Совершенствование организации мониторинга пассажиропотоков в системе городского транспорта общего пользования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сайфутдинов Денис Жавдатович

• Сайфутдинов Денис Жавдатович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Сайфутдинов Денис Жавдатович

ПРИНЯТЫЕ СОКРАЩЕНИЯ

ВВЕДЕНИЕ

ГЛАВА 1. ОСНОВНЫЕ МЕТОДЫ ПОЛУЧЕНИЯ И ИСПОЛЬЗОВАНИЯ ИНФОРМАЦИИ О ПАССАЖИРОПОТОКАХ ГОРОДСКОГО ТРАНСПОРТА ОБЩЕГО ПОЛЬЗОВАНИЯ

1.1 Использование навигационных данных для оценки параметров транспортных и пассажирских потоков

1.2 Методы обследования пассажиропотоков городского транспорта общего пользования

1.3 Перспективы использования результатов обследования пассажиропотоков на основе данных спутниковой навигации и билетных валидаторов

Выводы по главе

ГЛАВА 2. ИСПОЛЬЗОВАНИЕ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ОПЛАТЫ ПРОЕЗДА И СПУТНИКОВОЙ НАВИГАЦИИ В КАЧЕСТВЕ ИСТОЧНИКА ИНФОРМАЦИИ О ПАССАЖИРОПОТОКАХ

2.1 Автоматизированные системы оплаты проезда

2.2 Спутниковая навигация подвижного состава

2.3 Определение геокоординат точек оплаты проезда

2.3.1 Математическая модель проверки диспетчерских данных о распределении валидаторов по ТС

Выводы по главе

ГЛАВА 3. ФУНКЦИОНАЛЬНО-АНАЛИТИЧЕСКАЯ МОДЕЛЬ ДАННЫХ ГОРОДСКОГО ТРАНСПОРТА ОБЩЕГО ПОЛЬЗОВАНИЯ

3.1 Основные элементы модели

3.1.1 Атрибуты движения транспортных средств

3.1.2 Атрибуты движения пассажиров

3.1.3 Атрибуты маршрутов, ОП и ТПУ

3.2 Зависимости количественных характеристик пассажиропотоков от основных элементов системы

3.2.1 Связь наполненности ТС с перемещениями

3.2.2 Связь прибытий и отправлений пассажиров с перемещениями

3.2.3 Связь пересадок пассажиров с перемещениями

3.2.4 Наблюдаемые и ненаблюдаемые элементы и характеристики системы транспорта общего пользования

3.3. Метод оценки моментов прибытия и отправления ТС на ОП

3.3.1 Оценка средней скорости и продолжительности движения ТС по малому участку автомобильной дороги

3.3.2 Оценка продолжительности движения ТС по участку автомобильной дороги между соседними ОП

3.3.3 Оценка продолжительности пребывания ТС на ОП

3.3.4 Оценка продолжительности движения ТС по произвольному участку автомобильной дороги

3.3.5 Формулы для оценки моментов прибытия и отправления ТС

3.4 Оценки ненаблюдаемых характеристик перемещения пассажиров

3.4.1 Оценка моментов и ОП посадки и высадки пассажиров

3.4.2 Метод оценки количества неидентифицируемых перемещений пассажиров

3.4.3 Валидация метода оценки количества перемещений неидентифицируемых пассажиров

Выводы по главе

ГЛАВА 4. ИНФОРМАЦИОННАЯ СИСТЕМА МОНИТОРИНГА И АНАЛИЗА ПАССАЖИРОПОТОКОВ ГОРОДСКОГО ТРАНСПОРТА ОБЩЕГО ПОЛЬЗОВАНИЯ

4.1 Общее описание информационной системы мониторинга и анализа пассажиропотоков

4.2 Разработка БД

4.2.1 Парадигма разработки БД

4.2.2 Разработка схемы базы данных

4.3 Программная реализация математических моделей оценки параметров движения ТС и пассажиров

4.3.1 Оценка моментов и ОП прибытия и отправления ТС

4.3.2 Оценка моментов и ОП посадки и высадки пассажиров

4.3.3 Оценка показателей пассажиропотоков

4.4 Основные возможности информационной системы

4.5 Апробация результатов

4.5.1 Матрица корреспонденций

4.5.2 Транспортное поведение пассажиров

4.5.3 Пассажиропотоки в ТПУ

4.5.4 Наполненность ТС

4.5.5 Показатели работы городского транспорта общего пользования

Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

Введение диссертации (часть автореферата) на тему «Совершенствование организации мониторинга пассажиропотоков в системе городского транспорта общего пользования»

ВВЕДЕНИЕ

Актуальность темы исследования. Ни один аспект городской жизни не обходится без транспорта общего пользования. Повышение качества перевозок и полное удовлетворение спроса на транспортные услуги были и остаются основными задачами развития пассажирского транспорта общего пользования в городах и агломерациях. Эти задачи невозможно решить без научно обоснованного анализа, моделирования и прогнозирования транспортного спроса, учитывающих пространственное и временное распределение пассажиропотоков. Для этого необходима полная и детальная информация о перемещениях пассажиров транспорта общего пользования и различных особенностях их транспортного поведения.

До недавнего времени для сбора такой информации применялись натурные обследования и анкетирование (достаточно затратные и не всегда обеспечивающие приемлемый уровень точности). Сейчас распространяются подходы, основанные на использовании геоданных о перемещениях транспортных средств (ТС) и пассажиров (навигационные данные, геотрекинг сотовых телефонов и банковских карт и т.п.) и системах автоматизированного сбора данных (нейросетевая обработка видео транспортных потоков, датчики входа и выхода пассажиров и т.п.). Преимущество таких методов - высокая точность, однако здесь требуется дополнительное оборудование и, соответственно, дополнительные затраты.

В то же время использующиеся во многих крупных городах России автоматизированные системы оплаты проезда (АСОП) могут быть использованы как источник данных о пассажиропотоках. Такие данные не требуют дополнительных затрат и плюс к тому более информативны. Большие данные, поступающие от билетных валидаторов, позволяют получать полную информацию о пространственном и временном распределении пассажиропотоков, а именно: матрицу корреспонденции (МК), объемы посадок, высадок и пересадок пассажиров на остановочных пунктах, продолжительность и длину поездок пассажиров, наполненность транспортных средств, объемы перевозок, пассажирооборот, производительность

и другие технико-эксплуатационные показатели. Такая информация может быть использована как на уровне оперативного управления, так и для планирования развития системы транспорта общего пользования.

Таким образом, предлагаемая в настоящем диссертационном исследовании методика определения характеристик пассажиропотоков по данным спутниковой навигации и билетных валидаторов является актуальной.

Степень разработанности темы. Вопросы применения данных спутниковой навигации для оценки параметров транспортных потоков рассматривались в работах A.A. Агафонова, В.Н. Богумила, JI. Ванаякши, Д.В. Капского, Н.О. Ньена, К. Тура, А.Н. Рахмангулова, X. Шаджи, Ф.Э. Шульгина и др.

Неавтоматизированные методы обследования пассажиропотоков рассматривались в работах С.А. Аземши, O.A. Лебедевой, A.B. Лукина, А.И. Макунина,

A.Ю. Михайлова, В.М. Морозова, Н.В. Тарханова, Ю.В. Трофименко, М.Р. Якимова, С.А. Яценко и др.

Автоматизированные методы обследования пассажиропотоков изучены в работах Н.Ю. Алексеева, А. Алсгера, Б. Ассеми, В.Н. Баскова, Д. Барри, И.М. Блян-кинштейна, В.Н. Богумила, А. Бхаскара, Г.Ю. Гергель, К.В. Егорова, М.Х. Дуке Саранго, A.B. Игнатова, Е.И. Исаева, A.M. Ковалева, O.A. Лебедевой, М.А. Муни-зага, Д.Е. Намиота, К. Палма, Ф.С. Поматилова, С.А. Селиверстова, Я.А. Селиверстова, В.Н. Трегубова, М. Трепаниера, А.И. Фадеева, Е. Хусаина, Е. Чанга, М.Р. Якимова и др.

Моделированию транспортных систем и пассажиропотоков посвящены исследования ГЛ. Виллумсена, A.B. Гасникова, Х.Р. Кирби, СЛ. Кленова, A.B. Мартыненко, А.Ю. Михайлова, Е.А. Нурминского, Ж.Д. Ортузара, Ю.А. Попова, Г.А. Тимофеевой, Ю.В. Трофименко, Я.А. Холодова, Г.М. Хаймана, Н.Б. Шамрая, ГЛ. Эванса, М.Р. Якимова и др.

Вопросы применения результатов обследования пассажиропотоков для оценки качества и оптимизации работы городского транспорта общего пользования изучались в работах С.А. Аземши, М.В. Банкета, И.А. Борисова, Я.А. Борщенко,

B.И. Васильева, A.B. Власова, С.С. Войтенкова, М.В. Грязнова, Д. Джао, Р.Н. Ко-

валева, В.М. Курганова, Ю.О. Полтавской, И. Ху, И. Чена, М.Р. Якимова, H.H. Якунина, Н.В. Якуниной и др.

Целью исследования является совершенствование организации мониторинга пассажиропотоков в системе городского транспорта общего пользования на основе обработки больших данных спутниковой навигации и билетных валидато-ров.

Задачи исследования:

1) разработать метод проверки и коррекции диспетчерских данных о распределении билетных валидаторов по транспортным средствам;

2) разработать модель для описания связей между данными спутниковой навигации, билетных валидаторов и пассажиропотоками;

3) усовершенствовать метод оценки моментов прибытия транспортных средств на остановочные пункты по данным спутниковой навигации;

4) выполнить программную реализацию разработанных методов для оценки количественных характеристик и распределений пассажиропотоков, а также спроектировать и создать базу данных для хранения исходных и смоделированных данных.

Объект исследования: пассажиропотоки городского транспорта общего пользования.

Предмет исследования: методы и алгоритмы оценки пространственного и временного распределения пассажиропотоков городского транспорта общего пользования на основе больших данных спутниковой навигации и билетных валидаторов.

Научная новизна исследования заключается в следующем:

1) разработан метод проверки и коррекции диспетчерских данных о распределении билетных валидаторов по транспортным средствам, использующий линейную оптимизацию для сравнения суточных распределений активности работы валидаторов и аппаратуры спутниковой навигации;

2) получена функционально-аналитическая модель данных городского транспорта общего пользования в виде системы зависимостей и отношений, учи-

тывающих зависимости характеристик пассажиропотоков от данных спутниковой навигации и билетных валидаторов;

3) разработан метод оценки моментов прибытия транспортных средств на остановочные пункты, основанный на характеристиках движения транспортного средства, полученных в результате статистического анализа скорости потоков на различных участках автомобильных дорог;

4) создана реляционная база данных на языке SQL и программные модули на языке Python для оценки количественных характеристик и распределений пассажиропотоков на основе данных спутниковой навигации и билетных валидаторов.

