Разработка интеллектуальной системы управления транспортными потоками высокой интенсивности тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сазанов Арсений Михайлович

• Сазанов Арсений Михайлович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Сазанов Арсений Михайлович

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ОБЪЕКТА УПРАВЛЕНИЯ. ФОРМАЛЬНАЯ ПОСТАНОВКА ЗАДАЧИ

1.1. История развития систем управления дорожным движением

1.2. Характеристика объекта управления и режимов функционирования

1.3. Понятие транспортных потоков высокой интенсивности

1.4. Принципы системного анализа и системного подхода к управлению высокоинтенсивными транспортными потоками

1.5. Формальная многокритериальная постановка задачи оптимального управления транспортными потоками высокой интенсивности

1.6. Выводы по главе

ГЛАВА 2. РАЗРАБОТКА АРХИТЕКТУРЫ И ЦЕНТРАЛЬНОГО СЕРВИСА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ДОРОЖНЫМ ДВИЖЕНИЕМ

2.1. Анализ архитектур интеллектуальных систем управления дорожным движением

2.2. Разработка архитектуры ИСУДД

2.3. Разработка центрального микросервиса интеллектуального управления светофорными объектами

2.4. Выводы по главе

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМА СИНХРОНИЗАЦИИ ПРОГРАММ ДОРОЖНОГО КОНТРОЛЛЕРА

3.1. Постановка задачи

3.2. Описание алгоритма:

3.3. Математическая формализация и доказательство сходимости алгоритма

3.4. Сравнительный анализ алгоритма с аналогами

3.5. Выводы по главе

ГЛАВА 4. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОГО МЕТОДА СВЕТОФОРНОГО РЕГУЛИРОВАНИЯ ТРАНСПОРТНЫХ ПОТОКОВ ВЫСОКОЙ ИНТЕНСИВНОСТИ...Ш1

4.1. Обзор современных методов управления светофорными объектами и интеллектуального управления транспортными потоками

4.2. Исследование комплексов имитационного моделирования транспортных потоков

4.3 Анализ возможностей использования алгоритмов обучения с подкреплением

4.4. Обоснование выбора обучения с подкреплением и алгоритма DQN

4.5. Постановка задачи разработки двухконтурного метода интеллектуального светофорного регулирования транспортных потоков на основе обучения с подкреплением и почасовой дистилляции фазовых стратегий

4.6. Методика эксперимента

4.7. Результаты эксперимента

4.8. Оценка метода и его применимости

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ТЕРМИНОВ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. Листинг программного кода алгоритма синхронизации фаз

ПРИЛОЖЕНИЕ Б. Листинг программного кода алгоритма дистилляции фаз

ПРИЛОЖЕНИЕ В. Свидетельство о государственной регистрации

программы для ЭВМ №2024613893: «Программа Theseus «Core»

ПРИЛОЖЕНИЕ Г. Свидетельство о государственной регистрации

программы для ЭВМ №2025687238: «Программа Theseus «TWO PHASE METHOD»

ПРИЛОЖЕНИЕ Д. Свидетельство о государственной регистрации

программы для ЭВМ №:2025687446 «Программа Theseus «Fast Sync Algo»

ПРИЛОЖЕНИЕ Е. Акт тестирования системы

ПРИЛОЖЕНИЕ Ж. Акт о внедрении (Инфоком)

ПРИЛОЖЕНИЕ И. Акт о внедрении (Квазар Софтвэр)

ПРИЛОЖЕНИЕ К. Листинг программного кода универсального протокола взаимодействия ядра и ДК

Введение диссертации (часть автореферата) на тему «Разработка интеллектуальной системы управления транспортными потоками высокой интенсивности»

