UNIVERZITET U SARAJEVU

FAKULTET ZA SAOBRAĆAJ I KOMUNIKACIJE
Odsjek:Cestovni saobraćaj
Predmet
TEORIJA SAOBRAĆAJNIH TOKOVA
Seminarski rad
STOHASTIČKI MATEMATIČKI MODELI
Predmetni nastavnik Studenti
Prof.dr. Fadila Kiso Lejla Šemić
Damir Margeta
Emina Haznedarević
SADRŽAJ
2.1 OPISIVANJE OSNOVNIH PARAMETARA SAOBRAĆAJNOG TOKA
POMOĆU RASPODJELA VJEROVATNOĆA SLUČAJNIH PROMENLJIVIH
2.1.1 Zakoni raspodjele vjerovatnoća protoka vozila na presjeku puta
1) Mogućnost opisivanja protoka Puasonovom raspodjelom
2) Mogućnost opisivanja protoka binomnom raspodjelom
3)Mogućnost opisivanja protoka negativnom binomnom raspodjelom
2.1.2. Gustine raspodjele vjerovatnoća intervala slijeđenja vozila u
saobraćajnom toku
1) Mogućnost opisivanja intervala slijeđenja eksponencijalnom raspodjelom
vjerovatnoća
2) Mogućnost opisivanja intervala slijeđenja na presjeku puta pomoću pomjerene
eksponencijalne raspodjele
3) Mogucnost opisivana intervala slijeđenja na presjeku puta pomoću ostalih
raspodjela
4) Mogućnost opisivanja intervala slijeđenja na presjeku autoputa pomoću
mješavine gustine raspodjele vjerovatnoća
Opisivanje karakteristika brzina vozila u saobraćajnom toku pomoću
gustine raspodjele vjerovatnoća
2.1 OPISIVANJE OSNOVNIH PARAMETARA SAOBRAĆAJNOG TOKA
POMOĆU RASPODJELA VJEROVATNOĆA SLUČAJNIH PROMENLJIVIH
Pod uticajem mnogobrojnih faktora koji imaju obilježja slučajno
promenljivih u prostoru i vremenu, takođe i osnovni parametri saobraćajnog toka
imaju karakter slučajnih promenljivih vrjednosti. To znači da se vrjednosti
osnovnih parametara saobraćajnog toka posmatrane na određenom presjeku
puta pojavljuju sa određenom vjerovatnoćom. Iz izloženog proizilazi da osnovni
parametri saobraćajnog toka, koji definišu određeni saobraćajni tok, imaju
karakter diskretne ili neprekidne promenljive. Samim tim, osnovni parametri
saobraćajnog toka koji predstavljaju diskretne slučajne promenljive podliježu
određenom zakonu raspodjele vjerovatnoća. Ovo takođe znači da osnovni
parametri saobraćajnog toka, koji imaju karakter neprekinute slučajne
promenljive, imaju određenu gustinu raspodjele vjerovatnoća.
Više istraživača širom svijeta pokazalo je da se promjene protoka vozila,
promjene intervala slijeđenja, kao i promjene brzina mogu uspješno opisivati
pomoću zakona raspodjele vjerovatnoća. Ispitivanja su pokazala da osnovni
parametri saobraćajnog toka ne podliježu uvijek istim, već različitim
zakonitostima raspodjela vjerovatnoća, kao što su: "Puasonova raspodjela",
"binomna raspodjela", "eksponencijalna raspodjela", "pomjerena eksponencijalna
raspodjela", "normalna raspodjela" i druge. Naime, i isti osnovni parametri (npr.
protok) ne podliježu uvijek i na svakom mjestu istim zakonitostima raspodjele
vjerovatnoća.
Pogodnosti opisivanja nekog osnovnog parametra saobraćajnog toka (na
primer protok vozila) nekom od pomenutih raspodjela (npr. Pausonovom ili
binomnom raspodjelom) predstavlja indikaciju, koja svojevrsnim jezikom govori o
vladajućim uslovima u saobraćajnom toku na posmatranom odsjeku puta. S
obzirom, da je za testiranje, kojoj se od teorijskih raspodjela vjerovatnoća
pokorava neki od osnovnih parametara saobraćajnog toka na odsjeku puta,
dovoljno obaviti mjerenja manjeg obima, to ovaj način opisivanja može imati i
praktični značcaj. U vezi sa rečenim, a prije prelaska na opisivanje osnovnih
parametara saobraćajnog toka pomoću raspodjela slučajnih promenljivih u
uopštenoj formi, rezimiraće se značaj ovog opisivanja kroz:
a) Potrebe za obuhvatnijim sagledavanjem karakteristika osnovnih
parametara saobraćajnog toka, prije svega, protoka vozila,
intervala slijeđenja i brzina.
b) Potreba za dubljim sagledavanjem odnosa između osnovnih
parametara saobraćajnog toka, prije svega, između protoka vozila i
intervala slijeđenja.
c) Potreba za stvaranjem neophodne teorijske osnove za primjenu teorije
masovnog opsluživanja, u opisivanju saobraćajnih tokova.
2.1.1 Zakoni raspodjele vjerovatnoća protoka vozila na presjeku puta
1) Mogućnost opisivanja protoka Puasonovom raspodjelom
Još 1933. godine Kinzer je razmatrao mogućnost primjene Puasonove
raspodjele za opisivanje protoka vozila na presjeku puta, dok je 1936. godine
Adams dao prvi numericki primjer sa Puasonovom raspodjelom protoka vozila na
presjeku puta. Greenshields je takođe koristio Puasonovu raspodjelu protoka
vozila. Ovi autori su, znači, pošli od pretpostavke da je vjerovatnoća da će u
intervalu vremena t kroz presjek puta proci x vozilajednaka:
( )
( )
! !
x
x
Nt
t
T
x
Nt
t
T
P t e e
x x
λ
λ −

