© Матейко Анастасия, группа э-602, ЭФ МГУ
Последняя миля - термин, который используется для описания трудностей, с которыми сталкиваются пассажиры, когда им необходимо добраться от транспортного узла (железнодорожной станции, автовокзала) до конечного пункта назначения. Последняя миля – это один из основных сдерживающих факторов развития общественного транспорта, который не позволяет ему конкурировать с автомобилями. Для решения этой проблемы предлагались различные новые транспортные концепции (например, каршеринг и велопрокат), но при использовании данных альтернатив пассажиры все равно сталкиваются с ограничениями, такими как низкая скорость, высокие затраты и зависимость от погодных условий.
Использование полностью беспилотных автомобилей (AVs) в качестве общественного транспорта, может позволить решить проблему последней мили.
Система, исследуемая в данной работе, состоит из небольших полностью электрических AVs. Батареи транспортных средств перезаряжаются на центральном складе или на промежуточных остановках. Бронирование транспортных средств осуществляется при помощи мобильного приложения или кнопки на остановке, после поступления запроса автомобиль отправляется к запрашивающему пассажиру и отвозит его в требуемый пункт. После завершения автомобиль ожидает дальнейших заказов.
Целью исследования является оценка способности такой системы решить проблему последней мили в случае, когда основным транспортным узлом является железнодорожная станция. Это достигается путем оценки производительности системы в разных сценариях (при различных структуре сети, структуре спроса и поведения транспортных средств.
На рис. 1 представлен обзор имитационной модели с требуемыми входами и желаемыми выходами. Основными компонентами модели являются клиенты (спрос) и транспортные средства (предложение), взаимодействие между которыми осуществляется при помощи алгоритма диспетчеризации.
Рис. 1. Постановка модели
Беспилотные автомобили и пассажиры характеризуются как агенты, поведение которых описывается диаграммами состояний, параметрами, переменными и функциями. В качестве входных данных используются: спрос, матрица источник-назначение и статистическое распределение для времени отправления.
Спрос моделируется при помощи диаграммы состояния, представленной на рисунке 2.
Рис. 2. Диаграмма состояния пассажира
Аналогичный подход используется для описания поведения транспортного средства, диаграмма состояния которых представлена на рисунке 3. Специфические параметры каждого автомобиля зависят от его технических характеристик. Каждое транспортное средство индивидуально определяет свой маршрут, в зависимости от источника и назначения запрашивающего пассажира. В данной модели не учитываются пробки, так что скорость автомобиля не зависит от других автомобилей.
Рис. 3. Диаграмма состояния для автомобиля
Энергопотребление агента-транспортного средства изменяется в соответствии с конкретными параметрами транспортного средства и сети (например, изменение наклона или массы транспортного средства). Автомобиль требует подзарядки, когда текущее состояние батареи ниже некоторого критического уровня. Уравнение, используемое для зарядки, представляет собой линейную функцию, которая была адаптирована к конкретным параметрам, таким как быстрая или медленная зарядка.
Для определения взаимодействия между пассажирами и автомобилями предлагается алгоритм диспетчеризации, представленный на рисунке 4, который распределяет пассажиров в зависимости от: оставшейся емкости аккумулятора, доступной посадочной мощности и расчетного времени ожидания пассажира. Затем выбирается автомобиль с минимальным временем движения, отвечающий всем этим условиям. Распределение заказов осуществляется в соответствии с «первым прибыл, первым обслужен» (FCFS).
Рис. 4. Алгоритм диспетчеризации
Имитация проводилась на основе данных о движении пассажиров меду железнодорожной станцией Delft Zuid (Нидерланды) и кампусом технологического университета Делфта. В 2015 году количество пассажиров, использующих эту станцию, достигло 5000 пассажиров в день, причем около 35% перемещаются между станцией и кампусом. Длина маршрута распределена между 1,5 и 2,4 км. В настоящее время в этом районе нет общественного транспорта, так что основные способы перемещения – езда на велосипеде и ходьба.
