Проблема эффективности транспортной системы остро стоит во многих городах мира. Транспортная система города является сложной технической системой, что не позволяет модернизировать ее без применения интеллектуальных систем поддержки принятия решений. Одним из ключевых элементов подобных систем является система имитационного моделирования транспортных потоков, благодаря которой появляется возможность проверить проектные решения до их непосредственной реализации и введения в эксплуатацию. Однако процесс создания модели транспортных потоков не является тривиальной задачей и требует глубокого анализа транспортного спроса в городе. В статье предлагается подход к построению микроскопической модели транспортных потоков города, основанный на системной интеграции источников с открытыми данными, методов моделирования транспортного спроса и мультиагентной системы моделирования. На начальном этапе предлагаемого подхода происходит импорт данных из открытых источников. Улично-дорожная сеть импортируется из веб-ресурса OpenStreetMap. Информация о населении и организациях города импортируется из открытых данных, предоставляемых сайтами государственных органов. Моделирование транспортного спроса производится по гравитационному методу. На основе информации об улично-дорожной сети и транспортном спросе формируются цепи корреспонденций: генерируются агенты, расписание и путь их перемещений по городу. На последнем этапе предлагаемого подхода запускается система имитационного моделирования SUMO. Решение поставленной задачи реализовано на языке программирования Python, который позволяет работать с моделью итеративно, пошагово внося изменения. В качестве среды выполнения был выбран Zeppelin, поскольку он предоставляет возможность создания масштабируемых ноутбуков с богатым пользовательским интерфейсом. Проверка разработанного подхода осуществлялась на данных города Самары. Тестирование показало полную работоспособность разработанного метода построения микроскопической модели транспортных потоков. Главным достоинством метода является то, что для создания цепей корреспонденций необходим минимальный набор данных: транспортные районы, количество жителей и организаций в каждом транспортном районе. На данный момент полученная модель имеет ряд недостатков. Некоторые участки дорог не используются агентами из-за несовершенства преобразования данных из OpenStreetMap. Дальнейшее развитие проекта лежит в улучшении процесса импорта посредством очистки данных, решения задач верификации имитационной модели на реальных данных и повышения точности получаемой модели.

Wang T., et al. Enabling bidirectional traffic mobility for ITS simulation in smart city environments // Future Generation Computer Systems. Vol. 92, March 2019, рр. 342-356.

Якимов М. Р. Транспортное планирование: создание транспортных моделей городов: монография. М.: Логос, 2013. 188 с. [ M. R. Yakimov, Transport planning: the creation of transport models of cities, (in Russian). Moscow: Logos, 2013]

Михеева Т. И., Михеев С. В., Рудаков И. А. Моделирование дорожного движения в интеллектуальной транспортной системе // Актуальные проблемы автотранспортного комплекса. 2010. С. 141-151 [T. I. Mikheeva, S. V. Mikheev, I. A. Rudakov, “Simulation of traffic in an intelligent transport system”, (in Russian), in Aktual'nye problemy avtotransportnogo kompleksa. 2010. Р. 141-151]

Михайлов А. Ю. Научные основы проектирования улично-дорожных сетей. URL:http: // transport.istu.edu/downloads/auto_mikhailov.pdf (дата обращения 19.03.2017) [A. U. Mikhailov ( 2017, March 19.) Scientific basis for the design of road networks [Online] (in Russian) Avialable: http://transport.istu.edu/downloads/auto_mikhailov.pdf]

Sun L., et al., Microscopic Simulation and Optimization of Signal Timing based on Multi-Agent: A Case Study of the Intersection in Tianjin // KSCE Journal of Civil Engineering Vol. 22, Iss. 9, 1 September 2018, рр. 3373-3382.

Lindorfer M., Mecklenbrauker C. F., Ostermayer G., Modeling the Imperfect Driver: Incorporating Human Factors in a Microscopic Traffic Model // IEEE Transactions on Intelligent Transportation Systems. Vol. 19, Iss. 9, September 2018, Article number 8116671, рр. 2856-2870.

Waizman G., Shoval S., Benenson I. Traffic accident risk assessment with dynamic microsimulation model using range-range rate graphs // Accident Analysis and Prevention Vol. 119, October 2018, рр. 248-262.

Andre M., Pasquier A., Carteret M. Experimental determination of the geographical variations in vehicle fleet composition and consequences for assessing low-emission zones // Transportation Research Part D: Transport and Environment. Vol. 65, December 2018, рр. 750-760.

Gorrini A., et al. Observation results on pedestrianvehicle interactions at non-signalized intersections towards simulation // Transportation Research Part F: Traffic Psychology and Behaviour. Vol. 59, November 2018, рр. 269-285.

Huang Y. X., et al., Experimental study and modeling of car-following behavior under high speed situation // Transportation Research Part C: Emerging Technologies. Vol. 97, December 2018, рр. 194-215.

Tettamanti T. et al. Vehicle-In-the-Loop Test Environment for Autonomous Driving with Microscopic Traffic Simulation // 2018 IEEE International Conference on Vehicular Electronics and Safety, ICVES 201831 October 2018, Article number 8519486.

Jiang R., et al., On some experimental features of carfollowing behavior and how to model them // Transportation Research Part B: Methodological. Vol. 80, October 01, 2015, рр. 338-354.

Сапрыкин О. Н., Майоров Е. Р., Уварова Л. А. Выделение транспортных районов на улично-дорожной сети города для построения микроскопической модели транспортных потоков // Перспективные информационные технологии: сборник научных статей. 2017. С. 704–707. [O. N. Saprykin, E. R. Maiorov, L. A. Uvarova “ Isolation of transport areas on the city’s road network to build a microscopic model of traffic flows”, (in Russian), in Perspektivnye informacionnye tekhnologii. 2017. pp. 704-707]

Reilly W. J. The law of retail gravitation. New York. 1931.

StolfiD. H., Alba E. Generating realistic urban traffic flows with evolutionary techniques // Engineering Applications of Artificial Intelligence. Vol. 75, October 2018, рр. 36-47.

McKinley W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O`Reylly Media.2012.

Wilson A. G. A statistical theory of spatial distribution models. Transportation Research. 1967. Vol. 1. Р. 253-270.

Jing N. Application of Wireless Sensor Network in Urban Intelligent Traffic Information Acquisition // Automatic Control and Computer Sciences. Vol. 52, Iss.5, 1 September 2018, рр.431-438.

Moreira-MatiasL. Time-evolving O-D matrix estimation using high-speed GPS data streams // 2016 Expert Systems With Applications 44, рр. 275–288.

Saprykin O., Saprykina O. Multilevel Modelling of Urban Transport Infrastructure. In Proceedings of the 1st International Conference on Vehicle Technology and Intelligent Transport Systems (VEHITS-2015). Portugal, Lisbon: SCITEPRESS, 2015. Р. 78-82.