Стаття

Отримано 17.06.2025

Доопрацьовано 23.10.2025

Прийнято 27.11.2025

Взято з Том 29, № 2, 2025

Сторінки 59 -70

Lukhanin, V. (2025). Methodological principles for forming a simulation model of road-traffic management with dynamic redistribution of traffic flows. The National Transport University Bulletin, 29(2), 59-70. https://doi.org/10.33744/2308-6645-2025-2-29-59-70

Методологічні засади формування імітаційної моделі управління дорожнім рухом із динамічним перерозподілом транспортних потоків

Володимир Луханін

Метою дослідження було формування концептуальної моделі дворівневого управління дорожнім рухом у міських транспортних мережах. Методологія базувалась на структурно-функціональному аналізі та застосуванні багаторівневого підходу в управлінні транспортними потоками. Виявлено, що початковий етап формування імітаційної моделі передбачає формалізацію вулично-дорожньої мережі та вибір системи змінних для опису її стану в часі. Стан транспортного потоку задається показниками щільності, інтенсивності руху, середньої швидкості, довжини черг та часу очікування. У запропонованій постановці система управління дорожнім рухом має два рівні: маршрутизацію та локальне світлофорне керування. Динамічне призначення потоків розглядається як механізм коригування маршрутів для кожної origin-destination-пари та налаштування світлофорних фаз, тоді як локальне керування трактується як регулювання тривалості зелених сигналів і координація роботи світлофорів на перехрестях. Оптимальне керування орієнтоване на зменшення затримок і нерівномірності завантаження мережі з урахуванням заданих обмежень. Алгоритм керування, що поєднує локальне і мережеве регулювання, інтерпретується як підхід, орієнтований на покращення ефективності мережі, забезпечуючи оптимальне використання ресурсів при змінному попиті та поведінці водіїв. Запропонована архітектура дискретно-подійної імітаційної моделі для динамічного перерозподілу транспортних потоків базується на стохастичній динамічній системі з дискретним часом. Вона інтегрує два рівні управління: локальне керування світлофорами та мережеве керування маршрутами для origin-destination-пар. Модель задає підхід до адаптивного розподілу потоків на основі поточного стану мережі (черги, затримки, інтенсивність руху) і дає змогу досліджувати вплив змін маршрутів та параметрів світлофорного керування на затримки й завантаження мережі за умов стохастичних коливань попиту. Практична значимість полягає у можливості використання результатів органами місцевого самоврядування та дорожніми службами як методичної основи для проектування і реалізації імітаційних моделей міських транспортних систем