Для определения совокупного спроса было проведено анкетирование, результаты которого были объединены с данными Голландской железной дороги.
На рисунке 5 представлены соотношения долей использования различных видов транспорта и уровень принятия концепции автоматизированных транспортных средств. Как и ожидалось, самый высокий уровень принятия приходится на пешеходов и на тех, кто использует альтернативные виды транспорта, так как их использование приводит к наибольшим временным затратам.
Рис. 5. Соотношения долей и уровни принятия (1 человек = 10%)
Рис. 6. Результаты опроса респондентов
Рисунок 6 показывает спрос на транспортные средства. Самый высокий спрос приходится на факультет аэрокосмической техники, который является одним из крупнейших и находится ближе всего к станции. Опрос пассажиров проводился в течении двух дней, и, поскольку большого расхождения между результатами не наблюдалось, авторы использовали средневзвешенное значение для обоих дней.
Рис. 7. Спрос и направление движения для разных периодов
Каждому пассажиру назначается направление – от станции в университетский городок или наоборот. В зависимости от этого определяется вероятность перемещения в определенный период времени – в утренний час пик, вечерний час пик или вне часа пик. Как видно из рисунка 7, в течении дня спрос между тремя периодами распределен равномерно, в течении пиковых часов структура спроса является в основном однонаправленной.
Представленная модель используется для моделирования 10 различных сценариев. Полученные результаты сравниваются с базовым сценарием.
В таблице 1 представлены параметры базового сценария
Затем были изменены несколько параметров, в сценарии 1 были добавлены дополнительные возможные маршруты, в сценарии 2 некоторые маршруты были удалены (например, из-за слишком крутых склонов). Основной целью таких изменений была оценка влияния плотности сети на её пропускную способность.
Так же изменения коснулись поведения автомобилей: вместо ожидания запроса в месте последней остановки, как было предложено в базовом сценарии, автомобиль отправляется в место, где ожидается высокий спрос, даже если фактического запроса еще не поступило. Так как в утренние и вечерние часы пик спрос преимущественно однонаправленный, то такое перемещение предполагается эффективным. В сценарии 3 подобное перемещение смоделировано во время утреннего часа пик, в сценарии 4 – во время утреннего и вечернего часов пик.
В сценарии 5 предполагается, что все население использует предварительное бронирование. В сценарии 6 – 65% населения использует предварительное бронирование. Такой процент был выбран, так как он представляет собой долю населения, имеющего смартфон с подключением к интернету.
В сценарии 7 всем пассажирам позволено перемещаться на скорости 30 км/ч. В сценарии 8 – 22% населения имеют право перемещаться на скорости 30 км/ч. 22% — это доля пользователей общественного транспорта, имеющих водительские права.
В сценарии 9 можно было заряжать автомобиль в нескольких дополнительных местах кроме станции. В сценарии 10 была добавлена единственная скоростная зарядка в месте с наибольшим спросом.
Результаты каждого сценария показаны в таблице 2 (в процентах по отношению к базовому сценарию).
Таблица 2
Четыре из предложенных сценариев положительно влияют на производительность транспортной сети (с точки зрения пропускной способности системы и времени движения). Ожидается, что в случае, когда пустые автомобили перемещаются в место с наибольшим вероятным спросом, есть возможность промежуточной подзарядки и при более высокой разрешенной скорости перемещения, использование беспилотных автомобилей сможет конкурировать как с ездой на велосипеде, так и с ходьбой.
Основным ограничением модели является отсутствие взаимодействия между автомобилями и другими участниками дорожного движения, хотя его наличие может сильно повлиять на эффективность системы. Данное ограничение должно быть включено в дальнейшую разработку имитационной модели. Кроме того, для оценки экономической жизнеспособности системы, необходимо провести анализ затраты-выгоды.
Более подробно: [A. Scheltes, G.H. de Almeida Correia (2017): Exploring the use of automated vehicles as last mile connection of train trips through an agent-based simulation model: An application to Delft, Netherlands / International Journal of Transportation Science and Technology 6 (2017) 28–41].