¸ _
÷
¸ ,
· ·
gdje je:
T – period vremena u kojem se vrši snimanje
N – ukupan broj vozila koja prodju kroz poprečni presjek puta za vrijeme T
λ – srednja vrijednost protoka vozila izražena u (voz / s), λ = N / t ;
m – broj vremenskih jednica t u kojima se posmatra raspodjela protoka x
(voz / t),
m = T / t ;
x – matematičko očekivanje broja vozila koji će se pojaviti tokom vrmena
t,
t x λ ·
.
Mogućnost opsluživanja karakteristika protoka PUASONOVOM raspodjela
ilustrovati ćemo narednim praktičnim primjerom.
Primjer: Snimljeni podaci na presjeku puta su: N=111; T=1800(s); t=lO(s); m
=T/t=180; λ=N/t=O,061666 (voz/s); matematičcko očcekivanje X=λt= 0,616666
(voz/l0s).
Snimljeni podaci na presjeku puta empirijskih frekvencija klasa protoka vozila (x) po 10-to
sekundnim vremenskim jedinicama
x
(voz / 10 s) 0 1 2 3 >3
61666 , 0 · · t x λ
m
e
94 63 21 2 0

· · 180 m m
e
gdje (me) predstavlja empirijske frekvencije pojedinih klasa protoka vozila x po
10-to sekundnim vremenskim jedinicama.
Teorijski izracunate frekvencije mt pojedinih klasa protoka vozila x po 10-to
sekundnim vremenskimjedinicama na bazi PUASONOVE raspodjele su:
Teorijski izračunate frekvencije mt klasa protoka vozila x po 10-to sekundnim vremenskim
jedinicama
U slijedećoj tabeli dato, je za iznijeti praktični primjer, poređenje
empirijskih frekvencija sa teorijskim frekvencijama dobijenim na osnovu
Pausonove raspodjele.
Broj vozila u intervalu
vremena od 10 s
(X)
Empirijske frekvencije
pojedinih klasa protoka x
(m
e
)
Teorijske frekvencije
pojedinih klasa protoka x
(m
t
)
0
1
2
3
>3
94
63
21
2
0
97,2
59,9
18,5
3,8
0,6
x = 0,61666 ∑m
e
= 180 ∑m
t
= 180.0
Uporedni prikaz teorijskih i empirijskih podataka o frekvencijama protoka vozila x po 10-to
sekundnim vremenskim jedinicama
Brojna ispitivanja koja su do sad vršena u vezi primjenljivosti Puasonove
raspodjele u opisivanju protoka vozila kroz presjek puta pokazala su da ona ima
ograničenu primjenu. Utvrđeno jc da Pausonova raspodjela dobro opisuje protok
vozila u slučajevima kada ne postoje nikakvi poremećaji u toku, što se prije
svega odnosi na tokove male gustine. Sa povećanjem gustine toka, dolazi do
znatnog međusobnog ometanja vozila u kretanju, gubi se Puasonova zakonitost i
protok vozila tada obicno podliježe nekim drugim zakonima raspodjele
vjerovatnoća. Takođe se pokazalo pri proučavanju tokova regulisanih
semaforima, da protok vozila u tim slučajevima ne podliježe Puasonovoj
raspodjeli vjerovatnoća, s obzirom da su uslijed rada semafora i u malim
x
(voz/10 s)
t
x
x
e
x
t
t P
λ
λ