ВВЕДЕНИЕ

Актуальность работы. Крупные города, мегаполисы и городские агломерации, такие, как: Москва (Россия), Санкт-Петербург (Россия), Токио (Япония), Шанхай (Китай), Нью-Йорк (США), Лондон (Великобритания), выступают центрами развития социально-экономических, производственных, логистических, транспортных и инновационно-технологических, процессов. Устойчивый рост численности населения и повышение его плотности, уровня автомобилизации, и мобильности, вследствие запаздывания развития транспортной среды и внедрения новых технологий в элементы управления транспортной системой, становятся причиной возникновения сложных транспортных проблем [1, 2]. Одними из самых серьезных проблем для городского управления являются транспортные заторы на дорогах, которые в свою очередь приводят к ухудшению условий дорожного движения, снижению пропускной способности улично-дорожных сетей, нарушению расписаний движения пассажирского транспорта, повышению вероятности возникновения транспортных конфликтов и дорожно-транспортных происшествий и потери драгоценного времени участниками дорожного движения и пассажирами. Помимо этого, заторы на дорогах негативно сказываются на экономике городов, растет стоимость перевозки и транспортно-логистических расходов. По актуальным данным общие []от простоя в автомобильных пробках составили 124 миллиарда долларов и по прогнозным оценкам специалистов эта сумма может возрасти на 50% к 2030 году.

Транспортные заторы косвенно становятся причиной ухудшение здоровья населения, вызывают чрезмерную усталость, психические заболевания и проблемы, связанные с сердечно-сосудистой, дыхательной и нервной системой, что приводит к снижению уровня жизни. С экологической точки зрения транспортные заторы и прерывистые маневры на низких скоростях в пробках увеличивают как уровень шума, так и уровень

загрязнения окружающей среды твердыми частицами (PM2,5, PM10) и углекислым газом, что является причиной увеличения заболеваемости и смертности. В указывается, что 1% (184 000 смертей) всех смертей связан с загрязнением воздуха. Таким образом проблемы, вызванные транспортом, представляют собой серьезный вызов на пути устойчивого развития общества.

Существует несколько способов решения проблем возникновения транспортных заторов. Первый опирается на изменение планировки дорожных транспортных сетей и увеличении их пропускной способности, второй - в введение ограничений и квотирования на использование индивидуальных транспортных средств и продвижение концепций развития пассажирских видов транспорта, третий - в совершенствование систем управления дорожным движением, внедрением интеллектуальных систем, позволяющим осуществлять эффективное регулирование трафиком и минимизировать вероятность возникновения транспортных заторов. Также возможна комбинация нескольких способов. Первые два способа обладают серьезными недостатками. Перестройка городской среды потребует высоких финансовых затрат и сложных согласований. Второй - ведет к серьезным снижениям качества индивидуального передвижения, сокращению необходимых личных потребностей населения, социальной напряженности, деградации отраслей транспорта и др. Третий - напротив актуален, прогрессивен и стимулирует в обществе как научно-технологическое и производственное развитие так и структуру интеллектуального труда и совершенствование современных информационных технологий в области интеллектуальных систем управления дорожным движением и мониторинга транспортных ситуаций. Поэтому, сегодня, для разрешения проблем возникновения транспортных заторов активно разрабатываются и внедряются методы и подходы систем управления светофорными объектами с использованием инфо-телекоммуникационных технологий, искусственного интеллекта и систем моделирования. Их влияние распространилось не только

на светофорные объекты, но и на рекомендательные системы такие как навигаторы и дорожные информационные табло.

Основным элементом транспортной дорожной инфраструктуры, на который возложена функция регулирования и управления транспортными потоками и пешеходами, является светофор.

Современный светофор — это сложный электронный объект, включающие в себя дорожный контроллер, оптические элементы, детекторы, датчики, кнопки вызова пешеходной фазы и другие элементы. В зависимости от особенностей улично-дорожной сети, интенсивности и структуры трафика, алгоритмов и программного обеспечения системы управления светофорами, светофорные объекты могут иметь локальный, координированный или адаптивный режимы управления.

В последние годы в связке с дорожным контроллером для обеспечения гибкости в адаптивной донастройке работы светофорного объекта на маршруте или вне его, стали применять различные детекторы транспорта и пешеходов, за счет которых режим сигналов светофорного объекта подстраивается под фактическую обстановку на конкретном участке УДС. Такие решения относят к адаптивному управлению движением: алгоритмы через короткие интервалы пересчитывают планы сигнализации, опираясь на потоковые данные об интенсивности, составе и поведении трафика в реальном времени.

