Отримано 25.12.2024, Доопрацьовано 13.03.2025, Прийнято 24.04.2025

Застосування нечітких множин при розрахунку коефіцієнту використання пасажиромісткості в умовах неможливості збору об’єктивних даних

Іван Зьора, Олександр Хошаба

Задачі планування організації перевезення пасажирів міським транспортом у сучасних українських умовах стикаються з новими викликами, зокрема зі складністю або навіть неможливістю отримання точних вхідних даних для проведення розрахунків. Дослідження зосереджено на вирішенні проблеми недоступності точних і актуальних даних для розрахунків організації перевезення пасажирів міським транспортом шляхом використання методів нечіткої логіки. Передбачається, що за умов обмеженого часу для проведення натурних досліджень або впливу військових дій, що спричиняють динамічні зміни пасажиропотоків через міграційні процеси та унеможливлюють отримання даних традиційними методами, запропонований підхід дозволить виконати розрахунки з мінімальною похибкою. На прикладі коефіцієнту використання пасажиромісткості на перегоні транспортного маршруту, що прямо залежить від показника наповненості пасажирами, розглянуто можливість розширення математичної моделі організації перевезення пасажирів на міському транспорті за допомогою підходів нечіткої логіки. Зокрема, йдеться про заміну вхідних величин суб’єктивною оцінкою стороннього спостерігача у вигляді використання нечітких множин. Теоретичне дослідження показало можливість та доцільність використання нечітких множин для вирішення проблеми відсутності об’єктивних вхідних даних при розрахунках коефіцієнту використання пасажиромісткості. Визначено загальні принципи формування універсумів нечітких множин при їх використанні в математичних моделях організації перевезення пасажирів на міському транспорті з метою нівелювання суб’єктивності вхідних даних. Описано вимоги до ступеня перекриття акумульованими функціями належності нечітких множин допустимого рівня субдивізії, що може бути використано з метою зменшення похибки розрахунків та, відповідно, розмірності універсумів нечітких множин. Визначено залежність величини розрядності тензору вихідних результатів від кількісного показника перегонів на маршруті громадського транспорту, що може братися за основу при аналізі складності розрахунків. Показано загальні принципи роботи з нечіткими множинами в даній математичній моделі на прикладі розрахунку коефіцієнту використання пасажиромісткості. Дослідження може бути корисним міським адміністраціям, транспортним компаніям, розробникам програмного забезпечення, експертам з транспортної логістики та науковцям для оптимізації роботи громадського транспорту в умовах нестачі об’єктивних даних і динамічних змін

громадський транспорт; організація транспортних маршрутів; пасажиромісткість транспорту; нечітка логіка; тензор
115-123
Zora, I., & Khoshaba, O. (2025). Use of fuzzy sets in calculating the passenger capacity utilisation rate in conditions where it is impossible to collect objective data. Information Technologies and Computer Engineering, 22(1), 115-123. https://doi.org/10.63341/vitce/1.2025.115

Використані джерела

[1] Bao, Q., Gao, M., Chen, J., & Tan, X. (2024). Location and size planning of charging parking lots based on EV charging demand prediction and fuzzy bi-objective optimisation. Mathematics, 12(19), article number 3143. doi: 10.3390/ math12193143.

[2] Bhatia, T., Kumar, A., & Appadoo, S. (2023). More-for-less solutions in fuzzy transportation problems. London: Springer Nature. doi: 10.1007/978-3-031-30337-1.

[3] Bidyuk, P.I., Kalinina, I.O., & Gozhyi, O.P. (2021). Bayesian data analysis. Kherson: Book Publishing House FOP V.S. Vyshemyrskyi.

[4] Bilichenko, V.V., Tsymbal, S.V., & Tsymbal, O.V. (2020). Analysis of methods for determining the quantity and passenger capacity of rolling stock on urban passenger transport routes. Bulletin of Mechanical Engineering and Transport, 2, 11-18.

[5] Calvi, A., & Pozzi, S. (2021). Special issue: Fuzzy logic systems for transportation engineering. Journal of Intelligent & Fuzzy Systems, 41(6), 4705-4712. doi: 10.3233/JIFS-189957.