·
!
) (
) (
m t P m
x t
⋅ · ) (
0
1
2
3
>3
=0,539776
=0,332860
=0,102560
=0,021097
=0,003253
=97,2
=59,9
=18,5
= 3,8
=0,6
x = 0,61666

· 999546 , 0 ) (t P
x ∑ ∑
· · · 180 m m m
e t
tokovima prisutni određeni poremećaji. Puasonova raspodjela vjerovatnoća
protoka vozila će se, znači, obično pojavljivati pri proučavanju tokova malih i
srednjih gustina u kojima ne postoje značajniji poremećaji.
Prema istraživanjima vršenim u Rusiji primenljivost Puasonove raspodjele realna
je u slijedećim granicama:
a) Kod dvotracnih puteva
- ako je prav i horizontalan put, za tokove q<200voz/h u jednom smjeru,
- ako je put u horizontalnoj krivini R=200m, bez uzdužnog nagiba, za q<
180voz/h u jednom smjeru,
- ako je put u uzdužnom nagibu i=6%, za q<140voz/h u jednom smjeru;

b) Kod četvorotračnih autoputeva za tokove q < 500 voz/h u jednom smjeru;
c) Kod sestotracnih autoputeva za tokove q<1100 vozlh u jednom smjeru.
Slika. Primjenjivost raspodjele u različitim geometrijskim uslovima dvotračnog puta: 1- prav
horizontalan put, 2-put u horizontalnoj krivini R=200m,3,put u uzdužnom nagibu i=6%
Gdje je:
v – broj stepeni slobode
Pr - kriterijum pouzdanosti raspodjele,
;
2
2
v
v x
P
r

·
za Pr< 3 odstupanje je slučajno,
za Pr >=3 odstupanja su znatna.
Slika: Primjenjivost Puasonove raspodjele za: 1 – četverotračni autoput, 2- šestotračni autoput
2) Mogućnost opisivanja protoka binomnom raspodjelom
Binomnoj raspodjeli se pokorava protok vozila na presjeku puta najčešće u
slučajevima kada se javlja nagomilavanje vozila, tj. kod pojave stvaranja kolone
na određenim odsjecima.
Kada se vozila nagomilaju na određenoj dionici puta, vjerovatnoća (p) da će se u
određenom intervalu vremena pojaviti jedno vozilo veoma je velika. Suprotna
vejrovatnoća ovog događaja, vjerovatnoća q = 1 - P da se neće pojaviti vozilo je
veoma mala. U slučaju binomne raspodjele protoka vozila na presjeku puta,
vjerovatnoća da će u određenom intervalu vremena kroz presjek puta proći (x)
vozi1a je:
x n x
x n x
p p
x n x
n
x X P
q p
x
n
x X P