динамічна система; адаптивні алгоритми; перехрестя; зміна фаз світлофора; оптимізація маршрутів; час затримки
  1. Agarwal, A., Sahu, D., Mohata, R., Jeengar, K., Nautiyal, A., & Saxena, D.K. (2024). Dynamic traffic signal control for heterogeneous traffic conditions using Max Pressure and Reinforcement Learning. Expert Systems with Applications, 254, article number 124416. doi: 10.1016/j.eswa.2024.124416.
  2. Ashfaq, M., Gu, Z., Waller, S.T., & Saberi, M. (2021). Comparing dynamic user equilibrium and noniterative stochastic route choice in a simulation-based dynamic traffic assignment model: Practical considerations for large-scale networks. Journal of Advanced Transportation, 2021, article number 6667335. doi: 10.1155/2021/6667335.
  3. Bouadi, M., Jia, B., Jiang, R., Li, X., & Gao, Z.-Y. (2022). Stochastic factors and string stability of traffic flow: Analytical investigation and numerical study based on car-following models. Transportation Research Part B: Methodological, 165, 96-122. doi: 10.1016/j.trb.2022.09.007.
  4. Boyles, S.D., Lownes, N.E., & Unnikrishnan, A. (2025). Transportation network analysis, volume I: Static and dynamic traffic assignment. ArXivLabs. doi: 10.48550/arXiv.2502.05182.
  5. Calistus, C., Martin, O., Monday, A., & Joe, E. (2023). Discrete event simulation-based evaluation of a single-lane synchronized dual-traffic light intersections. Journal of Computer and Communications, 11(10), 82-100. doi: 10.4236/jcc.2023.1110006.
  6. Chen, Y., & Cassandras, C.G. (2025). Scalable adaptive traffic light control over a traffic network including turns, transit delays, and blocking. Discrete Event Dynamic Systems, 35, 175-204. doi: 10.1007/s10626-025-00416-7.
  7. Condette, F., Ramat, E., & Sondi, P. (2024). A discrete event approach to micro-scale traffic modeling in urban environment. Simulation Modelling Practice and Theory, 133, article number 102920. doi: 10.1016/j.simpat.2024.102920.
  8. Grujić, Z., & Grujić, B. (2025). Optimal routing in urban road networks: A graph-based approach using Dijkstra’s algorithm. Applied Sciences, 15(8), article number 4162. doi: 10.3390/app15084162.
  9. Hu, T., Hu, Z., Lu, Z., & Wen, X. (2022). Dynamic traffic signal control using mean field multi-agent reinforcement learning in large scale road-networks. IET Intelligent Transport Systems, 17(9), 1715-1728. doi: 10.1049/itr2.12364.
  10. Hu, Z., Zhuge, C., & Ma, W. (2021). Towards a very large scale traffic simulator for multi-agent reinforcement learning testbeds. ArXivLabs. doi: 10.48550/arXiv.2105.13907.
  11. Jia, X., Guo, M., Lyu, Y., Qu, J., Li, D., & Guo, F. (2024). Adaptive traffic signal control based on graph neural networks and dynamic entropy-constrained soft actor-critic. Electronics, 13(23), article number 4794. doi: 10.3390/electronics13234794.
  12. Khan, T.S., Pfoser, D., Ruan, S., & Züfle, A. (2024). Simplifying traffic simulation – from Euclidean distances to agent-based models. Computational Urban Science, 4, article number 32. doi: 10.1007/s43762-024-00145-x.
  13. Korchevska, A.A., Vyhovska, I., Nahrebelna, L., & Polishchuk, V. (2023). Modeling of traffic flow distribution on the road network. Roads and Bridges, 27, 253-266. doi: 10.36100/dorogimosti2023.27.253.
  14. Le, T.V., Tran, H.T., & Le, D.L. (2024). Dynamic traffic optimization in smart cities (DTOS): Integrating OpenStreetMap, IoT, and fog computing. SN Computer Science, 5, article number 823. doi: 10.1007/s42979-024-03176-7.
  15. Lin, Y. (2023). Models, algorithms and applications of DynasTIM real-time traffic simulation system. Sustainability, 15(2), article number 1707. doi: 10.3390/su15021707.
  16. Liu, J., Mao, T., Wang, Z., & Bi, H. (2025). SimNET: A deep learning macroscopic traffic simulation model for signal controlled urban road network. In N.M. Thalmann, X. Hu, B. Sheng, D. Thalmann, T. Peng, W. Meng, J. Huang, L. Zhu & X. Wei (Eds.), Computer animation and social agents (pp. 39-56). Singapore: Springer. doi: 10.1007/978-981-96-2681-6_4.