Теоретическая и практическая значимость исследования. Теоретическая значимость заключается в разработке и обосновании функционально -аналитической модели данных городского транспорта общего пользования, учитывающей взаимосвязи характеристик пассажиропотоков с данными спутниковой навигационной системы и билетных валидаторов, а также в разработанных методах оценки моментов прибытия транспортных средств на остановочные пункты и определения объемов перемещений неидентифицируемых пассажиров. Практическая значимость заключается в реализации разработанных методов в виде программ на языке Python, которые, в частности, используются в программном продукте ПАТРА-А, представляющем собой систему поддержки принятия решений в сфере контроля и анализа качества транспортного обслуживания.

Методология и методы исследования. Методология настоящего диссертационного исследования основана на системном подходе. Использовались как общенаучные методы (анализ, синтез, индукция, дедукция, аналогия, моделирование, классификация и т.п.), так и специализированные методы теории вероятностей, математической статистики, теории графов, теории алгоритмов алгебры отношений, геоинформационный анализ, анализ и моделирование транспортных потоков, методы восстановления траекторий движения ТС по навигационным данным, анализ больших данных о движении ТС и пассажиров. Также применялись методы обработки больших данных с применением специализированных библиотек языка программирования Python.

Направление исследования. Транспортные и транспортно-технологические системы страны, ее регионов и городов, организация производства на транспорте; транспортные системы регионов и городов, оптимальные виды городского транспорта, включая метрополитен; организация и технологии транспортного производства. Цифровизация на транспорте.

Положения, выносимые на защиту:

1) метод проверки диспетчерских данных о распределении билетных валида-торов по транспортным средствам на основе сравнения их суточной активности;

2) функционально-аналитическая модель данных городского транспорта общего пользования в виде системы логико-алгебраических зависимостей и отношений, связывающих параметры транспортной инфраструктуры, данные спутниковой навигации и билетных валидаторов с характеристиками и распределениями пассажиропотоков;

3) метод оценки моментов прибытия транспортных средств на остановочные пункты на основе расчета выборочных значений скорости движения и продолжительности пребывания на остановочном пункте;

4) реляционная база данных на языке SQL и алгоритмы на языке Python для расчета характеристик и распределений пассажиропотоков по исходным данным спутниковой навигации и билетных валидаторов.

Степень достоверности результатов исследования обеспечивается строгим и обоснованным применением современных научных методов. Выполненные в работе верификация и валидация разработанных методов и моделей показали высокий уровень соответствия между теоретическими и экспериментальными результатами работы. Достоверность полученных в исследовании результатов также подтверждается возможностью их внедрения в деятельность ЦОД Екатеринбурга.

Апробация результатов. Основные положения и промежуточные результаты исследования докладывались и обсуждались на следующих конференциях: Международная научно-практическая конференция «Математические методы решения исследовательских задач» (Екатеринбург, 2020), Всероссийская научно-техническая конференция «Транспорт Урала-2020» (Екатеринбург, 2020), Международная конференция «2021 IEEE Ural Symposium on Biomedical Engineering, Ra-

dioelectronics and Information Technology» (Екатеринбург, 2021), Международная научно-практическая конференция «Железнодорожный транспорт и технологии (RTT-2021)» (Екатеринбург, 2021), Международная конференция 2022 Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT) (Екатеринбург, 2022), Всероссийская научно-практическая конференция «Транспорт: логистика, строительство, эксплуатация, управление (TLC2M) 2023» (Екатеринбург, 2023), Международная конференция «Цифровые технологии транспорта и логистики» (Москва, 2023), Международная научно-практическая конференция «Железнодорожный транспорт и технологии (RTT-2023)» (Екатеринбург, 2023).

Результаты исследования планируются к внедрению в работу МБУ «Центр организации движения» Екатеринбурга.

Структура диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы (158 наименований) и четырех приложений.

ГЛАВА 1. ОСНОВНЫЕ МЕТОДЫ ПОЛУЧЕНИЯ И ИСПОЛЬЗОВАНИЯ ИНФОРМАЦИИ О ПАССАЖИРОПОТОКАХ ГОРОДСКОГО ТРАНСПОРТА ОБЩЕГО ПОЛЬЗОВАНИЯ 1.1 Использование навигационных данных для оценки параметров транспортных и пассажирских потоков

Навигационные системы (системы глобального позиционирования), размещенные на ТС, применяются в различных сферах. Ключевые возможности таких систем - определение положения ТС на местности и передача информации в реальном времени конечному потребителю. Вместе с информацией о геолокации могут передаваться и другие данные от различного оборудования, установленного на ТС (датчики, счетчики, сенсоры, видеокамеры и т.п.). Благодаря системе глобального позиционирования эти данные привязывается к конкретным точкам земной поверхности.

Собранные данные используются в различных информационных системах: от простых трекинговых приложений, устанавливаемых на смартфон конечного пользователя, до многоуровневых программно-аппаратных комплексов, предназначенных для мониторинга, анализа, моделирования и поддержки принятия решений на всех уровнях корпоративного, муниципального и государственного управления.

На уровне транспортного предприятия навигационные данные используются для диспетчерского управления перевозочным процессом, планирования, контроля и оптимизации маршрутов движения. Использование таких данных существенно снижает расходы компаний за счет внедрения строгого учета и отчетности использования автотранспортных средств [34], автоматизации процесса планирования грузоперевозок [42], организации и автоматизации деятельности диспетчерской службы [35, 45]. Для обеспечения безопасности пассажиров и транспортных средств при возникновении внештатных ситуаций навигационные данные очень важны [1]. Кроме того, навигационные данные могут быть использова-

ны при составлении расписания транспорта общего пользования как источник данных о реальных условиях движения ТС, чтобы обеспечить баланс между скоростью движения ТС по маршруту и необходимым уровнем безопасности и качества вождения [152].

На уровне транспортной системы города или региона навигационные данные служат важным источником информации о распределении транспортных потоков и загрузке автомобильных дорог. На основе навигационных данных можно рассчитать все основные параметры дорожного движения (время в пути, скорость транспортного потока, интенсивность движения, задержки на перекрестках и т.п.), которые используются для решения задач транспортного моделирования [82, 83, 93, 135].

Так, в работах В.Н. Богумила [15-18] навигационные данные пассажирского транспорта используются для оценки параметров транспортных потоков на автомобильных дорогах города. Как показал автор, такие данные позволяют для находящихся вне зон влияния остановок участков автомобильных дорог оценить параметры ламинарного транспортного потока. В частности, для отдельных полос таких участков дороги в [15] получены оценки средней скорости, плотности и интенсивности транспортного потока. Близкая по постановке задача рассматривалась в работе Д.В. Капского [40]. Здесь для использования навигационных данных транспортных средств при оценивании параметров транспортных потоков и определении эффективности вариантов организации дорожного движения использована классическая модель Германа - Пригожина [137]. Такой подход позволяет определить нелинейные зависимости между удельным временем в пути на единицу времени и удельным временем задержек на единицу расстояния, используя в качестве исходных данных только удельные показатели продолжительности поездки и простоя ТС. Среди зарубежных специалистов, занимающихся исследованиями по этой тематике, можно указать К. Тура, Н.О. Ньена и 3. Вина [147] (см. также цитируемую там литературу).

Навигационные данные, поступающие в реальном времени, широко используются сервисами информирования пассажиров (это приложения индивидуального использования для смартфона или компьютера, а также электронные информа-

ционные табло на остановочных пунктах (ОП) или в ТС. Примерами таких сервисов для пассажиров являются Яндекс Транспорт, 2ГИС и т.д.).

Подобные сервисы играют важную социальную роль [9, 10]. Они способствуют повышению качества транспортного обслуживания и, как следствие, росту спроса на транспорт общего пользования. Это связано с тем, что не всегда получается обеспечить движение наземного городского транспорта общего пользования строго в соответствии с расписанием (особенно в часы пик). Вследствие этого возникает неопределенность в затратах времени на ожидание ТС, что снижает привлекательность транспорта общего пользования по сравнению с индивидуальным транспортом. А системы информирования, способные прогнозировать время прибытия ТС на ОП, помогают уменьшить эту неопределенность.

Точность прогнозирования затрат времени на движение и моментов прибытия транспорта общего пользования на основе навигационных данных важна не только для пассажира как конечного потребителя транспортных услуг, но и для диспетчера, осуществляющего оперативное управление перевозочным процессом. Поэтому сфера применения методов прогнозирования движения ТС на основе навигационных данных не ограничивается только лишь сервисами информирования пассажиров.

Прикладное значение методов прогнозирования стимулирует большое количество исследований в этом направлении [3, 38, 63, 76, 80, 81, 90, 99, 111, 117, 119, 124, 125, 130, 136, 138, 139, 141, 142, 143, 144, 151, 153, 154, 156, 157, 158]. В частности, этой проблематикой занимались A.A. Акулов, Ванаякши, JI. Гуо, B.C. Ершов, JI. Зоу, А.О. Игумнов, К. Кумар, К.С. Лукин, Д.С. Муравьёв, А.Н. Рахман-гулов, Н. Сингх, A.A. Солнцев, Д.М. Сонькин, Б.С. Субботин, Ф.В. Филиппов, X. Шаджи, Ф.Э. Шульгин и др. Рассмотренные в этих работах задачи прогнозирования могут сильно различаться как по постановке и исходным данным, так и по применяемым методам и точности полученных результатов.

В общей постановке задача прогнозирования момента прибытия ТС на ОП может быть сформулирована следующим образом:

пусть маршрут транспорта общего пользования содержит ОП s1; s2,..., sn, и для ТС, совершающего движение по этому маршруту, известны моменты прибытия

t1,t2,...,tk на ОП s1,s2,... ,sk, где к < п. Для каждого момента времени tt, t2,..., tk задан вектор характеристик X(tj). По этим данным необходимо спрогнозировать моменты прибытия tk+1, tk+2, ••• ,tn на ОП sk+1, sk+2,..., sn.

Вектор X(tj) может содержать как общую информацию о ТС, не изменяющуюся в течение рейса (марка и модель ТС, водитель, погодные условия и т.п.), так и параметры межостановочных перегонов (длина, загруженность, количество светофоров и т.п.) и остановочных пунктов (размер, количество посадок и высадок пассажиров и т.п.).

В большинстве работ, например, [130, 141, 153], в качестве вектора X(tf) использовались исключительно навигационные данные ТС и маршрутов движения: скорость, направление ТС, их координаты и траектории маршрутов транспорта общего пользования. В других работах помимо навигационных данных дополнительно учитывались данные о погодных условиях [139, 158], дорожном трафике [111, 147], времени суток [143], различных задержках на пути следования [63, 136, 143], зашумленности геоданных [140] и стиле вождения водителя ТС [153, 156].

Иногда в качестве прогнозируемой величины рассматривают не моменты прибытия ТС на ОП, а продолжительность движения между ОП, время пребывания на ОП или разницу этих значений с расписанием [138, 151, 157].