[6] Grebennik, I., & Kovalenko, O. (2024). A fuzzy decision-making model for an automatic postal sorting line. ASU and Automation Devices, 1(180), 16-26. doi: 10.30837/0135-1710.2024.180.016.

[7] Grosset, J., Oukacha, O., Fougères, A.-J., Djoko-Kouam, M., & Bonnin, J.-M. (2024). Fuzzy multi-agent simulation for collective energy management of autonomous industrial vehicle fleets. Algorithms, 17(11), article number 484. doi: 10.3390/a17110484.

[8] Hellekes, J., & Winkler, C. (2021). Incorporating passenger load in public transport systems and its implementation in nationwide models. Procedia Computer Science, 184, 115-122. doi: 10.1016/j.procs.2021.03.022.

[9] Jan, N., Gwak, J., Choi, J., Lee, S.W., & Kim, C.S. (2023). Transportation strategy decision-making process using interval-valued complex fuzzy soft information. AIMS Mathematics, 8(2), 3606-3633.  doi: 10.3934/math.2023182.

[10] Kaczorek, M., & Jacyna, M. (2022). Fuzzy logic as a decision-making support tool in planning transport development. Archives of Transport, 61(1), 51-70. doi: 10.5604/01.3001.0015.8154.

[11] Kar, M.B., Kundu, P., Kar, S., & Pal, T. (2018). A multi-objective multi-item solid transportation problem with vehicle cost, volume, and weight capacity under fuzzy environment. Journal of Intelligent & Fuzzy Systems, 35(2), 1991-1999. doi: 10.3233/JIFS-171717.

[12] Kara, R. I. (2017). Determination of passenger flows on urban routes using fuzzy logic and cellular subscriber transactions. (Doctoral dissertation, Lviv Polytechnic National University, Lviv, Ukraine).

[13] Khabutdinov, R.A., & Fedorenko, I.O. (2021). Analysis of the influence of changing the passenger capacity utilization factor on transport energy-efficiency and motor vehicle emissions for city passenger transportation. SWorldJournal, 1(10-01), 76-89. doi: 10.30888/2663-5712.2021-10-01-041.  

[14] Kovtunov, Y.O., Makogon, O.A., Isakov, O.V., Babkin, Y.V., Kalinin, I.V., & Lazuta, R.R. (2020). The use of the fuzzy logic mathematical apparatus for fuzzification and interactive monitoring of transport communications. Modern Technologies in Mechanical Engineering, 3(61), 65-72. doi: 10.26906/SUNZ.2020.3.064.

[15] Medvediev, I., Muzylyov, D., & Montewka, J. (2024). A model for agribusiness supply chain risk management using fuzzy logic. Case study: Grain route from Ukraine to Poland. Transportation Research Part E: Logistics and Transportation Review, 190, article number 103691. doi: 10.1016/j.tre.2024.103691.

[16] Naumov, V., Zhamanbayev, B., Agabekova, D., Zhanbirov, Z., & Taran, I. (2021). Fuzzy-logic approach to estimate the passengers’ preference when choosing a bus line within the public transport system. Communications – Scientific Letters of the University of Zilina, 23(3), A150-A157. doi: 10.26552/com.C.2021.3.A150-A157.

[17] Niroomand, S., Allahviranloo, T., Mahmoodirad, A., Amirteimoori, A., Mršić, L., & Samanta, S. (2024). Solving a fully intuitionistic fuzzy transportation problem using a hybrid multi-objective optimization approach. Mathematics, 12(24), article number 3898. doi: 10.3390/math12243898.

[18] Richardson, T.W., Wu, W., Lin, L., Xu, B., & Bernal, E. A. (2020). MCFlow: Monte Carlo flow models for data imputation. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (CVPR) (pp. 10500-10510). Seattle: IEEE. doi: 10.1109/CVPR42600.2020.01421

[19] Saatchi, R. (2024). Fuzzy logic concepts, developments and implementation. Information, 15(10), article number 656. doi: 10.3390/info15100656.

[20] Yang, X., Zhang, R., Li, Y., Yang, Y., Qu, D., Liu, T., & Zhao, B. (2022). Fuzzy-theory-based pedestrian dynamics models for studying the waiting passenger distribution at the subway platform. Tunnelling and Underground Space Technology, 129, article number 104680. doi: 10.1016/j.tust.2022.104680.