Название статьи
Применение анализа пространственно-временных паттернов движения такси с использованием алгоритмов кластеризации в проектировании сети зарядной инфраструктуры для электромобилей
Журнал:
Известия Транссиба №1(61), 2025
Раздел журнала:
Транспортные и транспортно-технологические системы страны, ее регионов и городов, организация производства на транспорте
Страницы: 133-144
УДК: 338.47:656.065
Библиографическое описание статьи
Комяков, А. А. Применение анализа пространственно-временных паттернов движения такси с использованием алгоритмов кластеризации в проектировании сети зарядной инфраструктуры для электромобилей [Текст] /
А. А. Комяков, Ю. В. Заренкова, А. С. Голубков // Известия Транссиба / Омский гос. ун-т путей сообщения. – Омск. –
2025. – №1(61). – C. 133 – 144.
Аннотация
Стремление к снижению выбросов углекислого газа и переход на электрический транспорт становятся ключевыми направлениями развития транспортной инфраструктуры в городах и агломерациях европейской части России. Для эффективного перехода на электромобили возникает необходимость разработки сети зарядных станций, способной удовлетворить растущий спрос на экологически чистые виды транспорта. Предметом исследования является анализ пространственно-временных характеристик движения автомобилей для оптимизации размещения зарядной инфраструктуры. Цель работы - разработка методического подхода к определению зон концентрации транспортной активности на основе реальных данных, что позволит обоснованно выбирать места для установки зарядных станций. В данной статье рассматривается подход применения алгоритма кластеризации DBSCAN с целью анализа пространственно-временных характеристик движения автомобилей на основе реальных данных о поездках такси в городе Омске. Данный алгоритм реализован на языке программирования Python. В ходе исследования были выделены основные пространственно-временные закономерности движения такси в исследуемом регионе и выполнено объединение начальных и конечных точек маршрутов такси в обоснованные кластеры. Проведенный анализ позволяет выявить основные зоны концентрации транспортной активности, что формирует основу для дальнейшего моделирования транспортных потоков с целью оптимизации размещения зарядной инфраструктуры. Область применения результатов включает в себя планирование городской транспортной инфраструктуры, развитие сети зарядных станций для электромобилей и оптимизацию транспортных потоков. Выводы исследования подтверждают эффективность использования алгоритма DBSCAN для выявления зон высокой транспортной активности, что может существенно повысить качество планирования зарядной инфраструктуры и ускорить переход к экологически чистому транспорту.
Список используемой литературы
1. Трофименко, Ю. В. Перспективные направления повышения экологичности транспортных объектов и технологий / Ю. В. Трофименко. - Текст : непосредственный // Информационные технологии и инновации на транспорте : материалы международной научно-практической конференции, Орел, 20 мая 2020 г. / под общей ред. А. Н. Новикова / Орловский государственный университет им. И. С. Тургенева. - Орел, 2020. - С. 127-133. - EDN RPCDYT. @@ Trofimenko Yu.V. [Promising directions for improving the environmental friendliness of transport facilities and technologies]. Informatsionnye tekhnologii i innovatsii na transporte: materialy VI mezhdunarodnoi nauchno-prakticheskoi konferentsii [Information technologies and innovations in transport: materials of the VI International scientific and practical conference]. Orel, 2020, pp. 127-133. EDN RPCDYT. (In Russian).
2. Meszaros, F., Shatanawi, M., & Ogunkunbi, G. A. (2021). Challenges of the electric vehicle markets in emerging economies. Periodica Polytechnica Transportation Engineering, 49(1), 93-101. DOI 10.3311/PPtr.14037.
3. Yang, X., Yun, J., Zhou, S., Lie, T. T., Han, J., Xu, X.,.. & Ge, Z. (2025). A spatiotemporal distribution prediction model for electric vehicles charging load in transportation power coupled network. Scientific Reports, 15(1), 4022. DOI 10.1038/s41598-025-88607-y.
4. Zamprogno, M. M., & Esztergár-Kiss, D. (2024). Applying Cluster Analysis for the Investigation of Travel Behavior and User Profiles. Periodica Polytechnica Transportation Engineering, 52(4), 362-371. DOI 10.3311/PPtr.25663.
5. Wang, W., & Liu, C. (2025). An Integrated Algorithm for Short Term Charging Load Prediction of Electric Vehicles Based on a More Complete Feature Set. Journal of Electrical Engineering & Technology, 20(1), 47-59. DOI 10.1007/s42835-024-01979-5.
6. Chen, C., Li, T., Wang, S., Hua, Z., Kang, Z., Li, D., & Guo, W. (2021, December). Location Analysis of Urban Electric Vehicle Charging Metro-Stations Based on Clustering and Queuing Theory Model. In International Conference on Bio-Inspired Computing: Theories and Applications (pp. 282-292). Singapore: Springer Singapore. DOI 10.1007/978-981-19-1253-5_21.
7. Vansola, Binal & Chandra, Minal & Shukla, Rena. (2022). GIS-Based Model for Optimum Location of Electric Vehicle Charging Stations. 10.1007/978-981-19-2273-2_8.
8. Каталевский, Д. Ю. Имитационное моделирование для прогнозирования развития автомобильного электротранспорта на уровне региона / Д. Ю. Каталевский, Т. Р. Гареев. - Текст : непосредственный // Балтийский регион. - 2020. - Т. 12. - № 2. - С. 118-139. - DOI 10.5922/2079-8555-2020-2-8. - EDN DXLAXX. @@ Katalevsky Dmitry Yu., & Gareev Timur R. (2020). Development of electric road transport: simulation modelling. Baltic Region, 12 (2), 118-139. DOI 10.5922/2079-8555-2020-2-8. EDN QSERXO.
9. Мишкина, А. А. Решение задачи размещения-распределения зарядных станций для электромобилей на картах с помощью машинного обучения / А. А. Мишкина, И. И. Егоров, А. Г. Анюхин. - Текст : непосредственный // International Journal of Open Information Technologies. - 2024. - Т. 12. - № 3. - С. 114-121. - EDN BLNHUS. @@ Mishkina A., Egorov I., Anyukhin A. Solving the location-allocation problem of charging stations for electric vehicles on maps using machine learning. International Journal of Open Information Technologies, 2024, vol. 12, no. 3, pp. 114-121. EDN BLNHUS. (In Russian).