Постановка задач и используемые данные (в частности, компоненты вектора X(tj)) зависят от того, для какой страны/города разрабатывается модель, поскольку могут быть существенные различия с точки зрения доступности, точности и возможности автоматизированного сбора данных. Например, в Японии навигационное оборудование, установленное на транспорте общего пользования, должно передавать информацию с частотой один раз в 0,5 секунды [144], в Мьянме -каждые 20 секунд [147], а для России регламентируемая частота передачи данных - один раз в 30 секунд [71]. Может быть сильно затруднен или недоступен автоматизированный сбор данных о водителе, загруженности автомобильных дорог и т.п. В этих случаях для прогнозирования используются только навигационные данные и данные о транспортной инфраструктуре [130]. Кроме того, при исследованиях могут возникать сложности со свободным доступом к исходным навигационным данным. Например, в работе [154] для моделирования используются

данные, содержащие адреса вместо геокоординат, что снижает точность результатов.

В большинстве исследований для прогнозирования моментов прибытия ТС на ОП используются методы машинного обучения, в частности, простые нейронные сети [119, 124, 141, 158] и вейвлет-нейронные сети [124] с улучшенной оптимизацией роя частиц, которая эффективно заменяет использование метода градиентного спуска. Есть примеры применения рекуррентных нейронных сетей глубокого обучения [111, 153], однако их использование ограничено, поскольку градиентная оптимизация может вызывать трудности вследствие вырождения или сингулярности градиента. Примеры использования других методов машинного обучения можно найти в [125, 139, 154]. Для применения подобных методов необходима большая обучающая выборка, содержащая точные моменты прибытия ТС на ОП.

Для прогнозирования движения транспорта общего пользования также применяют марковские цепи [94, 99, 142]. При таком подходе предполагается, что вероятностное распределение скорости движения ТС на участке маршрута зависит только от скорости его движения на предыдущем участке, и переходные вероятности рассчитываются на основании исторических данных о движении.

Наряду с перечисленными подходами используются регрессионные и статистические методы [117, 144], а также прогнозирование на основе шаблонов движения ТС, сформированное по историческим данным. При прогнозировании авторы принимают во внимание циклические изменения и используют модель двух-сезонного экспоненциального сглаживания Холта - Винтерса, которая позволяет учитывать долгосрочные и краткосрочные сезонные колебания данных [38].

Поскольку у каждого из используемых методов есть определенные преимущества и недостатки, то в некоторых исследованиях делаются попытки комбинировать разные методы. Например, используют методы прогнозирования, основанные на адаптивной композиции элементарных алгоритмов прогнозирования [136] (под адаптивностью подразумевают зависимость параметров конструируемой композиции от ряда управляющих параметров модели - погоду, пробки, динамику движения и т.п.). Аналогично, в работе [138] авторы рассматривают различные

методы прогнозирования и анализируют возможности их совместного использования для более эффективного обучения моделей.

С задачей прогнозирования моментов прибытия ТС на ОП тесно связана задача определения моментов прибытия ТС на ОП по навигационным данным, которую можно сформулировать следующим образом: для известной последовательности навигационных данных (координаты, момент времени, скорость, направление движения)

(х1> Уг> ^1)' (х2> У2> ^2)' ■ ■ ■ > (хп> Уп> Уп. ^п)> передаваемых навигационной аппаратурой движущегося ТС, необходимо определить моменты прибытия ТС на ОП, которые происходили в процессе этого движения, т.е. в течение промежутка времени £п]. Связь между этими задачами двоякая: с одной стороны, задачи очень похожи по постановке (но не по содержанию), а с другой, решение второй задачи необходимо для постановки первой. Для краткости будем их называть задача прогнозирования и задача определения соответственно.

Если навигационные данные передаются с высокой частотой (например, один раз в 0,5 секунды [144]) и без сбоев, то задача определения для постановки задачи прогнозирования фактически не возникает, поскольку в этом случае с точностью до нескольких секунд в качестве момента прибытия ТС на ОП можно использовать момент первой передачи навигационного сигнала из зоны ОП, причем радиус зоны можно взять равным 10-20 м (здесь и далее под зоной ОП понимается участок автомобильных дорог, координаты точек которого отличаются от координат центра посадочной площадки ОП не более чем на заданную величину г -радиус зоны ОП). Для решения задачи прогнозирования такая точность более чем достаточна как для пассажира, так и для диспетчера, поскольку на маршруте продолжительностью в десятки минут вполне допустима погрешность даже в несколько минут, а тем более не вызовут каких-либо сложностей погрешности нескольких секунд или десятков секунд. По этой же причине в ситуации, когда навигационные данные передаются с интервалом в 30 секунд (но без сбоев), можно увеличить используемый радиус зоны ОП и брать в качестве момента прибытия момент первой передачи навигационных данных из зоны ОП.

Намного более высокая точность определения моментов прибытия ТС на ОП нужна при оценке пассажиропотоков на основе данных спутниковой навигации и билетных валидаторов для определения момента и ОП посадки пассажира в ТС по моменту его оплаты через билетный валидатор. Для этого могут применяться разные методы (подробнее см. в следующем разделе), но в любом из них используется сравнение момента оплаты пассажиром с моментами прибытия ТС на ОП, которое обладает высокой чувствительностью результата к погрешности определения момента прибытия ТС на ОП. Например, если ТС фактически прибыло на ОП в момент а по навигационным данным этот момент был определен равным / + т (т.е. с погрешностью т), то для всех пассажиров, которые сели в ТС на данном ОП и оплатили проезд в промежутке ? + т], в качестве ОП посадки будет ошибочно определен один из ОП, предшествующих данному и, соответственно, момент посадки для этих пассажиров также определяется с большой ошибкой.

Эти соображения о необходимости как можно более точного решения задачи вычисления моментов прибытия ТС для установления момента посадки пассажира не во всех случаях актуальны. Это связано с тем, что моменты и ОП посадки пассажиров могут быть получены другим образом. Например, билетный валидатор может быть интегрирован с навигационной системой, и данные о каждой оплате будут содержать координаты, по которым момент и ОП посадки определить гораздо проще, чем только лишь по моменту времени оплаты. Подобная возможность появляется в случае использования встроенных валидаторов: в этом случае момент оплаты за проезд и является моментом посадки пассажиров. Практически во всех зарубежных исследованиях, посвященных применению билетных валидаторов для оценки пассажиропотоков, используются именно такие данные, и задача об определении моментов прибытия ТС на ОП фактически не стоит. В недавней обзорной работе [123] особенно подчеркивается, что моменты и ОП посадки пассажиров либо уже содержатся в исходных данных, либо могут быть определены на основе координат точки оплаты за проезд.

Список литературы диссертационного исследования кандидат наук Сайфутдинов Денис Жавдатович, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Автоматизированная система диспетчерского управления и обеспечения безопасного функционирования пассажирского транспорта г. Казани: офиц. сайт. URL: http://oppkazan.ru/asu-t/ (дата обращения: 20.04.2024).

2. Автоматизированная система анализа пассажиропотоков на общественном транспорте: офиц. сайт «ТранснавиСофт». URL: http://www.trnsof-t.ru/navitrans-passazhiropotoki/ (дата обращения: 20.04.2024).

3. Агафонов, А. А. Алгоритм оценки времени отправления общественного транспорта с использованием стратегий управления движением // IV Междуна-родн. конф. и молодёжная школа «Информационные технологии и нанотехноло-гии». Самара, 24-27.04.2018. - Самара: Изд-во Самарский национальный исследовательский университет имени академика С.П. Королева. - 2018. - С. 1214-1220.

4. Агафонов, A.A. Прогнозирование параметров движения городского пассажирского транспорта по данным спутникового мониторинга / A.A. Агафонов, A.B. Сергеев, A.B. Чернов // Компьютерная оптика. - 2012. - № 3. - С. 453-458.

5. Аземша, С.А. Разработка предложений по анкетированию пассажиров городского пассажирского транспорта регулярного сообщения / С.А. Аземша, В.М. Морозов // Вестник СибАДИ. - 2022. - №3 (85). - С. 344-357.

6. Алексеев, Н.Ю. Выборочное обследование пассажиропотока методом анализа wi-fi данных в московском транспортном узл ; Часть 1 // Мир транспорта. -2022.-№20(3).-С. 75-82.

7. Американская навигационная спутниковая система GPS. История и развитие проекта. URL: https://tass.ru/info/9928945 (дата обращения: 14.08.2023).

8. Андреев, К.П. Совершенствование транспортного обслуживания населения // ТДР. - 2017. - №3. - С. 7-9.

9. Андрианов В. Ю. Применение геоинформационных систем на транспорте // Информационные системы. - 2008. - № 4. - С. 42-45.

10. Андрианов, В. Ю. Геоинформационные системы для транспорта и коммуникаций // T-Comm - телекоммуникации и транспорт. - 2010. - С. 44-47.

11. Басков, В.Н. К вопросу об использованиии автоматизированной системы оплаты проезда / В.Н. Басков, A.B. Игнатов, Е.И. Исаев // 4-я Международн. научн.-практ. конф. «Информационные технологии и инновации на транспорта», Орел, 15-16 мая 2018 г. - Орел : «Изд-во Орловский государственный университет имени И.С. Тургенева». 2018. - С. 3-7.

12. Бебишев, М. А. Модифицированный венгерский метод / М. А. Бебишев, О. В. Корчевская, А. С. Борисов, Р. С. Акинфеев [и др.] // Хвойные бореальной зоны. - 2012. - № 5 (6). - С. 97-102.

13. Белов, П. Инновационные способы оплаты проезда внедрят на автотранспорте. URL: https://www.rzd-partner.ru/auto/comments/innovatsionnye-sposoby-oplaty-proezda-vnedryat-na-avtotransporte/ (дата обращения: 13.08.2023).

14. Блянкинштейн, И.М Обоснование целесообразности изучения транспортной подвижности населения на основе мониторинга абонентов мобильной связи / И.М. Блянкинштейн, А.И. Фадеев, A.B. Фёдоров, Н.В. Шадрин [и др.] // Техника и технологии. - 2015. - №2. - С. 254-262.

15. Богумил, В. Н. Оценка основных параметров транспортных потоков на улично-дорожной сети города на основе обработки навигационных данных городского пассажирского транспорта : дис. ... канд. техн. наук: 05.22.01 / Богумил Вениамин Николаевич ; Московский автомобильно-дорожный государственный технический университет. - Москва, 2011. - 212 с.

16. Богумил, В. Н. Совершенствование управления городским пассажирским транспортом на основе создания АСУ перевозочным процессом / В. Н. Богумил, Г. А. Гуревич // Автотранспортное предприятие. - 2003. - №2. - С. 20-21.

17. Богумил, В. Н. Применение интеллектуальных телематических систем для оперативной оценки технического состояния автотранспортных средств / В. Н. Богумил, В. М. Власов, С. В. Жанказиев, А. Б. Смирнов // Автотранспортное предприятие. - 2007. - №9. - С. 50-53.