· ·

,
_

¸
¸
· ·
) 1 (
)! ( !
!
) (
) (
gdje je:
n – maksimalni broj vozila koja mogu da prođu kroz presjek puta u
posmatranom intervalu vremena
p – vjerovatnoća da će noko vozilo da prođe kroz posmatrani presjek u
datom intervalu vremena.
Mogućnosti opisivanje karakteristika protoka BINOMNOM raspodjelom ilustrovat
ćemo slijedećim praktičnim primjerom. Snimljeni podaci na presjeku puta su:
N=478 (voz/T); T=960 (s); t=15 (s); m=64 (m); λ=0,498 (voz/s); x =7,47 (voz);
n= xmax = 12 (voz/15s); np= x ; p=x/n; p=0,6225; q=1-p=0,3775;
X
(voz/15s) <3 3 4 5 6 7 8 9 10 11 12 >12 x =7,47
m
e
0 3 0 8 10 11 10 11 9 1 1 0 ∑m
e
=64
Tabela: Empirijske frekvencije pojedinih klasa protoka vozila x
Gdje me predstalja empirijeske frekvencije podedinih klasa protoka vozila x po
15-to sekundnim vremenskim jedinicama.
Teorijski izračunate frekvencije mt pojedinih klasa protoka vozila x po 15-to
sekundnim vremenskim jedinicama na bazi binomne i Pausonove raspodjele su
date u narednoj tabeli.
X
(voz/15 s)
m
e
– empirijska
frekvencija pojedinačnih
klasa protoka x
mt – teorijska frekvencijapojedinačnih klasa protoka
po Binomnoj raspodjeli po Puasonovoj raspodjeli
<3
3
4
5
6
7
8
9
10
11
12
>12
0
3
0
8
10
11
10
11
9
1
1
0
0,3
1,0
2,9
6,2
9,8
12,3
12,1
9,4
5,8
2,8
1,0
0,4
1,3
2,5
4,7
7,1
8,8
9,4
8,8
7,3
5,4
3,7
2,3
2,7
x = 7,47 ∑m
e
= 64 ∑m
t
= 64,0 ∑mt = 64,0
Tabela: Empirijske i teorijske frekvencije klasa potoka vozila
S obzirom na pojavu većeg broja vozila (max 12 vozila) u intervalu vremena od
15s (za n=12voz/15s; th =1,25s) zaključujemo da se radi o nagomilavanju vozila
na određenoj dionici puta. Iz tabele je uočljivo mnogo bolje slijeganje između
teorijskih frekvencija binomne raspodjele i empirijskih frekvencija, nego između
teorijskih frekvencija Puasonove raspodjele i empirijskih frekvencija. Odnos
disperzije D(x) i matematičkog očekivanja M(x) kod binomne raspodjele je, kao
što je poznato:
1 ; ) ( ; ) ( ; 1 ;
) (
) (
2
2
< · · < · ·
x
S
x x M S x D q q
p n
q p n
x M
x D
x
x
Pođimo još jednom od logične konstatacije da je pri nagomilavanju vozila na
određenoj dionici puta vjerovatnoća pojavljivanja jednog vozila u određenom
intervalu vremena (p) relativno velika, odnosno da je vjerovatnoća suprotnog
događaja (q) veoma mala. Na osnovu ovog možemo konstatovati da je u slučaju
nagomilavanja vozila na dionici puta odnos disperzije i matematičkog očekivanja
protoka vozila mnogo manji od 1. Ukoliko je, znači količnik kvadrata standardnog
odstupanja D(x)=S
2
x i aritmetičke sredine protoka vozila M(x) = x u jedinici
vremena t = 15s na presjeku puta bitno manji od 1, najveravatnije je da se radi
o0 binomnoj raspodjeli protoka vozila na dionici puta, To takođe znači da se
može zaključiti da je na posmatranoj dionici puta gust saobraćaj, ili pak da je
prilikom snimanja saobraćaja dolazilo do nagomilavanja vozila na odsjeku na
kome je vršeno snimanje.
3) Mogućnost opisivanja protoka negativnom binomnom raspodjelom
U slučajevima kada dolazi do velikih promjena u vrijednostima protoka vozila,
kao rezultat javlja se relativno velika vrijednost disperz.ije protoka vozila. Na
primjer, ako se protok mjeri u vremenskim intervalima od po 10s, u blizini
semafora, tada će u određenim intervalima vremena od po 10s biti izuzetno
visoke vrijednosti protoka vozila, dok će u nekim drugim intervalima ove
vrijednosti biti izuzetno male.
Kada se u razmatranju uzmu svi intervali vremena u kojima je mjeren protok
vozila, jasno je da mora da se javi raspodjela protoka vozila, koja ima veliku
disperziju. Mjerenja su pokazla da u slučajevima velikih promjena protoka vozila
u pojedinim intervalima vremena, protok vozila najčešće podliježe negativnoj
binomnoj raspodjeli vjerovatnoća. Znači da je:
x k
p p
k
k n
x X P ) 1 (
1
1
) ( −