В современных светофорных системах используются датчики, позволяющие адаптировать сигналы к преобладающим условиям на перекрестках. Такие системы, которые реагируют на текущие условия движения, известны как системы адаптивного управления движением. Системы адаптивного управления движением принимают решения о синхронизации сигналов через короткие промежутки времени на основе данных о количестве и поведение трафика в реальном времени. Поэтому чтобы быть эффективным, адаптивное или интеллектуальное управление сигналами светофоров должно проактивно реагировать на прибывающий

трафик уменьшая остановки и задержки транспортных средств. Эффективность каждого режима управления зависит от применения алгоритмов, позволяющих регулировать длительность светофорных фаз и задержек как на одном перекрестке, так и в координированном управление системы светофорных объектов.

Для оптимизации светофорных фаз и задержек используют различные подходы и методы, такие как: графический и численный метод; методы на основе имитационного моделирования, нейронные сети; обучение с подкреплением; нечеткая логика; и другие.

Второй важный аспект — это интеграция различных видов транспорта.

В границах современных технологических концепций разработка светофорного плана должна учитывать не только автомобили, но и пешеходов, велосипедистов, общественный транспорт, пользователей передвигающихся с использованием средств индивидуальной мобильности, специальный транспорт, и такси. Создание приоритетов для общественного транспорта, например, может значительно сократить время в пути для пассажиров и повысить привлекательность использования автобусов, троллейбусов и трамваев. Это, в свою очередь, способствует снижению загруженности дорог.

Используя технологии на основе Интернета вещей (Internet of Things (IoT)), появляется возможность создать экосистему, в которой данные становятся основой для принятия обоснованных решений в управлении дорожным движением. С помощью технологии IoT в сочетании с концепцией транспортного средства, подключенного ко всему (Vehicle-to-Everything (V2X)) можно осуществлять интеграцию различных видов транспорта и систем мониторинга состояния дорожного движения в режиме реального времени. Датчики, установленные на дорогах, идентифицируют транспортные средства, их тип, скорость, направление движения и другие. Эти данные передаются в централизованные системы обработки информации, где они анализируются с использованием алгоритмов машинного обучения.

На основе полученных выводов система может адаптировать фазы светофоров, минимизируя время ожидания для всех участников движения. Для организации эффективного взаимодействия всех компонентов и технологий необходимо разрабатывать комплексное техническое решение на базе центрального сервиса управления светофорными объектами. Отдельно отметим, что на текущий момент наиболее перспективным подходом видится микросервисный ориентированный подход к организации структуры такой системы.

Подводя итог описанному выше можно заключить, что в условиях стремительного роста городских агломераций и увеличения транспортных потоков, с одной стороны и развития и внедрение в транспортную систему передовых концепций, в том числе: Устойчивого развития, Нулевой смертности на дорогах и Умного города, и парадигм планирования городов таких как «Sustainable City», «Smart City», «Green City», «Creative City», «Cognitive City», «HumanCity», «Healthy City» требует ускоренного внедрения инновационных подходов в области разработке центрального микросервиса и архитектуры интеллектуальной системы управления дорожным движением, сочетающих в контуре управления (на уровне приложений) все группы подвижных транспортных объектов с системами регулирования трафика, с учетом интеллектуальных рекомендательных систем, систем управления на основе V2X и Бесшовной мобильности (Seamless mobility),

Важнейшим аспектом реализации данной системы является разработка архитектуры, способной обеспечить гибкость и масштабируемость, позволяя не только интегрировать существующие решения, но и внедрять новые технологии, такие как машинное обучение и искусственный интеллект, для анализа данных и предсказания транспортных потоков.

Важным этапом можно выделить разработка алгоритма синхронизации фаз (программ) дорожных контроллеров на маршрутах координированного управления. Вкупе с реализацией микросервисного подхода и разработки

нового центрального микросервиса и алгоритмов расчета светофорных планов дает системе значительные преимущества.