18. Богумил, В. Н. Оценка основных параметров транспортных потоков на основе использования навигационных данных транспортных средств городского

пассажирского транспорта / В. Н. Богумил, Д. Б. Ефименко // Автотранспортное предприятие. - 2009. - №11. - С. 17-21.

19. Богумил, В.Н. Телематика на городском пассажирском транспорте: монография / В.Н. Богумил, М.Х. Дуке Саранго. - М. : ИНФРА-М, 2023. - 200 с.

20. Борисов, H.A. Безопасность перевозок общественным транспортом: проблемы и пути решения / H.A. Борисов, И.Г. Ильющенко // Экономическая безопасность России: проблемы и перспективы. Нижний Новгород, 31 мая 2018 г. -Нижний Новгород : Изд-во «Нижегородский государственный технический университет им. P.E. Алексеева». - 2018. - С. 24-27.

21. Борщенко, Я.А. Анализ основных подходов и разработка рекомендаций по определению потребного количества пассажирских транспортных средств на маршруте / Я.А. Борщенко, И.П. Димова // Вестник Курганского государственного университета. - 2012. -№2 (24). - С. 48-51.

22. Борщенко, Я. А. Практическая методика оптимизации количества пассажирских транспортных средств на городских маршрутах / Я. А. Борщенко, И. П. Димова, В. И. Васильев // Современные научные исследования и инновации. -2012.-№3(11).-С. 14.

23. Бровцын, О. В. Оценка объёма пассажиропотока в общественном транспорте // Всероссийская молодёжная научно-практическая конференция «Путь в науку: прикладная математика, информатика и информационные технологии». Ярославль, 19-23 апреля 2021 г. -Ярославль: Изд-во «Ярославский государственный университет им. П.Г. Демидова». - 2021. - С. 87-90.

24. Бур дина, Е. В Исследование инновационных систем оплаты проезда на общественном транспорте / Е. В. Бур дина, А. С. Лебедева // Вестник СибАДИ. -2016.-5(61).-С. 54-61.

25. Бурлуцкий, А. А. Анализ опыта формирования оптимальных маршрутных схем городского пассажирского транспорта // Вестник ТГАСУ. - 2013. - №2 (39). -С. 371-380.

26. Валидатор в автобус, метро, трамвай - онлайн-касса и считыватель банковских и транспортных карт для бескондукторной системы оплаты проезда: как

выбрать и купить. URL: https://termt.ru/news/validator-v-avtobus-metro-tramvaj-kak-vybrat-i-kupit (дата обращения: 13.08.2023).

27. Васильев, В. И. Оптимизация пассажирских транспортных средств на городских маршрутах / В. И. Васильев, Я. А. Борщенко, И. П. Димова // Транспорт Урала. - 2012. - № 2(33). - С. 94-97.

28. Войтенков, С. С. Определение пешеходной доступности остановочных пунктов городского пассажирского транспорта / С. С. Войтенков, М. В. Банкет // Вестник СибАДИ. - 2022. - Т.1. -№ (2). - С. 198-215.

29. Гасников, А. В. Введение в математическое моделирование транспортных потоков / под ред. А. В. Гасникова, с приложениями М. JI. Бланка, К. В. Воронцова и Ю. В. Чеховича, Е. В. Гасниковой, А. А. Замятина и В. А. Малышева, А. В. Колесникова, Ю. Е. Нестерова и С. В.Шпирко, А. М. Райгородского, с предисловием руководителя Департамента транспорта г. Москвы М. С. Ликсутова. - М. МЦНМО. - 2-е изд. - 2013. - 427 с.

30. Глобальные системы спутниковой навигации. URL: https://ormicommsystems.ru/about/blog/globalnye-sistemy-sputnikovoy-navigatsii/ (дата обращения: 15.08.2023).

31. ГЛОНАСС - российская система спутниковой навигации. URL: https://resurscontrol.com/blog/glonass-sistema-sputnikovoj-navigaczii/ (дата обращения: 15.08.2023).

32. ГОСТ 33472-2015. Аппаратура спутниковой навигации для оснащения колесных транспортных средств категорий М и N. - М. : ФГУП «Стандартин-форм». -2017. - С. 70.

33. Дружинина Н.Г. Оценка распределения межрайонного пассажиропотока городского электротранспорта / Н.Г. Дружинина, О.Г. Трофимова, С.П. Трофимов // Программные продукты и системы. - 2015. - 2 (110). - С. 145-150.

34. Ермаков, А. Результаты внедрения системы мониторинга на общественном транспорте. URL:

https://rosacademtrans.ru/resiltati_monitoring/7ysclid4vryed4nls440333007. (дата обращения: 16.08.2023).

35. Жамолдинов, С. X. Результаты внедрения современных информационных продуктов в сфере пассажирского транспорта / С. X. Жамолдинов, Э. Кулдашев, Б. А. Буронов. URL: https://7universum.com/ru/tech/archive/ item/5543, (дата обращения: 20.08.2023)

36. Закиуллина, Е. А. Интегральная оценка уровня затрат времени на передвижения пассажиров, пользующихся услугами общественного транспорта // Экономические науки. - 2009. - № 57. - С. 193-197.

37. Иванова, A.C. Калибровка параметров модели расчета матрицы корреспонденции для г. Москвы / A.C. Иванова, С.С. Омельченко, Е.В. Котлярова, В.В. Матюхин // Компьютерные исследования и моделирование. - 2020. - С. 961-978.

38. Игумнов, А. О. Разработка методики построения прогноза времени прибытия с использованием статистических и фактических данных о движении транспортных средств по принципу подбора шаблонов / А. О. Игумнов, Д.М. Сонькин. URL: https://naukovedenie.ru/PDF/34TVN316.pdf. (дата обращения: 21.08.2023).

39. Казаков, Н. А. Оценка территориальных различий в пересадочности пассажирских перевозок (на примере г. Чебоксары Чувашской Республики) / Казаков Н. А., Романова Е. П. // Вестник Удмуртского университета. Серия «Биология. Науки о Земле». - 2017. - №4. - С. 529-537.

40. Капский, Д. В. Оценка эффективности движения транспортных потоков на основе обработки навигационных данных о движении транспортных средств / Д. В. Капский, В. В. Касьяник, А. В. Евтух, О. А. Капцевич // Наука и техника. -2017. - № 16(5). - С. 444-454.

41. Ковалев, A.M. Тестирование системы аппаратного учета пассажиропотока в реальных условиях городского маршрута / A.M. Ковалев, К.В. Егоров, P.P. Санжапов, Е.Г. Прыткова // Технико-технологические проблемы сервиса. - 2021. -№4(58).-С. 12-18.

42. Косяков, С. В. Оптимальное планирование грузоперевозок на базе ГИС-технологий / C.B. Косяков, А.Б. Гадалов, К.А. Жидовинов // Вестник Ивановского государственного энергетического университета. - 2010. -№ 4. - С. 1-6.

43. Курганов, В.М. Критерий оценки удобства расписания движения городского транспорта для пассажиров / В.М. Курганов, М.В. Грязнов, C.B. Сысоева // Автомобильные перевозки и транспортная логистика: теория и практика. - 2020. -С. 66-73.

44. Курганов, В.М. Надежность и снижение затрат на перевозки пассажиров в городах с градообразующими предприятиями / В.М. Курганов, М.В. Грязнов, К.А. Давыдов // Вестник СибАДИ. - 2020. - № 17(1). - С. 98-109.

45. Ладович, А. С. Автоматизированные системы диспетчерского управления на транспорте // Человек. Знак. Техника: I междисциплинар. молодеж. форум с междунар. участием : [сб. ст.] / Самар. Федер. исслед. центр Рос. акад. наук, Са-мар. нац. исслед. ун-т им. С. П. Королева; гл. ред. Н. А. Развейкина. - Самара : Изд-во СамНЦ РАН, 2021. - С. 146-153.

46. Лебедева, O.A. Совершенствование методов мониторинга пассажиропотоков на маршрутах городского пассажирского транспорта общего пользования : дис. ... канд. техн. наук: 05.22.10 / Лебедева Ольга Анатольевна; Иркутский государственный университет. - Иркутск, 2014. - 171 с.

47. Лебедева, O.A. Основные показатели оценки точности измерений пассажиропотока с применением детекторов входа-выхода / O.A. Лебедева, А. Ю. Михайлов // Вестник ИрГТУ. - 2012. - № 8 (67). - С. 115-118.

48. Лебедева, O.A. Математические модели оценки матрицы корреспонденции на основе данных детектора «вход-выход» подвижного состава городского пассажирского транспорта // Вестник ИрГТУ - 2012. -№ 2 (61). - С. 66-68.

49. Лебедева, О. А. Классификация моделей, применяемая к грузовым системам / О. А. Лебедева, А. Ю. Михайлов // Сборник научных трудов Ангарского государственного технического университета. - 2016. - Т. 1, № 1. - С. 248-251.

50. Лебедева, О. А. Обзор существующих моделей восстановления грузовых матриц корреспонденций / О. А. Лебедева, А. Ю. Михайлов / Сб. научн. трудов Ангарского государственного технического университета. - 2016. - Т. 1,- № 1. -С. 252-255.

51. Лелякова, Л. В. Прикладные задачи о назначениях (модели, алгоритмы решения) / Л. В. Лелякова, А. Г. Харитонова, Г. Д.Чернышова // Вестник ВГ. - Серия : Системный анализ и информационные технологии. - 2017. - № 2. - С. 22-27.

52. Лукина, A.B. Влияние потребительского опыта на оценку воспринимаемой транспортной доступности в мегаполисе / A.B. Лукина, Г. С. Тимохина, Т.В. Муртузалиева, C.B. Мхитарян [и др.] // МИР (Модернизация. Инновации. Развитие). - 2023. - Т. 14, № 3. - С. 484-499.

53. Луконькина, К.А. Анализ качества пассажирских автомобильных перевозок по показателю безопасности / К.А. Луконькина, В.В. Епифанов // Вестник Ульяновского государственного технического университета. - 2016. - № 3. - С. 62-65.

54. Макарова, Е. Современные системы оплаты проезда на транспорте и новые средства платежа. URL:

https://plusworld.ru/journal/section_1712/section_l 89155/artl 89137/ (дата обращения: 10.08.2023).

55. Макунина, А.И. Сравнительная характеристика методов обследования пассажиропотоков на городском пассажирском транспорте // Актуальные вопросы экономических наук. - 2009. -№5-5. - С. 139-144.

56. Малышева, Е. В. Анализ комфортности транспортной системы города Самары // Градостроительство и архитектура. - 2020. - Том 10. - № 4(41). - С. 157-164.

57. Мартыненко, А. В. Моделирование пространственного распределения междугородных автомобильных поездок на основе данных сервисов карпулинга / А. В. Мартыненко, Е. Г. Филиппова // Транспорт Урала. - 2021. - № 3(70). - С. 33-38.

