vol. 15, no. 14. Article 10947. DOI: https://doi.org/10.3390/su151410947
11. 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
12. 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
13. 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
14. 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
15. Dynamic scheduling of flexible bus services with hybrid requests and fairness concerns / W. Wu, C. Ma, R. Song et al. Transportation Research Part B: Methodological. 2024. Vol. 182. Article 103069. DOI: https://doi.org/10.1016/j.trb.2024.103069
16. 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
17. Optimal design of community shuttles considering demand response and route choice / J. Xiong, X. Qian, Y. Zhang et al. Transportation Research Part C: Emerging Technologies. 2021. Vol. 131. Article 103109. DOI: https://doi.org/10.1016/j.trc.2021.103109
18. Dou Y., Zhou J., Zhang M. 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
19. Zhou Y., Meng Q., Ong G. P. Electric bus charging scheduling for a single public transport route with dynamic electricity prices. Transportation Research Part B: Methodological. 2022. Vol. 159. P. 63–89. DOI: https://doi.org/10.1016/j.trb.2022.03.002
20. Zhou Y., Ong G. P., Meng Q. Electric bus charging facility planning with uncertainties in operation. Transportation Research Part C: Emerging Technologies. 2023. Vol. 149. Article 104108. DOI: https://doi.org/10.1016/j.trc.2023.104108
21. Fei F., Yang H., Liu Z. Exploring the profitability of using electric bus fleets for transport and power grid services. Transportation Research Part C: Emerging Technologies. 2023. Vol. 148. Article 104060. DOI: https://doi.org/10.1016/j.trc.2023.104060
22. Collaborative optimization of electric bus line scheduling with multiple charging modes / D.-F. Xie, J.-Y. Wang, C. Lu et al. Transportation Research Part D: Transport and Environment. 2023. Vol. 114. Article 103551. DOI: https://doi.org/10.1016/j.trd.2022.103551
23. 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
24. 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
25. Multi-depot vehicle scheduling with multiple vehicle types on overlapped bus routes / H. Shang, J. Xu, Y. Wang et al. Expert Systems with Applications. 2023. Vol. 227. Article 120352. DOI: https://doi.org/10.1016/j.eswa.2023.120352
26. 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
27. 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
28. 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
29. 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
30. Bus-passenger-flow prediction model based on WPD, attention mechanism, and Bi-LSTM / Y. Pei, S. Ran, W. Wang, C. Dong. Sustainability. 2023. Vol. 15, no. 20. Article 14889. DOI: https://doi.org/10.3390/su152014889
31. 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
32. Real-time bus departure prediction using neural networks for smart IoT public bus transit / N. Rashvand, S. S. Hosseini, M. Azarbayjani, H. Tabkhi. IoT. 2024. Vol. 5, no. 4. P. 650–665. DOI: https://doi.org/10.3390/iot5040029
33. 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
34. Ghandeharioun Z., Zendehdel Nobari P., 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
35. Evaluation of urban bus service reliability on variable time horizons using a hybrid deep learning method / T. Zhou, W. Wu, L. Peng, X. Wu, C. Jiao, J. Sun. Reliability Engineering & System Safety. 2022. Vol. 220. Article 108090. DOI: https://doi.org/10.1016/j.ress.2021.108090
36. Passenger flow prediction for citywide bus stops based on gated multi-graph convolutional network / Y.-Y. Wang, C. Zhang, W.-P. Qu, Z.-H. Jiang. Journal of Intelligent Transportation Systems. 2025. Advance online publication. DOI: https://doi.org/10.1080/15472450.2025.2543820
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