Перспективность данного подхода заключается в его способности адаптироваться к динамично меняющимся условиям городской жизни, обеспечивая устойчивое развитие и улучшение качества жизни населения.

Актуальность темы исследования отмечается и соответствует ключевым целям и задачам государственным программам развития, таким как: «Программа фундаментальных научных исследований в Российской Федерации на долгосрочный период (2021 - 2030 годы)», «Транспортная стратегия РФ до 2030 года с прогнозом на период до 2035 год».

Степень разработанности темы. Созданию и развитию интеллектуальных транспортных систем было посвящено множество работ отечественных и зарубежных авторов. В России это работы: Белого О.В, Горьева А.Э., Жанказиева C.B., Зырянова В.В., Кочерги В.Г., Комашинского В.И., Кравченко П.А., Малыгина И.Г., Селиверстова С.А., Селиверстова Я.А., Якимова М.Р. Среди зарубежных это работы: J. Cao, P. Choudhary, T. Garg, A. Jain, D.Jutury, P. Hidas, N. Kumar, E. Poornima, A. Sachan, Y. Said, J. Wahle.

Развитие автоматизированных систем управления дорожным движением было проработано в трудах Афанасьева М.Б., Врублёвской С.С., Гасникова А.В., Жукова А.С, Захарова В.В., Зырянова В.В., Кравченко П.А., Крылатова А. Ю., Малыгина И.Г., Селиверстова С.А., Селиверстова Я.А., Холодова Я.А, Шамрай Н.Б, Швецова В.И., Якимова М.Р. Среди зарубежных можно отметить труды M.J. Beckmann, F.W. Webster, J. N. Darroch, R. Kulakarni, W. Neil, A.J. Miller, J.F. Newell и других. Аспекты безопасности транспортных систем рассмотрены в работах Бобкова В.Ф., Евтюкова С.С., Козлова В.В, Клявина В.Э., Кравченко П.А., Малыгина И.Г., Маринова М.Л., Стариченкова А.Л., Селиверстова С.А., Селиверстова Я.А., Сильянова В.В., Шаталовой Н.В.. Среди зарубежных можно отметить работы - V. Jones, I. Karim, V. Vikash, E.T. Donnell, A.P. Tarko, T. Liu, Z. Li, P. Liu.

Однако, анализ выполненных исследований и практического опыта эксплуатации интеллектуальных транспортных систем показывает, что ряд важных аспектов остаётся проработан недостаточно. Во-первых, в существующих работах ограниченно рассмотрены формальные критерии эффективности и качества функционирования систем управления именно в режиме транспортных потоков высокой интенсивности, в том числе с точки зрения масштабируемости, отказоустойчивости и эксплуатационной технологичности (возможности сопровождения и развития системы при росте числа управляемых объектов). Во-вторых, недостаточно формализованы и исследованы процессы синхронизации программ дорожных контроллеров в распределённых маршрутах и кластерах перекрёстков, особенно в условиях гетерогенного парка контроллеров и строгих технологических ограничений на длительности фаз и переходных интервалов. В-третьих, остаются слабо разработанными методы интеллектуального светофорного регулирования, совместно учитывающие высокоразмерное состояние транспортного потока, обучение с подкреплением и необходимость дистилляции стохастических стратегий управления в детерминированные планы, реализуемые на промышленном оборудовании.

Объект исследования - транспортные потоки высокой интенсивности.

Предмет исследования - методы, модели и алгоритмы повышения эффективности управления транспортными потоками высокой интенсивности в условиях неопределённости, включая архитектурные принципы и компоненты центрального микросервиса интеллектуального управления, алгоритмы синхронизации программ дорожных контроллеров и расчёта времени фаз, а также алгоритмы обучения с подкреплением и дистилляции фазовых стратегий.

Цель исследования состоит в решении задачи повышения эффективности управления дорожным движением за счёт разработки новых и совершенствования существующих интеллектуальных систем управления дорожным движением, в условиях растущей мобильности населения и

преобладания на городской сети транспортных потоков высокой интенсивности.