58. Матушкин, A.C. Коррекция навигационных данных транспортного средства / A.C. Матушкин, Д.Г. Неволин // Инновационный транспорт. - 2015. - № 2. -С. 22-27.

59. Медведева, О. А. Задача о назначениях с возможностью обучения // Вестник Санкт-Петербургского университета. - 2013. - № 1. - С. 85-94.

60. Методические рекомендации по разработке Документа планирования регулярных перевозок пассажиров и багажа по муниципальным и межмуниципальным маршрутам автомобильным транспортом и городским наземным электрическим транспортом. - Москва : Минтранс РФ, 2020. - С. 59.

61. Михайлов, А.Ю., Тарханова Н.В., Яценко С.А. Методические рекомендации по проведению обследования транспортной подвижности льготных категорий населения анкетным методом // Вестник ИрГТУ. - 2013. - №12 (83). - С. 190-193.

62. Мочалин, С.М. Формирование расчётных показателей для оценки результативности функционирования системы городского общественного пассажирского транспорта / С.М. Мочалин, М.Е. Каспер // Вестник СибАДИ. - 2017. - №6 (58). - С. 37-47.

63. Мухитдинов, А. А. Метод временного моделирования автобусного поезда по маршруту / А. А. Мухитдинов, К. Кутлимуратов, Б. Сираджев // Транспорт шелкового пути. - 2019. -№3-4. - С. 15-25.

64. Перечень межгосударственных и национальных стандартов в области использования технологий ГЛОНАСС и смежных областях. URL: https://glonassunion.ru/regulatory-control/technical (дата обращения: 28.08.2023).

65. Петрова, Д. В. Современные подходы к организации мониторинга пассажиропотоков общественного транспорта городских агломераций // International Journal of Open Information Technologies. - 2020. - № 1. - C. 47-56.

66. Полтавская, Ю.О. Методика оценки качества обслуживания пассажиров в сфере общественного транспорта / Сб. научн. трудов Ангарского государственного технического университета. -2019.-Т. 1. - № 16. - С. 184-187.

67. Поматилов, Ф.С. Об анализе пассажиропотоков Московского метрополитена / Ф.С. Поматилов, Д. Е. Намиот // Современные информационные технологии и ИТ-образование. - 2019. - №2. - С. 375-385.

68. Постановление Правительства РФ от 25.08.2008 № 641 (ред. от 12.11.2016) «Об оснащении транспортных, технических средств и систем аппаратурой спутниковой навигации ГЛОНАСС или ГЛОНАСС/GPS» // Собрание законодательства РФ. - 25.08.2008.

69. Приказ Министерства транспорта РФ от 7 октября 2020 г. № 413 «Об утверждении видов автомобильных транспортных средств, используемых для перевозки пассажиров, опасных грузов, транспортирования твердых коммунальных отходов, подлежащих оснащению аппаратурой спутниковой навигации ГЛО-НАСС или ГЛОНАСС/GPS» // Собрание законодательства РФ. - 07.10.2020.

70. Принципы навигации. URL: https://glonass-iac.ru/guide/navfaq.php (дата обращения: 15.08.2023).

71. Распоряжение Минтранса России от 28.12.2016 № HA-197-p «Об утверждении Примерной программы регулярных транспортных и транспортно-социологических обследований функционирования транспортной инфраструктуры поселений, городских округов в Российской Федерации». - М. : Минтранс РФ. -2016.

72. Распоряжение Министерства транспорта Российской Федерации от 31 января 2017 г. № HA-19-p «Об утверждении социального стандарта транспортного обслуживания населения при осуществлении перевозок пассажиров и багажа автомобильным транспортом и городским наземным электрическим транспортом» -М. : Минтранс РФ. -2017.

73. Решение Комиссии Таможенного союза от 09.12.2011 № 877 (ред. от 21.04.2023) «О принятии технического регламента Таможенного союза «О безопасности колесных транспортных средств» (вместе с «TP ТС 018/2011. Технический регламент Таможенного союза. О безопасности колесных транспортных средств») (с изм. и доп., вступ. в силу с 20.05.2023) // Совет Евразийской таможенной комиссии. - 2011.

74. Устойчивое развитие региона: Ростелеком разработает систему анализа перемещения населения для правительства Свердловской области. URL: https://www.rst-com.ru/news/2023/06/13/61028/ (дата обращения 20.03.2024).

75. Рязанова, А. В. Автоматизированные системы оплаты проезда на городском пассажирском транспорте : монография / А. В. Рязанова ; науч. ред. П. П. Володькин. - Хабаровск : Изд-во Тихоокеан. гос. ун-та, 2018. - 92 с.

76. Сайфутдинов, Д. Ж. Геолокационная система наблюдения и анализа передвижения транспортных средств в реальном времени // Программная инженерия. - 2017. - № 11. - С. 524-528.

77. Сайфутдинов, Д.Ж., Мартыненко, A.B. Определение траекторий валида-торов общественного транспорта на основе данных геотрекеров подвижного состава // Транспорт: логистика, строительство, эксплуатация, управление : сб. тр. Международн. научн.-практ. конф. - Екатеринбург, 2023. - С. 231-233.

78. Сайфутдинов, Д.Ж., Мартыненко, A.B. Проверка диспетчерских данных о распределении платежных валидаторов по транспортным средствам // Вестник МАДИ. - 2024. - № 2 (77). - С. 48-59.

79. Сайфутдинов, Д. Ж. Адекватность гравитационной модели для железнодорожных пассажиропотоков / А. В. Мартыненко, Д. Ж. Сайфутдинов // Мир транспорта. - 2023. - Т. 21, № 1(104). - С. 75-86.

80. Сайфутдинов, Д.Ж. Проблема тарификации в общественном транспорте на примере города Екатеринбург // Тенденции развития науки и образования. -2020. -№60-4. С. 40-43.

81. Saifutdinov D. Results Of The Analysis Of Passenger Traffic In Various Types Of Tariff Structures // 2021 IEEE Ural Symposium on Biomedical Engineering, Radioe-lectronics and Information Technology, USBEREIT 2021. - 2021. - C. 334-336.

82. Сайфутдинов, Д.Ж. Влияние переноса южного автовокзала Екатеринбурга на изменение существующего пассажиропотока // Вестник УрГУПС. - 2021. -№4(52).-С. 103-110.

83. Сайфутдинов, Д.Ж. Оценка по навигационным данным моментов прибытия городского общественного транспорта на остановочные пункты / A.B. Мартыненко, Д.Ж. Сайфутдинов // Вестник УрГУПС. - 2024. - № 1 (61). - С. 21-33.

84. Сайфутдинов Д.Ж. Информационная система мониторинга пассажиропотоков городского общественного транспорта на основе данных билетных валидаторов / A.B. Мартыненко, Д.Ж. Сайфутдинов // Транспорт Урала. - 2024. - № 3 (82). - С. 49-58.

85. Селиверстов, Я.А. Развитие интеллектуальных транспортных систем на основе мобильных технологий и процедур анализа социальной активности город-

ского населения / Я.А. Селиверстов, Г.Ю. Гертель, С.А. Селиверстов, К.В. Никитин // Информатика, телекоммуникации и управление. - 2018. - №1. - С. 47-64.

86. Скорик, A.M. Исследование уровня качества транспортного обслуживания пассажиров посредством метода опроса / A.M. Скорик, H.A. Селезнева // Актуальные вопросы экономики и управления: теоретические и прикладные аспекты : М-лы VII Международн. научн.-практ. конф., Горловка, 25 марта 2022. - Донецк : Донецкий национальный технический университет. - С. 296-304.

87. Солдатов, С. Автоматизированные системы контроля проезда на городском транспорте. URL: https://www.cta.ru/articles/otrasli/gorodskoy-transport/124438/ (дата обращения: 12.08.2023).

88. Спирин, И. В. Определение затрат времени пассажиров на поездки в городах // Мир транспорта. - 2020. - Т. 18, № 3(88). - С. 28-43.

89. Сухонос, М. К., Стаматин, А. В. Обзор мировых безналичных систем оплаты проезда в общественном транспорте // Бизнесинформ. - 2019. - №5. - С. 129-135.

90. Тарифы Е-карты. URL: http://www.ekarta-ek.ru/obshchie-razdely/tarify (дата обращения: 15.08.2023).

91. Тимофеева, Г. А. Применение синтетической гравитационной модели с показательно-степенной функцией тяготения для расчета расщепления пассажиропотока по разным видам общественного транспорта / Г. А. Тимофеева, О. Н. Ие // Транспорт Урала. - 2020. - № 4(67). - С. 3-9.

92. Трегубов, В.Н. Использование информации сотовых операторов в городских транспортных исследованиях // Инновационные транспортные системы и технологии. - 2020. - № 2. - С. 20-33.

93. Трофименко, Ю. В. Транспортное планирование: формирование эффективных транспортных систем крупных городов : монография / Ю. В. Трофименко, М. Р. Якимов - Пермь : Агентство «Радар». - 2-е изд. - 2022. - 536 с.

94. Тьянь, Ю. Алгоритм прогнозирования моментов времени прибытия городских пассажирских автобусов на основе Марковских цепей / Ю. Тьянь, А. Н. Рахмангулов, Д. С. Муравьёв, С. Ван // Современные проблемы транспортного комплекса России. - 2018. - Т. 8. - № 2. - С. 29-37.

95. Фадеев, А.И. Обследование пассажирских потоков путем анализа валида-ций электронных проездных билетов / А.И. Фадеев, С. Алхуссейни // Вестник Си-6АДИ. -2021. - Т. 18. -№ 1(77). - С. 52-71.

96. Фадеев, А.И. Методология проектирования перевозок и управления наземным пассажирским транспортом общего пользования : дисс. ... д-рна техн. наук: 05.22.10 / Фадеев Александр Иванович ; Иркутский национальный исследовательский технический университет. - Иркутск, 2021. - 434 с.

97. Фадеев, А. И., Алхуссейни, С. Методика определения корреспонденций пассажиров общественным транспортом из операций валидаций электронных проездных билетов // Вестник СибАДИ. - 2022. - Т. 19. - № 3 (85). - С. 370-397.

98. Филиппова, Р. В. Экономическая оценка издержек, связанных со временем транспортных передвижений городского населения : дисс. ... канд. экон. наук: 08.00.05 / Филиппова Римма Владимировна ; Государственный университет управления. - Москва, 2020. - 186 с.

99. Филиппов, Ф. В. Применение цепей Маркова для оптимизации движения общественного транспорта / Ф. В. Филиппов, Ф. Э. Шульгин // Всероссийская научно-техническая и научнометодическая конференция магистрантов и их руководителей : Сборник лучших докладов : в 2 т. Т. 1 / Сост. Н. Н. Иванов. - Санкт-Петербург : Изд-во СПбГУТ. - 2023. - С. 396-400.