,
_

¸
¸

− +
· ·
P (X=x) – vjerovatnoća da u određenom vremenskom intervalu t prodje x
vozila kroz presjek puta
(x+k) – maksimalni broj vozila koji moze da prodje kroz presjek puta u
određenom intervalu vremena t
p – vjerovatnoća da će jedno vozilo da prođe kroz presjek puta u
određenom vremenskom intervalu.
Kada se npr. saobraćaj snima iza semafora, tako što se uočava broj vozila
u relativno dužim vremenskim intervalima neće se toliko osjetiti velike promene
protoka vozila za koje se pouzdano zna da postoje i tada protok vozila
najvjerovatnije neće biti raspoređen po negativnoj binomnoj raspodjeli, Tako, npr.
pri brojanjul saobraćaja u 30-to sekundnim intervalima vremena (primer iz SAD)
ustanovljeno je da protok vozila (voz/30s) podliježe Puasonovoj raspodjeli
vjerovatnoća. Rezultati snimanja prikazani su u narednoj tabeli
Ukoliko su protoci posmatrani po relativno velikim vremenskim jedinicama t=30s,
dobija se dobro slaganje empirijske raspodjele sa teorijskom Puasonovom
raspodjelom.
Broj vozila u intervalu
Vremena od 30 s
(X)
Empirijske frekvencije
Pojedinih klasa protoka x
(m
e
)
Teorijske frekvencije
Puasonove raspodjele
1
(m
t
)
0
1
2
3
4
5
6
7
8
>9
9
16
30
22
19
10
3
7
3
1
5,6
17,2
26,3
26,9
20,6
12,6
6,4
2,8
1,1
0,4
x = 3,067 ∑m
e
= 120 ∑m
t
= 120,0
Tabela: Prikaz empirijskih i teorijskih frekvencija protoka vozila (x) po 30-to sekundnim
vrmenskim jedinicama
Međutim, kada se isti snimljeni podaci pregrupišu, odnosno kada se broj vozila
posmatra u l0-to sekundnim intervalima vremena, doći će do izražaja velike
razlike između vrijednosti protoka vozila u pojedinim intervalima, tako da će
protok vozila biti raspoređen ne po Puasonovoj, vec po negativnoj binomnoj
raspodjeli vjerovatnoća. Poređenje slaganja teorijskih frekvencija Puasonove i
negativne binomne raspodjele sa empirijskim frekvencijama protoka vozila u 10--
to sekundnim intervalima vremena (voz/l0s) dato je u slijedecoj tabeli:
Broj vozila u
intervalu
Vremena od 10 s
(X)
Empirijske
frekvencije
Pojedinih klasa
protoka x
m
t
– teorijske frekvencije
2
1
Testiranje izvršeno pomoću χ
2
testa. Slaganje zadovoljavajuće sa 5% odstupanja
2
Testiranje izvršeno pomoću χ
2
testa. Negativna binomna raspodjela daje zadovoljavajuće slaganje.
Puasonova raspodjela ne daje odgovarajuće slaganje.
(m
e
) Puasonova raspod. Negativna binomna
raspodjela
0
1
2
3
4
5
>5
139
128
55
25
10
3
0
129,6
132,4
67,7
23,1
5,9
1,2
0,1
140,4
122,0
62,2
24,2
8,0
2,3
0,9
x = 0,1022 ∑m
e
= 360 ∑m
t
= 360,0 ∑m
t
= 360,0
Tabela. Empirijske i teorijske frekvencije (Puasonova i negativna binomna raspodjela)
U slučajevima kada se pretpostavlja da postoje velika odstupanja izmedu protoka
vozila u pojedinim periodima vremena, neophodno je brojanje saobraćaja vršiti u
malim vremenskim intervalima,kako bi se dobila realna slika o karakteristikama
saobraćajnog toka.
2.1.2. Gustine raspodjele vjerovatnoća intervala slijeđenja vozila u
saobraćajnom toku
Za razliku od protoka vozila koji je sa pozitivnim vjerovatnoćama mogao da uzme
konačan (prebrojiv) broj vrijednosti i koji je samim tim predstavljao diskretnu
slučajnu promenljivu, interval slijeđenja vozila u toku sa pozitivnom
vjerovatnoćom može da uzme proizvoljnu brojnu vrijednost, tako da je interval
slijeđenja neprekidna slučajna promenljiva, Samim tim intervalom slijeđenja
vozila u saobraćajnom toku okarakterisani su određenim gustinama raspodjele
vjerovatnoća.
1) Mogućnost opisivanja intervala slijeđenja eksponencijalnom
raspodjelom vjerovatnoća
U slučaju kada je protok vozila raspoređen po Puasonovoj raspodjeli, pokazalo
se da su intervali slijeđenja raspoređeni po eksponencijalnoj raspodjeli
vjerovatnoća. Naime, u slučaju Puasonove raspodjele protoka vozila vidjeli smo
da je:
t
t
x
e t P
je da se dobija x Za
e
x
t
t P
λ
λ
λ


·
·
·
) (
: 0
!
)! (
) (
0
Vjerovatnoća Po(t) je vjerovatnoća da za vrijeme (t) kroz presjek puta ne prođe
nijedno vozilo, odnosno ovo je vjerovatnoća da će interval slijeđenja (t h) biti
najmanje (t). Neprekidnu slučajnu promjenljivu koja predstavlja interval slijedenja
označimo sa (th). Znači da je:
( )
t
h
e t P t t P
λ −
· · ) (
0

Odnosno, funkcija raspodjele intervala slijeđenja F(t) je:
t
h h
e t t P t t P t F
λ −
− · − · · 1 ) ( 1 ) ( ) (  
ž
Konačno, gustina raspodjele vjerovatnoća intervala slijeđenja je:
t
e t F t f
λ
λ

· · ) ( ` ) (
kako je matematičko očekivanje eksponencijalne raspodjele (1/λ), to znači da je
srednja vrijednost intervala slijeđenja:
h t
h
h
e
t
t F t f
t
1
1
) ( ` ) (
1