  17. Ma, J., Liu, H., & Chen, L. (2024). Enhancing urban traffic management through shared autonomous electric vehicles and dynamic simulation. PLoS One, 19(12), article number e0311848. doi: 10.1371/journal.pone.0311848.
  18. Mehrabani, B., Erdmann, J., Sgambi, L., Seyedabrishami, S., & Snelder, M. (2023). A multiclass simulation-based dynamic traffic assignment model for mixed traffic flow of connected and autonomous vehicles and human-driven vehicles. Transportmetrica A: Transport Science, 21(2), 1-32. doi: 10.1080/23249935.2023.2257805.
  19. Meng, Z., Siguenza-Torres, A., Gao, M., Grossi, M., Wieder, A., Du, X., Bortoli, S., Sommer, C., & Knoll, A. (2023). Towards discrete-event, aggregating, and relational control interfaces for traffic simulation. In Proceedings of the 2023 ACM SIGSIM international conference on principles of advanced discrete simulation (SIGSIM-PADS 2023) (pp. 12-22). New York: Association for Computing Machinery. doi: 10.1145/3573900.3591116.
  20. Mostafi, S., Alghamdi, T., & Elgazzar, K. (2022). RegTraffic: A regression based traffic simulator for spatiotemporal traffic modeling, simulation and visualization. In 2022 international joint conference on neural networks (IJCNN). Piscataway, NJ: IEEE. doi: 10.48550/arXiv.2301.01245.
  21. Qi, H. (2024). Stochastic two-dimensional microscopic traffic model: Theory and applications. Singapore: Springer. doi: 10.1007/978-981-97-3597-6.
  22. Rahman, R., & Hasan, S. (2023). Data-driven traffic assignment: A novel approach for learning traffic flow patterns using graph convolutional neural network. Data Science for Transportation, 5, article number 11. doi: 10.1007/s42421-023-00073-y.
  23. Skoropad, V.N., Deđanski, S., Pantović, V., Injac, Z., Vujičić, S., Jovanović-Milenković, M., Jevtić, B., Lukić-Vujadinović, V., Vidojević, D., & Bodolo, I. (2025). Dynamic traffic flow optimization using reinforcement learning and predictive analytics: A sustainable approach to improving urban mobility in the city of Belgrade. Sustainability, 17(8), article number 3383. doi: 10.3390/su17083383.
  24. Smelyakov, K., Klochko, O., & Dudar, Z. (2023). Building quantile regression models for predicting traffic flow. In COLINS-2023: 7th international conference on computational linguistics and intelligent systems. Kharkiv: CEUR Workshop Proceedings.
  25. Song, X., Yang, Z., Wang, T., Li, C., Zhang, Y., & Chen, G. (2021). Dynamic traffic assignment model based on GPS data and point of interest (POI) in Shanghai. Sensors, 21(21), article number 7341. doi: 10.3390/s21217341.
  26. Su, Z.C., Chow, A.H., Fang, C.L., Liang, E.M., & Zhong, R.X. (2023). Hierarchical control for stochastic network traffic with reinforcement learning. Transportation Research Part B: Methodological, 167, 196-216. doi: 10.1016/j.trb.2022.12.001.
  27. Tak, H.-Y., & Yeo, H. (2025). Assessing traffic dynamics on highway: Stability and intensity in breakdown and recovery pathways. Procedia Computer Science, 257, 282-289. doi: 10.1016/j.procs.2025.03.038.
  28. Weigang, G., & Komar, K. (2024). Multi-agent modeling of traffic organization in urban agglomerations. Transport Technologies, 5(1), 10-22. doi: 10.23939/tt2024.01.010.
  29. Xie, H., Zhang, X., Xie, R., & Zhou, B. (2025). Construction and performance analysis of intelligent transportation system simulation platform. In Cyber security intelligence and analytics (pp. 42-51). Cham: Springer. doi: 10.1007/978-3-031-88294-4_5.
  30. Zhao, Y., Ma, C., Zhao, M., Xu, X., & Du, B. (2025). An optimal multi-objective dynamic traffic guidance approach based on dynamic traffic assignment. Physica A: Statistical mechanics and its applications, 657, article number 130257. doi: 10.1016/j.physa.2024.130257.
  31. Zhu, H., Sun, F., Tang, K., Wu, H., Feng, J., & Tang, Z. (2024). Digital twin-enhanced adaptive traffic signal framework under limited synchronization conditions. Sustainability, 16(13), article number 5502. doi: 10.3390/su16135502.

https://doi.org/10.33744/2308-6645-2025-2-29-59-70