100. Чигирь, И.А. Современные технологии оплаты проезда на общественном транспорте и критерии их выбора при реализации проекта транспортной реформы. URL: https://t-forum.ru/volgograd-202 l/prezentaczii/sovremennye-tehnologii-oplaty-proezda-na-obshhestvennom-transporte-i-kriterii-ih-vybora-pri-realizaczii-proekta-transportnoj-reformy/ (дата обращения: 14.08.2023).

101. Чумаченко, И.В. Оценка качества перевозки пассажиров городским транспортом при различном количестве транспортных средств, работающих на маршруте / И.В. Чумаченко, Ю.А. Давидич, A.C. Галкин, Н.В. Давидич // Наука и техника. -2017. -№16(5). - С. 415-421.

102. Шавыраа, Ч.Д. Результаты обследований пассажиропотоков в городе Кызыле Республики Тыва // Вестник СибАДИ. - 2018. - №5 (63). - С. 718-724.

103. Электронная оплата проезда на общественном транспорте. URL: https://t-project.ru/electronic_fare_payment (дата обращения: 10.08.2023).

104. Якимов, М. Р., Попов, Ю. А. Транспортное планирование: практические рекомендации по созданию транспортных моделей городов в программном комплексе PTV Vision@ VISUM : монография. - М. : Проспект. - 2-е изд., перераб. и доп. - 2022. - 176 с.

105. Якимов М.Р. Интернет-технологии сбора данных о дорожном движении и пешеходах // Исследования и разработки в области новых ИТ и их приложений. -2018.-№4.-С. 881-887.

106. Якунина, Н.В. Методика определения структуры подвижного состава городского пассажирского автомобильного транспорта на базе укрупненных показателей транспортной подвижности / Н.В. Якунина, H.H. Якунин // Вестник ИрГТУ. -2011. -№4 (51). - С. 96-99.

107. Якунина, Н.В. Совершенствование методологии определения структуры подвижного состава городского пассажирского автомобильного транспорта // Вестник ОГУ. - 2011. -№10 (129). - С. 13-19.

108. Якунин, H.H. Моделирование экономической мотивации качественных перевозок пассажиров автомобильным транспортом по городским регулярным маршрутам / Н. Н. Якунин, А. А. Шмарин, А. П. Шмарин // Проблемы современной экономики. - 2017. - № 2(62). - С. 198-201.

109. Якунин, H.H. Анализ положений Федерального закона Российской Федерации от 13.07.2015 г. № 220 с позиции методологии повышения качества перевозок пассажиров автомобильным транспортом / Н. Н. Якунин, Н. В. Якунина, А. В. Спирин // Интеллект. Инновации. Инвестиции. - 2016. - № 2. - С. 128-132.

110. Яценко, С. А. Маркетинговые исследования спроса на рынке пассажирских транспортных услуг в г. Иркутске / С. А. Яценко, С. В. Колганов // Вестник ИрГТУ. - 2012. -№5 (64). - С. 122-128.

111. Agafonov, A. A. Bus Arrival Time Prediction Using Recurrent Neural Network with LSTM Architecture / A. A. Agafonov, A. S. Yumaganov // Optical Memory and Neural Networks. - Vol. 28. - № 3. - 2019. - Pp. 222-230.

112. Alsger A. Validating and improving public transport origin-destination estimation algorithm using smart card fare data / A. Alsger, B. Assemi, M. Mesbah, L .Ferreira // Transportation Research Part C: Emerging Technologies. - 2016. - № 68. -Pp. 490-506.

113. Alsger, A. Use of smart card fare data to estimate public transport origin-destination matrix / A. Alsger, M. Mesbah, L. Ferreira, H. Safi // Transportation Research Record: Journal of the Transportation Research Board. - 2015. - Pp. 88-96.

114. Assemi, B. Improving alighting stop inference accuracy in the trip chaining method using neural networks / B. Assemi, A. Alsger, M. Moghaddam, M. Hickman [at all.] // Public Transport. - 2020. - № 12. - Pp. 89-121.

115. Barry, J. Origin and Destination Estimation in New York City with Automated Fare System Data / J. Barry, R. Newhouser, A. Rahbee, S. Sayeda // Transportation Research Record: Journal of the Transportation Research Board. - 2002. - № 1817. -Pp. 183-187.

116. Bieler, M. Survey of Automated Fare Collection Solutions in Public Transportation / M. Bieler, A. Skretting, P. Budinger, T.-M. Gronli // IEEE transactions on intelligent transportation systems. - 2022. - № 23(9). - Pp. 1-19.

117. Dihua, S. Predicting Bus Arrival Time on the Basisof Global Positioning System Data / S. Dihua, L. Hong, F. Liping, L. Weining [at all.] // Transportation Research Record: Journal of the Transportation Research Board. - 2007. - №2034.

118. Evans, A.W. Some properties of trip distribution methods // Transportation Research. - 1970. - № 4. - Pp. 19-36.

119. Fan, J. Bus Transit Time Prediction using GPS Data with Artificial Neural Networks // Machine Learning Department Research. - 2017. - № 17. - Pp. 1-27.

120. Guojun, C. Influence of Mobile Payment on Bus Boarding Service Time / C. Guojun, C. Weilun, Z. Shuyang, Z. Dong [at all.]. URL: https://www.hindawi.com/journals/jat/2020/9635853/ (дата обращения: 14.08.2023).

121. Ни, X. Comprehensive service quality evaluation of public transit based on extension cloud model / X. Ни, X. Chen, J. Zhao, K. Yu [at all.] // Archives of Transport. - 2022. - № 61(1). - Pp. 103-115.

122. Huang, D. A Method for Bus OD Matrix Estimation Using Multisource Data / D. Huang, J. Yu, S. Shen, Z. Li [at all.] // Journal of Advanced Transportation. - 2020. -Vol 2020.-Pp. 1-13.

123. Hussaina, E. Chung Transit OD matrix estimation using smartcard data: Recent developments and future research challenges / E. Hussaina, A. Bhaskara // Transportation Research Part C Emerging Technologies. - 2021. № 125. - Pp. 1-39.

124. Iovino, L. Unavailable Transit Feed Specification: Making It Available With Recurrent Neural Networks / L. Iovino, M. Flammini, P.T. Nguyen, A.D. Salle [at all.] // IEEE Transactions on Intelligent Transportation Systems. - 2021. - Vol.22, № 4. -Pp. 2111-2122.

125. Jalaney, J. Accurate Bus Arrival Time from Linear and Non-Linear Route Parameters Using Hybrid Predictors / J. Jalaney, R.S Ganesh // 2nd International Conference on Smart Electronics and Communication. - Trichy: IEEE. - 2021. - Pp. 633-638.

126. Jun, C. Estimating Smart Card Commuters Origin-Destination Distribution Based on APTS Data / C. Jun, Y. Dongyuan // Journal of Transportation Systems Engineering and Information Technology. - 2013. - № 13. - Pp. 47-53.

127. Jung, J. Deep-learning architecture to forecast destinations of bus passengers from entry-only smart-card data / J. Jung, K. Sohn // IET Intelligent Transport Systems.

2017. № 11. -Pp. 334-339.

128. Kirby, H.R. Theoretical Requirements for Calibrating Gravity Models // Transportation Research. - 1974. - Vol. 8. - Pp. 97-104.

129. Kumar, P. A robust method for estimating transit passenger trajectories using automated data / P. Kumar, A. Khani, Q. He // Transportation Research Part C: Emerging Technologies. - 2018. - № 95. - Pp. 731-747.

130. Changlin Li. A Sequence and Network Embedding Method for Bus Arrival Time Prediction Using GPS Trajectory Data Only / Shuai Lin, Honglei Zhang, Hongke Zhao, Lishan Liu, Ning Jia // IEEE Transactions on Intelligent Transportation Systems. URL: https://trid.trb.org/View/2173292. (accessed: 28.09.2023).

131. Mochalin, S. Development Of Provisions For Evaluating The Effectiveness Of Urban Public Passenger Transport System / S. Mochalin, M. Kasper, O. Nikiforov, G. Levkin [at all.] // Transport Problems. - 2019. - Vol. 14. - Pp. 45-58.

132. Munizaga, ML A. Public transport O-D matrix estimation from smart card payment system data / M. A. Munizaga, C. Palma, P. Mora // In: 12' World Conference on Transport Research. - Lisbon, 2010. - № 2988. - Pp. 1 16.

133. Olivkova, I. Evaluation Of Quality Public Transport Criteria In Terms Of Passenger Satisfaction // Transport and Telecommunication. - 2016. - Vol. 17. - № 1. -Pp. 18-27.

134. Olivkova, I. Comparison and Evaluation of Fare Collection Technologies in the Public Transport. - 16th Conference on Reliability and Statistics in Transportation and Communication Transport and Telecommunication Institute. - Riga : VSB-Technical University of Ostrava, Faculty of Mechanical Engineering. - 2016. - Pp. 515-525.

135. Ortiizar, J. D., WiUumsen, G. L. Modelling transport, 4th Edition. - New Delhi: A John Wiley and Sons, Ltd. - 2011. - P. 30.

136. Prakhar, B. K. An Adaptive Long-Term Bus Arrival Time Prediction Model with Cyclic Variations / Prakhar B.K. Ramachandra R. // Journal of Public Transportation. - 2015. - Vol. 18. -№ 1. - Pp. 1-18.

137. Prigogine, I. Kinetic Theory of Vehicular Traffic /1. Prigogine, R. Herman // Elsevier. - 1971. - Pp. 440-452.

138. Shaji H., Vanajakshi L.,Tangirala A. Effects of Data Characteristics on Bus Travel Time Prediction: A Systematic Study / Shaji H. // Suslailiabilityio. - 2023. - № 15 (6).-Pp. 148-156.

139. Shanthi, N. Analysis on the Bus Arrival Time Prediction Model for Human-Centric Services Using Data Mining Techniques / N. Shanthi, Sathishkumar V E, K. Upendra Babu, P. Karthikeyan [at all.] // Computational Intelligence and Neuroscience. - 2022. - Vol. 2022. - Pp. 1-13.

140. Shen, W. Evaluating City wide Bus Service Reliability Using Noisy GPS Data / W. Shen, M. N. Brian // 2017 International Smart Cities Conference (ISC2). - 2017. -Pp. 1-7.

141. Singh, N. Review of Bus Arrival Time Prediction Using Artificial Intelligence / N. Singh, K. A. Kumar // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. - 2022. - Pp. 1-29.

142. Subbotin, В. S. Modeling Methods Comparison of Urban Public Transport Movement for ITS / B. S. Subbotin, A. A. Solntsev, V. S. Ershov, A. A. Akulov [at all.] // 2021 Systems Of Signals Generating And Processing In The Field Of On Board Communications, 16-18 March 2021. - Moscow: IEEE. - 2021. - Pp. 1-5.

143. Sun, F., Pan, Y., White, J., Dubey, A. Real-Time and Predictive Analytics for Smart Public Transportation Decision Support System. - 2016 IEEE International Conference on Smart Computing (SMARTCOMP). - St. Louis : IEEE. - 2016. - Pp. 1-8.