· ·
·
λ
odnosno srednja vrijednost intervala slijeđenja (
h
t
) jednaka je recipročnoj
vrijednosti srednje vrijednosti protoka vozila kroz presjek puta.
U velikom broju slučajeva pokazano je da su intervali slijeđenja raspoređeni po
eksponencijalnoj raspodjeli. Tako, je na primjer, pri mjerenju intervala slijeđenja
na autoputu (primer iz SAD) dobijena eksponencijalna raspodjela. Rezultati ovih
mjerenja prikazani su u tabeli 6-11 i slici 6-34.
Ovdje se vidi da kada je protok vozila na presjeku puta raspoređen po
Puasonovoj raspodjeli, da su tada intervali slijeđenja između vozila u toku
raspoređeni po eksponencijalnoj raspodjeli. Za Puasonovu raspodjelu protoka
vozila na presjeku puta konstatovano je da važi samo u slučajevima kada nema
znatnijeg ometanja vozila u toku. Pošto eksponencijalne raspodjele intervala
slijeđenja proizlazi iz Puasonove raspodjele protoka vozila na presjeku puta, ista
konstatacija važi i za nju. Znači, da su intervali slijeđenja vozila u toku
raspoređeni po eksponencijalnoj raspodjeli u slučajevima kada nema znatnijeg
međusobnog ometanja vozila u toku. Sa povećanjem gustine toka dolazi do
znatnijeg ometanja vozila u toku, gubi se Puasonova raspodjela protoka vozila i
intervali slijedenja se ne pokoravaju eksponencijalnoj raspodjeli vjerovatnoća.
Primjer izvršenog mjerenja na jednom autoputu u SAD.
-Period mjerenja T = 1753 (s);
- Za vrijeme (T) je prebrojano ukupno m = 214 intervala slijeđenja
h t =8,19 (s);ž
t
h
e t t P
T
m
122 , 0
) ( ; 122 , 0

· · ·  λ
U narednoj tabeli su izložene empirijske frekvencije pojedinih intervala slijeđenja
h , kao i slaganje izmedu empirijske i teorijske kumulantne frekvencije intervala
vecih iIi jednakih intervalu (
h t ).
Interval slijeđenja s
t
h
Empirijske
frekvencije
pojedinih intervala
slijeđenja t
h (
m
e)
Empirijske
kumulativne
frekvencije intervala
većih ili jednakih
intervalu slijeđenja
t
h
(H
e
)
Teorijske
kumulativne
frekvencije intervala
većih i/ili jednakih
intervalu slijeđenja
t
h
(Eksponencijalna
raspodjela)
H
t
= 214e
-0,122t
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
29
14
24
11
11
14
16
11
12
11
9
12
6
2
3
3
7
3
2
3
1
1
1
0
1
0
214
185
171
147
136
125
111
95
84
72
61
52
40
34
32
29
26
19
16
14
11
10
9
8
8
7
214.0
189.4
167.7
148,4
131,4
116,3
102,9
91,1
80,6
71,4
63,2
55,9
49,5
43,8
38,8
34,3
30,4
26,9
23,8
21,1
18,7
16,5
14,6
12,9
11,4
10,1
26
27
28
29
30
31
1
2
1
2
1
0
7
6
4
3
1
0
9,0
7,9
7,0
6,2
5,5
4,9
Tabela. Empirijske frekvencije intervala slijeđenja (th) i slaganja između empirijske i teorijske
kumulante frkvencija intervala većih ili jednakih intervalu (th)
Slika: Prikaz empirijskih i teorijskih (eksponencijalne raspodjele) kumulativnih frekvencija int.,
jednakih ili većih od int. slijeđenja
2) Mogućnost opisivanja intervala slijeđenja na presjeku puta pomoću
pomjerene eksponencijalne raspodjele
Sa povećanjem gustine saobraćajnog toka smanjuju se gustine intervala
slijeđenja u saobraćajnom toku. U slučajevima većih vrijednosti gustine toka, da
bi se opisali intervali slijeđenja u toku uvodi se pojam minimalnog intervala
slijeđenja (τ), (τ = min th).
Na narednom grafikonu prikazana je funkcija raspodjele u slučaju
eksponencijalne raspodjele intervala slijeđenja.
Slika. Funkcija eksponencijalne raspodjele intervala slijeđenja
Ukoliko ordinatnu osu pomjerimo lijevo za (τ), interval slijeđenja dužine (t`h),
imaćemo, gledano u odnosu na novi kordinatni početak dužinu (th =
h t
,
+ τ).
Takođe, ukoliko je srednji interval slijeđenja iznosio (
h t
,
), sada srednji interval
slijeđenja u odnosu na novi kordinatni početak iznosi (th =
h t
,
+ τ). To znači da je:
τ τ − · − · h h
h h
t t t t
`
; `
Funkcija raspodjele intervala slijeđenja, posmatrana u odnosu na novi kordinani
početak glasi:
τ
τ