Разрабатываемая система относится к классу интеллектуальных систем управления дорожным движением, поскольку использует формальную постановку задачи многокритериального оптимального управления транспортными потоками высокой интенсивности и методы машинного обучения, в частности обучение с подкреплением, для синтеза стратегий управления на основе данных мониторинга и результатов имитационного моделирования. В отличие от традиционных АСУДД, основанных на фиксированных планах или жёстко заданных эвристических правилах, система включает контур самообучения и адаптации, что позволяет автоматически корректировать параметры управления при изменении структуры и интенсивности транспортных потоков.

Для достижения поставленной цели решены следующие основные задачи:

1. Предложить формальную многокритериальную постановку задачи оптимального управления транспортными потоками высокой интенсивности и предложить систему критериев оценки эффективности интеллектуальной системы управления дорожным движением, учитывающую пропускную способность, безопасность, качество обслуживания участников движения, масштабируемость, отказоустойчивость и эксплуатационную технологичность системы.

2. Разработать структуру интеллектуальной системы управления дорожным движением и центральный микросервис управления светофорными объектами, обеспечивающие масштабируемость, отказоустойчивость, унифицированное взаимодействие с гетерогенным парком дорожных контроллеров и безопасный ввод в эксплуатацию программ управления.

3. Разработать и математически обосновать алгоритм децентрализованной синхронизации программ дорожных контроллеров, обеспечивающий согласованную работу группы контроллеров на маршруте в штатных и

экстренных режимах управления. 4. Разработать двухконтурный метод интеллектуального светофорного регулирования транспортных потоков высокой интенсивности, в котором в оперативном контуре используются алгоритмы обучения с подкреплением, а во внешнем контуре выполняется почасовая дистилляция стохастических стратегий в детерминированные светофорные планы, реализуемые на дорожных контроллерах.

Теоретико-методологической основу составили исследования российских и зарубежных авторов: монографии, статьи и публикации в профильных журналах и материалах международных конференций в области интеллектуальных транспортных систем городов, их архитектурных решений и микросервисных подходов.

В методологический арсенал вошли: системный и сценарный анализ, методы обработки данных и математический анализ; инструменты реляционной и дискретной алгебры, элементы теория чисел; положения теории управления, вычислительной и прикладной математики, прикладного программирования; приемы линейного и нелинейного управления; методы машинного обучения и обучения с подкреплением, нейронные сети. При решении прикладных задач учитывались принципы проектирования и внедрения сетевых протоколов.

Соответствие содержания диссертации заявленной специальности. Исследование выполнено по специальности 2.3.1 - «Системный анализ, управление и обработка информации, статистика» и соответствует, в частости, следующим пунктам паспорта научной специальности: П5 - «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации. управления, принятия решений, обработки информации и искусственного интеллекта.»; П9 - «Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических объектов.»

Научная новизна результатов работы

1) Предложены модель и структура проблемно-ориентированной интеллектуальной системы управления распределенными транспортными потоками высокой интенсивности, основанные на формализации задачи многокритериального оптимального управления, отличающиеся введением дополнительных блоков машинного обучения стратегиям многокритериальной оптимизации процессов управления транспортными потоками высокой интенсивности на основе обучения с подкреплением в условиях неопределенности, что позволяет повысить пропускную способность, надежность и отказоустойчивость системы.

2) Разработан метод децентрализованного управления распределёнными дорожными контроллерами на основе алгоритма синхронизации фаз, отличающийся тем, что обеспечивает согласованную работу неограниченного числа контроллеров в пределах одного маршрута в штатных и экстренных режимах управления, что позволяет обеспечить детерминированное переключение на рассчитанный оптимальный план при ограничениях по параметрам транспортной сети.

3) Разработан двухконтурный метод интеллектуального светофорного регулирования транспортных потоков высокой интенсивности и комплекс специального математического и алгоритмического обеспечения, отличающийся тем, что использует обучение с подкреплением в оперативном контуре и почасовую дистилляцию фазовых стратегий во внешнем контуре для формирования адаптивных оптимальных планов в режиме реального времени на основе анализа статистики транспортных потоков, что позволяет снизить среднюю задержку и длины очередей по сравнению с традиционными методами управления при ограничениях на инфраструктуру сети.