144. Takumi, N. Improving Bus Arrival Time Prediction Accuracy with Daily Periodic Based Transportation Data Imputation / N. Takumi, A Ismail, E. Arata, K. Ma-satoshi [at all ] // 2023 IEEE International Conference on Smart Mobility. - Thuwal: IEEE. -2023. - Pp. 1-7.

145. The Present and Future Of Automated Fare Collection Systems // Modeshift. - 2022. - URL: https://www.modeshift.com/the-present-future-of-automated-fare-collection-systems/ (дата обращения: 12.08.2023).

146. The main SciPy namespace: official suit. URL: https://docs.sc-ipy.org/doc/scipy/refe-rence/main namespace.html (дата обращения: 18.11.2023).

147. Thura, К., Nyein, N. О., Win, Z. Building Travel Speed Estimation Model for Yangon City from Public Transport Trajectory Data // Big Data Analysis and Deep Learning Applications. - 2019. - Pp. 1-8.

148. Timofeeva, G. Evaluation of origin-destination matrices based on analysis of data on transport passenger flows / G. Timofeeva, O. Ie // Applications of Mathematics in Engineering and Economics, AMEE 2020 : Proceedings of the 46th International Conference, Sofia, 07-13 июня 2020 года. - Sofia : American Institute of Physics Inc., 2020. - P. 100002.

149. Trepanier, M. Individual Trip Destination Estimation in a Transit Smart Card Automated Fare Collection System / M. Trepanier, N. Tranchant, R. Chapleau // Journal of Intelligent Transportation Systems. - 2007. - № 11. - Pp. 1-14.

150. Wallischeck, E. Y. Preliminary Strategic Analysis of Next Generation Fare Payment Systems for Public Transportation // Transit cooperative research program. -2015. - Pp. 24-30.

151. Wei, F. Dynamic Travel Time Prediction Models for Buses Using Only GPS Data / F. Wei, G. Zegeye // International Journal of Transportation Science and Technology. - 2015. - Vol 4. - Pp. 353-366.

152. Wang, J. Operating Time Division for a Bus Route Based on the Recovery of GPS Data / J. Wang, Y. Cao // Journal of Sensors. - 2017. - Vol. 2017. - Pp. 1-8.

153. Xie, Z. Y. Multistep Prediction of Bus Arrival Time with the Recurrent Neural Network / Z.Y. Xie, Y.R. He, C.C. Chen, Q.Q. Li [at all ] f Mathematical Problems in Engineering. -2021. - Pp. 1-14.

154. Xu, X., Keoh, S. L., Seow, C. K., Cao, Q., Rahim, S. K. B A. Towards Prediction of Bus Arrival Time using Multi-layer Perceptron (MLP) and MLP Regressor // 8th International Conference on Business and Industrial Research (ICBIR 2023), 18-19 May 2023. - Bangkok: University of Glasgow. - 2023. - Pp. 669-674.

155. Yan, F. Alighting stop determination using two-step algorithms in bus transit systems / F. Yan, C. Yang, S. V. Ukkusuri // Transportmetrica A: Transport Science. -2019. -№ 15. - Pp. 1522-1542.

156. Yin, Z. Construction of Personalized Bus Travel Time Prediction Intervals Based on Hierarchical Clustering and the Bootstrap Method / Z. Yin, B. Zhang // Electronics. - 2023. - № 12 - Pp. 1-18.

157. Zou, L. Entropy Model of Dynamic Bus Dispatching Based on the Prediction of Back-Station Time / L. Zou, L. Guo, L. Zhu, Z, Yu // Sustainability. - 2023. - № 15 (4)-Pp. 1-13.

158. Yuanwen, L., Said, E,, Dazu, S., Yian, W. Bus Arrival Time Prediction Using Wavelet Neural Network Trained by Improved Particle Swarm Optimization // Journal of Advanced Transportation. - Vol. 2020. - Pp. 1-9.

from df path routes import DFPathRoutes

from df vehicle move import DFVehicleMove

from df stoptimes import DFStoptimes

from df passenger in move import DFPassengerlnMove

from df passenger out move import DFPassengerOutMove

import concurrent.futures

from pathlib import Path

import pandas as pd

from hubs import Hub

from path routes import PathRoute

from payments import Payment

from points import Point

from routes import Route

from vehicles import Vehicle

from vehicles moves import VehicleMove

from vehicles move visual import VehiclesMoveVizual

from nearest station import NearestStation

from vehicles move isp fig import VehiclesMovelspFig

from vehicles model import VehicleModel

from passengers move import PassengersMove

from base import Session, engine

import pandas as pd

from math import ceil

import datetime

class BuilderPassengerData:

# date - текущая дата анализа данных

# path routes - класс маршрута движения траноспртов

# stoptimer - класс оценки моментов остановок транспортных средств

# stoptimes - массив хранения моментов времени остановок транспортных средств

def init (self, date):

self. date = date

self. path routes = DFPathRoutes()

self. stoptimer = DFStoptimes() self.stoptimes = []

# Метод запуска оценки моментов времени остановок def find stoptimes(self, variant):

path route = self. path routes

path route.set variant route(variant["route id"], variant["racetype"])

return self. stoptimer.determine stoptime(path route, DFVehicle-Move(path route, self. date))

# Основной метода запуска анализа данных def call(self):

# Определение вариантов маршрутов движения

variants = self. path routes.variant routes().to diet('records')

# Выполнение процессов многопроцессорным вариантом

with concurrent.futures.ProcessPoolExecutor(16) as executor: results = executor.map(self.find stoptimes, variants)

self.stoptimes = pd.DataFrame([item for sublist in results for item in sub-

list] )

executor.shutdown()

# Резервное копирования полученных моментов движения во временный файл

self.stoptimes[self.stoptimes["day"] == self. date].to csv("{0} stoptimes.csv".format(self. date))

variants = None

# Оценка мест и моментов посадки пассажиров

self. passengers move in = DFPassengerlnMove(self.stoptimes, self. date) self. passengers move in.call()

# Оценка мест и моментов отправления пассажиров

self. passengers move out = DFPassengerOut-Move(self. passengers move in.data(), self.stoptimes, self. path routes, self. date)

self. passengers move out.call()

# Объединение полученных данных и сохранение во временный файл

data out = self. passengers move out.data out()

self.passengers move all = data out[data out["day"] == self. date] self.passengers move all.to csv("{0} data.csv".format(self. date))

if name == " main ":

# Основной класс анализа данных

# Запуск производится с помощью Сгоп каждую ночь после конца рабочего дня builder = BuilderPassengerData(datetime.datetime.now())

builder.call()

vehicles_move_vizual s#id: INTEGER

^jvehicles_move_id: INTEGER (FK) Jjjfullness_next_stoptime: INTEGER f|jtfullness_by_m: VARCHAR(20}

vehiclesjnodel

vehicles_move %\± INTEGER

"«id: INTEGER

"Stfcmodel: VARCHAR(20) jj#seat capacity: INTEGER ^fulLcapacity: INTEGER

l----^Wvehiclesjd: INTEGER (FK)

jjroutejd: INTEGER (FK) ^timenav: DATE %lat FLOAT 5flon: FLOAT jjspeed: FLOAT ¡¿course: FLOAT *C>racetype: VARCHAR(2) ®#dist_from_begin: INTEGER ^next.stationjd: INTEGER

^name: VARCHAR(35) lysroute: VARCHAR(5) %ftype_vehicle: VARCHAR(20)

route s_stats

df_n ea re st_stati o n s

s#id: INTEGER

™#point_from_id: INTEGER (FK) ^pointjojd: INTEGER (FK)

ro utesj nte rc h a n g e s

a«id: INTEGER

"¡jdatenav DATE ^company: VARCHAR(20) Itpgaragnum: VARCHAR(20) ^department VARCHAR(20)

Ë>oard_num: VARCHAR(20) rstjme: VARCHAR(20) ast_time: VARCHAR(20)

a#id: INTEGER

Rbdatenav: DATE %>company: VARCHAR(20) ¡¡^department VARCHAR(20) ^cgaragnum: VARCHAR(20) Aboard num: VARCHAR(20) %>first_time; VARCHAR(20) S&>last_time: VARCHAR(20)

#id: INTEGER

HfStatenum: VARCHAR(20) ^garagnum: VARCHAR(20) ^transporter. VARCHAR(35) ^Ptype.vehicle: VARCHAR(20) ^vehiclesjnodel Jd INTEGER (FK)

5fvehicle_id: INTEGER (FK) %routejd' INTEGER (FK) ™^time_pay DATE ^terminal; VARCHAR(35) ^ptype.pay: VARCHAR(35) ^bPid_card VARCHAR(35) ^pboard.num: VARCHAR(20)

*

path_routes

I I

stQptime_fot_vehicles

#id: INTEGER

"•ipointjd: INTEGER (FK) ¡¿route Jd: INTEGER (FK) % status: INTEGER ¡¿orders: INTEGER ^racetype VARCHAR(2) 1«obase_racetype: VARCHAR(2) s#dist_from_begin FLOAT

3#id INTEGER

Jjstoptimejn: DATE 5s'opt>me_out DATE ¡Vehicle Jd: INTEGER (FK) Voutejd. INTEGER (FK) ^pointjd. INTEGER (FK)

«id: INTEGER

"tfhubjd: INTEGER (FK) %datetirne: DATE

3jjpass_routeJnterchanged: INTEGER Vrom_roLiteJd: INTEGER (FK) Vo_route_id: INTEGER (FK)

¿¿id: INTEGER

®Wroute_rd: INTEGER (FK) Jhubjd: INTEGER (FK) ^datetime: DATE jjpass_route_depa rtu re d: INTEGER jjpass_route_arrived: INTEGER

hubjnterchanges

"«id: INTEGER (FK)

fbcname: VARCHAR(35) ^¿lat FLOAT

'Clnn- Fl OAT

vehicles_move_isp_fig

®Vvehicles_id INTEGER (FK) jVstationJd: INTEGER (FK) %stoptime: DATE %>route: VARCHAR(20) f^racetype: VARCHAR(20) j&base racetype: VARCHAR(20) ^fullness. INTEGER 'VullnessjDyjrr INTEGER

passengersjnove

¿¿id: INTEGER

S№id_card: VARCHAR(20) Sy»in_out VARCHAR(20) ¡¿vehicle id: INTEGER (FK) ¡¿route Jd. INTEGER (FK) ¡¿stabon_id: INTEGER (FK) ^identify: LARGE BINARY ®jstoptime. DATE

TT I I

~Whub_id: INTEGER (FK) ¡¿count_routes: INTEGER Jjdatetime: DATE ¿¿pass_hub_interchanged: INTEGER hub.arrived: INTEGER