− ·
h
h
t
t
h
e t F 1 ) (
i predstavlja funkciju raspodjele tzv. Pomjerene eksponencijalne raspodjele
vjerovatnoća. Kao što je već napomenuto, parametar (τ) u gornjem izrazu
predstavlja minimalnu vrijednost intervala slijeđenja. Po nalaženju prvog izvoda
funkcije raspodjele intervala slijeđenja, dobija se da je gustina raspodjele
vjerovatnoća u slučaju pomjerene eksponencijalene raspodjele:
¹
¹
¹
¹
¹
¹
¹
'
¹


·



τ
τ
τ
τ
τ
h
t
t
h
h
h
t za e
t
t za
t f
h
h
1
0
) (

Kada je u pitanju pomjerena eksponencijalna raspodjela neki autori smatraju da
je nelogično postojanje minimalnog intervala slijeđenja, već da treba operisati sa
intervalom slijeđena, takvim da je vjerovatnoća pojave dva vozila u ovolikom
intervalu vremena veoma mala, ali ne i jednaka nuli.
3) Mogucnost opisivana intervala slijeđenja na presjeku puta pomoću
ostalih raspodjela
Intervali slijedenja vozila u toku mogu da budu raspoređeni i po Erlangovoj
raspodjeli odredenog reda, logaritamsko-normalnoj, normalnoj ili nekoj drugoj
raspodjeli. Tako će se kroz jedan ilustrativni primjer pokazati intervali slijeđenja
raspoređeni po Erlangovoj raspodeli drugog reda. Rezultati snimanja dati su u
slijedećoj tabeli.
Interval slijeđenja
t
h
Broj intervala većih ili
jednakih intervalu slijeđenja
(snimljeni podaci) m
e
Broj intervala većih ili
jednakih intervalu slijeđenja
(Erlangova raspodjela
drugog reda) m
t
0
1
2
3
4
5
6
7
25
21
11
7
4
2
1
0
25,0
18,0
11,6
6,2
3,1
1,5
0,7
0,4
Tabela. Intervali slijeđenja prema empirijskim podacima i prema Erlangovoj raspodjeli drugog
reda

Inace veci broj autora, među kojima su: Daoul, Greenberg, May i Tolle,
preporučuju logaritamsko-normalnu raspodjelu za opisivanje intervala slijeđenja
u slučajevima većih gustina saobraćajnog toka.
4) Mogućnost opisivanja intervala slijeđenja na presjeku autoputa pomoću
mješavine gustine raspodjele vjerovatnoća
Schul je uočio da u slučajevima postojanja više traka za kretanje u jednom
smijeru, postoje dvije populacije intervala slijeđenja . Prvu populaciju čine
intervali slijeđenja vozila koja se kreću velikim brzinama lijevom trakom i koja se
međusobno ne ometaju. Drugu populaciju obrazuju intervali slijeđenja vozila koja
se kreću desnom trakom i koja se međusobno ometaju.
Gustina raspodjele vjerovatnoća intervala slijeđenja vozila koja se autoputem sa
više traka za kretanje u jednom smijeru i koju je dao Schuhl glasi:
1
1
]
1

¸

− +
1
1
]
1

¸

− − ·


− −
τ
τ
α α
2 1
1 1 ) 1 ( ) (
h
h
h
h
t
t
t
t
e e t f
gdje je:
t h1 - prosječna vrijednost intervala slijeđenja vozila koja se kreću lijevom
trakom na kojoj ne postoji međusobno ometanje vozila
t h2 - prosječna vrijednost intervala slijeđenja vozila koja se kreću desnom
trakom na kojoj postoji međusobno ometanje vozila
α - procenat ućešća vozila u toku koja se međusobno ometaju
τ - minimalna vrijednost intervala slijeđenja vozila koja se kreću desnom
trakom u kojoj postoji ometanje.
Na narednom grafiku prikazano je slaganje teorijske raspodjele koju je predložio
Schuhl i snimljenih podataka.
Kriva (A) predstavlja empirijsku funkciju raspodjele intervala slijeđenja vozila koja
se ometaju, kriva (B) empirijsku funkciju raspodjele intervala slijeđenja vozila koja
se ne ometaju, kriva (C) empirijsku funkciju raspodjele mješavine gustina
intervala slijeđenja vozila koja se ne ometaju i intervala slijeđenja vozila koja se
ometaju a kriva (D) teorijsku funkciju raspodjele.
Kell je u razmatranje uveo i minimalnu vrijednost intervala slijeđenja vozila kod
kojih ne postoji međusobno ometanje. Više autora je pri proučavanju intervala
slijeđenja vozila na višetračnim autoputevima tretiralo veličinu intervala slijeđenja
kao mješovitu gustinu intervala slijeđenja vozila bez ometanja i intcrvala slijđenja
vozila sa međusobnim ometanjem. Pri ovome su intervali slijeđenja vozila jedne i
druge populacije podlijegali različitim raspodjelama vjerovatnoća. Najznačajnije
rezultate pri istraživanju intervala slijeđenja dali su Grecco i Sword, Dawison"" i
Buckleyl. Tako su na primjer, Grecco i Sword došli do rezultata čjaia je funkcija
raspodjele intervala slijeđenja na višetračnom autoputu oblika:
) 0122 , 0 24 ( 5 , 2
) 1 (
)
100000
115
1 (
100000
115
) (
V
t t
h
h h
e
q
e
q
t F