Основные положения и результаты, выносимые на защиту:

1. Модель и структура проблемно-ориентированной интеллектуальной системы управления распределенными транспортными потоками высокой

интенсивности, основанные на формализации задачи многокритериального оптимального управления.

3. Метод децентрализованного управления распределёнными дорожными контроллерами на основе алгоритма синхронизации фаз, обеспечивающий согласованную работу неограниченного числа контроллеров в пределах одного маршрута в штатных и экстренных режимах управления.

3. Двухконтурный метод интеллектуального светофорного регулирования транспортных потоков высокой интенсивности и почасовой дистилляции фазовых стратегий, формирующий адаптивные светофорные планы в реальном времени на основе статистики поведения транспортных потоков.

Практическая значимость работы

Результаты исследования были непосредственно применены при создании пилотной системы в рамках модернизации интеллектуальной транспортной системы г. Москвы в 2022-2024 годах.

Практическая значимость работы подтверждена актом тестирования пилотной системы (Приложение Е) в Государственном казённом учреждении «Центр организации дорожного движения Правительства Москвы» (ГКУ ЦОДД), что демонстрирует готовность предложенной технологии к применению в реальных эксплуатационных условиях. в подтверждение этому имеется акт о тестировании пилотной системы.

Разработанные программные решения и алгоритмы были использованы при расчете и визуализации светофорных планов в основной подсистеме АСУДД. Имеется акт о внедрении. Приложение Ж.

Разработанные подходы в части современной структуры (архитектуры) АСУДД и ее интеграции с ГИС были применены при модернизации смежной ГИС системы АСМПТП (автоматизированная система мониторинга пассажирских транспортных потоков), в подтверждение этому имеется акт о внедрении. Приложение И.

Теоретическая значимость. Данная исследовательская работа имеет высокую теоретическую значимость в таких научных областях, как информационные технологии, системы управления, кибернетика, системы реального времени, транспортная инженерия, так как содержит:

• новые результаты для развития, моделирования и управления транспортными потоками;

• новые методы и подходы для разработки, интеграции и взаимодействия независимых сервисов управления разными аспектами дорожного движения, а также создание системных интерфейсов;

• новые методы и алгоритмы для синхронизации и координации различных дорожных контроллеров в динамических условиях;

• новые методы и алгоритмы оптимизации циклов светофорного регулирования.

Полученные результаты могут значительно продвинуть научные исследования в области умных транспортных систем, повысить безопасность на дорогах, улучшить эффективность транспортной инфраструктуры и снизить экологическое воздействие, а также стать основой для дальнейших исследований в области искусственного интеллекта и устойчивого развития городской транспортной инфраструктуры.

Достоверность основных результатов исследования, обеспечивается корректной постановкой задач, согласованностью с результатами по данному направлению исследований, опубликованными в реферативных журналах и применением системного подхода при обобщении существующих информационных источников по теме исследования. Достоверность подтверждается результатами внедрения и использования, предложенных программных и алгоритмических решений на практике.

Обоснованность научных результатов определяется строгой аргументацией разработанных программных и информационных решений, доказательным и корректным использованием апробированных методов исследования.

Апробация работы. Основные выводы исследования докладывались на международных конференциях:

• XXIV Международная конференция по мягким вычислениям и измерениям (SCM-2021). Санкт-Петербург. 26 - 28 мая 2021 г. СПб.: СПбГЭТУ «ЛЭТИ».

• Международная научно-практическая конференция «Транспорт России: проблемы и перспективы-2024». Санкт-Петербург, 28-29 мая 2024 года.

Сазанов А.М. Как управлять мегаполисом без смс и регистрации. История одного пилота АСУДД. Международная IT конференция Hight Load в Сколково 2024. https://youtu.be/-Y53SCNX4eg?si=OMUxMc5P1Q-aBp-3 [Видео-запись выступления. Дата обращения: 14.10.2025]

• Публикации. Основные результаты исследования опубликованы в 5 научных публикациях, 2 статьи в научных журналах, рекомендованных ВАК РФ (К2), среди которых 2 статьи в журналах, индексируемых в базе IEEE, 1 публикация в сборнике научных конференций и форумов и 3 свидетельства о государственной регистрации программы для ЭВМ.

ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ОБЪЕКТА УПРАВЛЕНИЯ. ФОРМАЛЬНАЯ ПОСТАНОВКА ЗАДАЧИ.

1.1. История развития систем управления дорожным движением

Системы управления дорожным движением, согласно исследованиям [1] берут свое начало от первого светофора, установленного возле парламента Великобритании Дж. П. Найтом в 1868 году. Данный светофор представлял собой газовый фонарь [2], конструкция была заимствована от железнодорожного семафора, переключение выполнялось оператором. Позднее в 1912 году Лестером Вайром был создан первый электрический светофор [1, 3], который был установлен в Кливленде в 1914 году, штат Огайо, функции переключения выполнялись вручную регулировщиком [1,4]. Взаимосвязанные системы светофоров начали использоваться в 1917 году в Солт-Лейк-Сити. Первый светофорный комплекс, регулирующий движение на четырехстороннем перекрестке, был создан полицейским Уильямом Поттсом в Детройте, штат Мичиган, в 1920 году. Первая автоматическая взаимосвязанная система светофоров была установлена в Хьюстоне в 1922 году [1, 5]. Многие перекрестки и сейчас работают по заранее настроенным светофорным планам, которые основаны на данных активности трафика [6,7].

С развитием теории массового обслуживания были предприняты попытки улучшить расчет светофорных планов [8, 9]. В начале 1950-х годов получены методы расчета вероятностной длины цикла с использованием таблиц Пуассона [10]. Ожидаемая задержка для сигналов с фиксированным временем была впервые получена М. Дж. Бекманом (M.J. Beckmann) в 1956 году с допущением о биномиальном процессе поведения трафика (на перекрестке) и детерминированном обслуживании [11]. Позднее [12], исследуя неравномерности поведения (в том числе суточную интенсивность движения трафика Ф. Вебстер (F. Webster) в 1958 году предложил модель массового обслуживания для определения оптимального времени светофорного цикла (минимизировалась транспортная задержка). Хочется

Список литературы диссертационного исследования кандидат наук Сазанов Арсений Михайлович, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Goel S., Bush S.F., Gershenson C. Self-organization in traffic lights: Evolution of signal control with advances in sensors and communications, arXiv preprint arXiv:1708.07188, 2017.

2. Day L., McNeil I. Biographical Dictionary of the History of Technology, Taylor & Francis, 1996.

3. Sessions G. M., Traffic Devices: Historical aspects thereof, Washington, D.C.: Institute of Traffic. Engineers, 1971.

4. T.O.S.A. Association, New Traffic Signal Installed, 1914, pp. 28-9.

5. Gordon R. L. Tighs W. Traffic Control Systems Handbook, Sunn Engineering Associates in Association with Siemens Intelligent Transportation Systems, 2005.

6. Кременец Ю.А., Печерский М.П., Афанасьев М.Б. Технические средства организации дорожного движения: Учебник для вузов. - М.: ИКЦ «Академкнига», 2005. - 279 с

7. ОДМ 218.6.003-2011. Методические рекомендации по проектированию светофорных объектов на автомобильных дорогах. Федеральное дорожное агентство (РОСАВТОДОР). Москва 2013. 69 с.

8. Организация дорожного движения в городах. Методическое пособие. Под общ. ред. Ю.Д. Шелкова. Научно-исследовательский центр ГАИ МВД России. -М.: 1995.-143 с

9. Wang Y., Yang X., Liang H., Liu Y. A Review of the Self-Adaptive Traffic Signal Control System Based on Future Traffic Environment, J. of Advanced Transportation, vol. 2018, Article ID 1096123, 12 pages, https://doi.org/10.1155/2018/1096123

10.Gerlough D., Schuhl A. Use of Poisson Distribution in Highway Traffic, Eno Foundation for Highway Traffic Control, 1955. 78 pp.