¿¿pass_hub_departured: INTEGER

^¿¿id: INTEGER

'^name :VARCHAR(35) ®Wlat FLOAT

stationsjnterchanges

^¿¿id: INTEGER

^¿¡hub_d: INTEGER (FK) ^datetime: DATE

~apass_stationJnterchanged: INTEGER ¡¿from.stopjd: INTEGER (FK) ^to_stop_id: INTEGER (FK)

stations_stats

#id: INTEGER

"Whubjd: INTEGER (FK) ^datetime: DATE %itra n s p o rt_typ e s: VARCHAR(20) ®#pass_station_departured: INTEGER "Wpass_station_arrived: INTEGER "kstopjd: INTEGER (FK)

Таблица В1 - Показатели работы автобусных маршрутов

Маршрут Ь, км Я пасс. Р, пасс.-км /, км Л V, км/ч и, пасс./ч Ж, пасс,-км/ч

1 16,29 161 601 9789,99 8,14 2,00 37,41 10,97 178,69

57 31,18 101 3974 123905,28 5,35 5,83 24,06 46,31 1443,84

58 28,65 122 6704 192078,33 5,43 5,27 18,12 44,73 1281,59

59 22,78 129 4412 100516,26 4,74 4,80 17,88 46,13 1050,98

60 16,85 8 228 3840,84 3,91 4,31 16,26 36,19 609,63

61 14,96 118 4351 65089,53 3,48 4,29 19,56 65,02 972,70

63 29,75 17 69 2052,83 4,54 6,55 57,09 11,33 337,13

65 27,99 89 2397 67086,59 7,71 3,63 30,06 36,19 1012,82

68 16,24 212 8254 134066,64 3,61 4,50 22,46 59,43 965,24

69 24,87 15 244 6068,81 6,34 3,93 43,65 39,14 973,39

70 27,57 125 8091 223058,95 5,06 5,44 22,75 56,11 1546,91

71 22,40 121 2143 48010,01 7,57 2,96 20,26 19,09 427,75

73 16,14 15 97 1565,15 4,73 3,41 18,44 11,51 185,80

75 16,51 94 769 12697,93 4,03 4,09 24,92 24,55 405,39

76 19,24 97 1638 31521,75 4,45 4,32 24,08 38,34 737,75

77 21,90 165 8147 178430,43 5Д1 4,29 30,23 68,16 1492,83

79 23,13 55 848 19610,10 7,03 3,29 41,00 27,33 632,13

80 21,12 74 2980 62949,60 4,48 4,71 23,46 50,40 1064,60

97 13,50 78 807 10891,86 4,35 3,10 30,09 32,75 442,05

96 14,51 96 2446 35497,58 4,22 3,44 32,16 70,19 1018,69

96Б 17,69 7 237 4192,49 5,45 3,25 12,28 27,42 485,13

95 22,85 63 427 9758,03 6,54 3,49 44,15 23,01 525,91

94 13,42 27 95 1274,47 5,99 2,24 31,98 11,47 153,89

57А 29,60 123 3914 115853,97 5,50 5,38 25,08 42,03 1244,18

92 17,89 33 178 3184,22 6,38 2,80 21,56 9,45 169,01

91М 34,54 4 182 6286,21 7,20 4,80 20,15 33,75 1165,85

90 15,86 75 553 8769,71 4,34 3,65 26,67 21,72 344,50

85 17,64 89 1708 30135,40 3,82 4,62 32,61 51,95 916,52

83 24,50 209 11420 279734,23 4,48 5,46 19,96 47,42 1161,60

82 19,01 200 9235 175597,00 4,22 4,50 18,33 49,61 943,21

81 19,97 216 9868 197066,83 3,92 5,10 24,98 57,15 1141,27

91 24,46 109 2185 53447,89 6,34 3,86 25,62 34,66 847,92

56 20,78 184 8521 177054,49 3,89 5,34 17,54 43,01 893,74

88 23,99 105 2228 53456,92 6,46 3,72 43,91 49,85 1196,12

54 21,85 70 3326 72687,30 4,98 4,39 15,79 46,62 1018,77

Продолжение таблицы В1

56 28,77 124 4485 129042,60 5,07 5,68 23,96 37,27 1072,20

5 21,65 168 7930 171718,90 4,43 4,89 21,21 57,22 1238,97

6 17,93 5 83 1488,58 3,88 4,62 21,48 22,14 397,07

9 16,91 208 6926 117104,53 4,12 4,11 24,19 50,71 857,47

12 22,65 151 9110 206331,32 4,27 5,30 22,01 63,41 1436,23

12 17,29 53 1689 29195,64 3,57 4,84 27,29 52,97 915,62

16 22,22 61 3230 71769,34 4,07 5,45 24,54 63,90 1419,91

19 22,85 106 6234 142459,08 4,48 5,10 25,17 71,80 1640,78

24 31,18 147 7899 246307,29 6,33 4,92 25,33 61,80 1926,97

25 20,56 63 2863 58863,37 3,50 5,87 25,48 80,76 1660,34

27 16,20 131 5640 91380,52 3,22 5,04 16,26 63,46 1028,11

28 12,88 45 1767 22764,71 3,25 3,96 22,55 66,82 860,90

30 15,86 78 2153 34149,61 3,49 4,55 21,79 45,88 727,79

36 19,36 48 1761 34097,26 4,80 4,03 20,23 49,47 957,80

37 21,48 107 5856 125765,15 4,39 4,90 26,36 67,18 1442,69

14 28,25 200 6853 193621,45 5,21 5,43 24,24 42,11 1189,84

40 12,32 11 71 874,63 2,24 5,50 15,71 11,49 141,49

54 23,84 96 5308 126568,97 4,88 4,89 28,67 66,48 1585,29

38 24,97 237 8179 204237,78 4,22 5,92 36,83 50,91 1271,19

53 11,37 19 163 1854,11 4,03 2,82 17,06 18,21 207,19

53 6,16 271 4767 29372,33 1,45 4,25 18,27 63,77 392,94

50 16,42 96 4863 79848,71 4,32 3,80 16,28 58,90 967,16

48 17,51 265 11470 200801,89 4,12 4,25 21,32 54,11 947,23

47 23,95 154 9027 216181,87 4,75 5,04 25,23 71,46 1711,30

52 18,52 142 6103 113019,02 4,18 4,43 22,69 59,63 1104,29

45 14,10 54 1263 17813,00 3,23 4,37 18,55 31,97 450,87

44 20,81 51 323 6721,12 7,91 2,63 37,47 17,03 354,34

42 26,81 141 6589 176666,95 4,93 5,44 22,81 46,89 1257,20

43 35,45 66 200 7090,30 16,17 2,19 54,09 5,06 179,31

43 17,43 125 2267 39520,69 4,16 4,19 27,91 52,30 911,83

46 22,55 25 713 16076,69 3,92 5,75 27,03 35,79 807,06

42 23,73 43 1177 27935,03 4,28 5,55 32,78 37,81 897,29

Таблица В2 - Показатели работы трамвайных маршрутов

Маршрут км Я Q, пасс. Р, пасс,-км /, км Л V, км/ч II, пасс./ч Ж, пасс,-км/ч

15 16,92 148 13834 234088,44 ЗД4 5,39 21,61 150,34 2544,00

14 21,27 72 6772 144065,34 3,72 5,72 27,71 132,88 2826,84

13 16,23 124 13314 216105,77 3,35 4,85 22,50 172,27 2796,21

10 13,85 124 8001 110800,26 3,03 4,57 19,71 108,57 1503,54

11 4,35 75 629 2733,22 1Д5 3,79 16,29 36,26 157,55

16 11,20 29 950 10637,25 2,68 4,19 16,68 62,92 704,54

8 19,05 131 12177 231926,58 3,60 5,29 24,18 131,35 2501,75

9 12,89 9 508 6549,24 3,00 4,30 11,43 52,22 673,23

12 13,93 25 616 8580,83 1,48 9,41 18,46 75,72 1054,77

17 12,86 52 2341 30100,12 2,62 4,91 12,53 60,02 771,78

24 16,58 84 4471 74151,00 3,21 5Д7 23,48 102,31 1696,85

19 12,00 142 7049 84577,90 2,99 4,01 20,04 103,09 1236,95

20 11,07 76 2956 32713,35 2,20 5,02 17,58 88,87 983,50

21 12,51 70 3826 47862,66 2,50 5,00 18,75 105,59 1320,91

22 14,93 60 4098 61178,83 2,98 5,01 16,60 100,23 1496,39

23 18,87 76 6462 121915,65 3,29 5,74 22,65 122,20 2305,47

25 21,35 77 7975 170239,58 3,76 5,67 24,29 137,26 2929,95

26 11,10 88 4611 51166,65 2,02 5,48 18,31 130,93 1452,85

7 18,59 65 4402 81818,27 3,37 5,51 25,96 102,14 1898,35

27 15,52 93 5558 86287,33 3,26 4,76 20,39 94,98 1474,52

18 13,46 110 7931 106778,68 3,05 4,41 14,69 105,52 1420,64

6 14,06 113 7548 106154,98 3,12 4,51 23,44 126,83 1783,79

34 8,32 108 2149 17889,26 2,10 3,96 25,34 76,89 640,06

5 12,86 61 3366 43278,04 2,69 4,78 17,95 110,81 1424,73

4 12,12 116 5975 72387,43 2,58 4,69 19,22 104,42 1265,02

3 11,90 81 4593 54671,98 2,08 5,72 14,62 106,53 1268,02

2 13,68 76 4291 58708,26 2,82 4,85 25,36 110,82 1516,24

1 15,91 92 6538 104001,57 3,18 5,00 20,13 115,06 1830,32

32 16,56 74 4754 78708,38 2,55 6,49 21,16 127,97 2118,70

5А 9,34 11 603 5630,25 2,59 3,61 10,36 62,60 584,45

Таблица ВЗ - Показатели работы троллейбусных маршрутов

Маршрут Ь, км Я Q, пасс. Р, пасс.-км /, км Л V, км/ч II, пасс./ч Ж, пасс.-км/ч

1 17,58 151 4478 78743,29 4,01 4,39 22,48 47,32 832,03

3 16,11 151 5476 88209,20 3,37 4,79 21,32 57,15 920,63

4 12,25 189 3004 36811,98 1Д2 10,99 15,37 80,35 984,68

5 15,47 46 1744 26984,49 3,04 5,09 20,17 60,54 936,73

6 19,08 176 6809 129890,70 3,91 4,88 24,26 56,51 1078,07

11 10,88 160 4669 50797,79 2,76 3,94 19,20 59,11 643,15

29 6,89 52 840 5785,05 2,04 3,38 10,01 30,83 212,35

20 11,35 49 1391 15783,55 2,37 4,79 16,41 45,47 516,00

30 4,21 290 3428 14430,62 1,04 4,03 17,25 105,53 444,24

32 14,30 159 4053 57942,73 3,46 4ДЗ 20,22 46,83 669,53

33 8,41 217 5356 45033,66 2Д5 3,91 20,59 66,66 560,46

35 12,11 128 4305 52132,20 2,69 4,50 18,95 63,50 768,93

37 15,08 140 4226 63731,66 2,34 6,45 15,10 56,04 845,19