Wyznaczanie prędkości średniej pojazdów transportu zbiorowego na podstawie danych z systemu zarządzania ruchem

• Autorzy: Oskarbski J. , Birr K. , Miszewski M. , Żarski K.

Warianty tytułu

EN

Average speed of public transport vehicles estimation based on data from traffic control system

• Języki publikacji: PL

Abstrakty

PL

Inteligentne Systemy Transportowe (ITS) są wartościowym źródłem informacji o ruchu drogowym, dotyczącym zarówno transportu publicznego, jak i prywatnego. Głównym problemem jest fakt, że niewiele badań jest prowadzonych w celu określenia prędkości autobusów, tramwajów i trolejbusów w miejskich sieciach ulicznych w zależności od warunków ruchu. W pracy skupiono się na tym, jak informacje z systemów ITS mogą być wykorzystane do modelowania prędkości pojazdów transportu zbiorowego. W tym celu wykorzystano dane z wdrożonego w Trójmieście (Gdańsk, Sopot, Gdynia) Zintegrowanego Systemu Zarządzania Ruchem TRISTAR. Głównym celem pracy było opracowanie metody modelowania prędkości pojazdów transportu publicznego, do czego wykorzystano moduły systemu TRISTAR. W artykule wyjaśniono w jaki sposób można zbierać, analizować i przetwarzać różne dane, a następnie wykorzystać do tworzenia modeli prędkości. Wynikiem analizy jest model prędkości dla pojazdów transportu zbiorowego w Gdyni. Zaproponowaną metodę warto zweryfikować w innych miastach. Wyznaczone prędkości można wykorzystać m.in. do aktualizacji istniejących rozkładów jazdy oraz na potrzeby kalibracji makroskopowego modelu symulacyjnego.

EN

Intelligent Transport Systems are a valuable source of traffic information, covering both private cars and public transport vehicles. The main problem, however, is that very few studies are conducted to determine the speed of buses, trams and trolleys in urban networks in relation to traffic conditions. The article investigates how ITS systems data could be used to model the speed of public transport vehicles. This is now possible thanks to the implementation of TRISTAR, an Integrated Traffic Management System covering the Tri – City (Gdansk, Sopot, Gdynia). The objective of the analysis is to develop a method for modelling public transport vehicle speed which is completed with the data from the TRISTAR subsystems. The paper explains how various data can be collected, used and combined to develop speed models. The results of analyses and a proposed speed model for Gdynia’s public transport vehicles are presented. This is to be further verified by applying the proposed method in other cities. The speed model can also be used for updating existing public transport timetables. It is also possible to use the speeds for calibrating macroscopic simulation models.

Słowa kluczowe

PL

modelowanie prędkości; transport zbiorowy; Inteligentne Systemy Transportowe

EN

speed modelling; public transport; Intelligent Transport Systems

• Wydawca: Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
• Czasopismo: Transport Miejski i Regionalny
• Rocznik: 2016
• Tom: nr 5
• Strony: 10--16
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Oskarbski J.

• Politechnika Gdańska, Wydział Inżynierii Lądowej i Środowiska, Katedra Inżynierii Drogowej, 80-233 Gdańsk; ul. Narutowicza 11/12

autor

Birr K.

• Politechnika Gdańska, Wydział Inżynierii Lądowej i Środowiska, Katedra Inżynierii Drogowej, 80-233 Gdańsk; ul. Narutowicza 11/12

autor

Miszewski M.

• Politechnika Gdańska, Wydział Inżynierii Lądowej i Środowiska, Katedra Inżynierii Drogowej, 80-233 Gdańsk; ul. Narutowicza 11/12

autor

Żarski K.

• Politechnika Gdańska, Wydział Inżynierii Lądowej i Środowiska, Katedra Inżynierii Drogowej, 80-233 Gdańsk; ul. Narutowicza 11/12

Bibliografia

• 1. Wyszomirski O., Zarządzanie komunikacją miejską, Wydawnictwo Uczelniane Wyższej Szkoły Morskiej, Gdynia 1999.
• 2. Yetiskul E., Senbil M., Public bustransit travel-time variability in Ankara (Turkey), Transport Policy, 2012, vol. 23, 2012.
• 3. Guessousa Y., Aronb M., Bhourib N., Cohenb S., Estimating travel time distribution under different traffic conditions, Transportation Research Procedia, 2014, vol. 3.
• 4. Lowson M., Idealised models for public transport systems, International Journal of Transport Management, 2004, vol. 2.
• 5. Dailey D.J., A statistical algorithm for estimating speed from single loop volume and occupancy measurements, Transportation Research Part B, 1999, vol. 33.
• 6. Jin S., Wang D., Qi H., Bayesian network method of speed estimation from single-loop outputs Journal of transportation systems engineering and information technology, 2010, vol. 10.
• 7. Salonen M., Toivonen T., Modelling travel time in urban networks: comparable measures for private car and public transport, Journal of Transport Geography, 2013, vol. 31.
• 8. Vasantha Kumar S., Vanajakshi L., Mode-wise travel time estimation on urban arterials using transit buses as probes, Intelligent Vehicles Symposium (IV), 2011, IEEE.
• 9. Wardman M., Public transport values of time, Transport Policy, 2004, vol. 11.
• 10. Birr K., Oskarbski J., Żarski K., Module of priorities for public transport vehicles in the TRISTAR system, “Logistyka”, 2014, vol. 4.
• 11. Oskarbski J., Birr K., Miszewski M., Żarski K. Estimating the average speed of public transport vehicles based on traffic control system data. International Conference on Models and Technologies for Intelligent Transportation Systems, MT-ITS 2015.
• 12. Birr K., Jamroz K., Kustra W., Travel Time of Public Transport Vehicles Estimation, Transportation Research Procedia, vol. 3, 2014.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.