− + − ·
Opisivanje karakteristika brzina vozila u saobraćajnom toku pomoću
gustine raspodjele vjerovatnoća
I srednja prostorna i srednja vremenska brzina predstavljaju neprekidne
slučajne promjenljive. U zavisnosti od niza faktora brzina toka podliježe nekoj od
mogućih raspodjela vjerovatnoća. U nekim slučajevima verifikovana je raspodjela
brzina toka. Tako, na primer, Leong dao je rezultate trogodišnjeg mjerenja brzina
tokova pomoću radara na 31 lokaciji unutrasnjosti Australije. Poslije sređivanja
rezultata mjerenja pokazalo se da se radi o normalnoj raspodjeli sa standardnim
odstupanjem jednakim Sv=O, 17 V , gde je (V) srednja vrijednost brzine dobijena
mjerenjem.
2
2
2
1
) (

,
_

¸
¸ −
·
v
S
v v
v
e
S
v P
π
gdje je:
V - matematičko očekivanje
Sv – disperzija ili standardno odstupanje
Međutim, mnogo češće se brzine toka pokoravaju logoritamsko-normalnoj
raspodjeli vjerovatnoća. Primjer logoritamsko-normalne raspodjele brzina dat je u
sljedećoj tabeli i na sljedećoj slici.
2
2
log
2
1
) (

,
_

¸
¸ −

·
V
S
v v
v
e
S V
v P
π
Slika. Logoritamsko-normalna raspodjela brzina
Brzina ______Empirijski podaci______
Frekvencija
Teorijski podaci
logoritamske raspodjele
mph km/h Broj Kumulanta Kumulanta
frekvencija
Funkcija
raspodjele
Kumulanta
frekvencija
57
58
59
60
61
62
63
64
65
66
67
68
91,7
93,3
94,9
96,5
98,1
99,8
101,4
103,0
104,6
106,2
107,8
109,4
2
7
1
14
5
25
24
32
13
22
9
13
2
9
10
24
29
54
78
110
123
145
154
167
1,1
4,9
5,4
13,0
15,8
29,4
43,0
60,0
67,0
78,0
84,0
92,0
0,02
0,04
0,09
0,15
0,25
0,36
0,49
0,61
0,72
0,82
0,89
0,93
¸3,7
7,4
16,6
27,6
46,0
66,2
90,1
112,2
132,5
150,9
163,8
171,1
69
70
71
72
73
111,0
112,6
114,2
115,8
117,5
4
10
0
2
1
171
181
181
183
184
93,0
98,5
98,5
99,5
100,0
0,96
0,98
0,99
1,00
1,00
176,6
180,3
182,2
184,0
184,0
Tabela. Slaganje empitijskih podataka sa logoritamskom raspodjelom vjerovatnoće brzine toka
Vec smo u ranijem izlaganju naznaCili da svakoj diskretnoj raspodeli protoka
vozila u odredenom intervalu vremena odgovara odredena neprekidna raspodela
intervala sledenja vozila u toku. Vaino je istaci da u odredenim slucajevima nije
lako, ili cak nije ni mogllce ustanoviti ovu jednoznacnu korespodenciju izmedu
raspodela protoka vozila i intervala sledenja vozila.
Izbor odredene raspodele intervala sledenja ili protoka vozila uslovljene, s jedne
strane zeljenom tacnoscu resenja razmatranog problema, a s druge strane
slozenoscu matematicko numericke procedure kojom dolazimo do zeljenih
resenja. Tako je, na primer, Newelll2 pokazao da su vremenski gubici relativno
neosetljivi na oblik raspodele intervala sledenja vozila,

Sign up to vote on this title
UsefulNot useful