11.Beckmann, M. J., McGuire C. B., Winsten C. B. Studies in the Economics in Transportation. New Haven, Yale University Press. 1956. 249 p.

12.Webster, F. Traffic Signal Settings. H.M. Stationery Office. London. 1958. 44 pp.

13.Tanner, J. C. A theoretical analysis of delays at an uncontrolled intersection, Biometrika, 49(1962), 163-170 pp.

14.Webster, F.V., and B.M. Cobbe. Traffic Signals. Road Research Technical Paper No. 56, Road ResearchLaboratory, Her Majesty's Stationary Office, London, U.K., 1966.

15.May, A.D., Keller, H.E.M.:A deterministic queueing model,Transportation Research,1(1967), 2, 117-128 pp.

16.Pretorius, P., Van As, S. C., & Troutbeck, R. J. (2004). Issues with the operational analysis of urban intersections, Proceedings of the 23rd Southern African Transport Conference (SATC 2004), Pretoria, South Africa, 586-599. https://repository.up.ac. za/handle/2263/5699.

17.Van Zuylen H. J., Viti F. Delay at Controlled Intersections: The Old Theory Revised. 2006 IEEE Intelligent Transportation Systems Conference, Toronto, ON, Canada, 2006, pp. 68-73, doi: 10.1109/ITSC.2006.1706720.

18.Santos G., Seco A., Neves J. Development of a delay equation valid for movements with short Lanes and based on the Webster's model for traffic lights. 12th WCTR, July 11-15, 2010 - Lisbon, Portugal. 1-20 pp. 2010. https://www.researchgate.net/publication/267300091_Development_of_a_de lay_equation_valid_for_movements_with_short_lanes_and_based_on_the_ Webster's_model_for_traffic_lights

19.Verma, A., Nagaraja, G., Anusha, C.S. et al. Traffic Signal Timing Optimization for Heterogeneous Traffic Conditions Using Modified Webster's Delay Model. Transp. in Dev. Econ. 4, 13 (2018). https://doi.org/10.1007/s40890-018-0064-2

20.Martin P.T., Perrin J., Chilukuri B.R., Jhaveri C. Feng Y. Adaptive Signal Control II. Utah. Department of Transportation. Research Division, 2003. 122 pp.

21.Gordon R. L, Tighe W. Title: Traffic Control Systems Handbook. Dunn Engineering Associates. Siemens ITS. United States. Federal Highway Administration. Office of Transportation Management. 2005-10-01. 369 p.

22.Wang, Y., Yang, X., Liang, H., & Liu, Y. A Review of the Self-Adaptive Traffic Signal Control System Based on Future Traffic Environment. Journal of Advanced Transportation, 2018, 1-12 pp. doi:10.1155/2018/1096123

23.Stevanovic A. NCHRP Synthesis 403. Adaptive Traffic Control Systems: Domestic and Foreign State of Practice A Synthesis of Highway Practice NATIONAL COOPERATIVE HIGHWAY RESEARCH PROGRAM. Transportation Research Board, Washington, D.C., 2010. 115 p.

24.Gartner N. H., Stamatiadis C., Tarnoff P. J. Development of advanced traffic signal control strategies for intelligent transportation systems: multilevel design. Transportation Research Record, no. 1494, pp. 98-105, 1995.

25.Yang W. Study on Self-adaptive Coordinated Control Based on Close-loop Feedback for Urban Traffic Signals, Tongji university, Shanghai, 2015.

26.Sims A. G., Dobinson K. W. The Sydney coordinated adaptive traffic (SCAT) system philosophy and benefits. IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, VOL. VT-29, NO.2, MAY 1980. 130-137 pp.

27.Wu Y.-T., Ho C.-H. The development of Taiwan arterial traffic-adaptive signal control system and its field test: A Taiwan experience. Journal of Advanced Transportation, vol. 43, no. 4, pp. 455-480, 2009.

28.Gartner N.H. OPAC: A demand-responsive strategy for traffic signal control. Transportation Research Record, vol. 1983, no. 906, pp. 75-81, 1983.

29.Mirchandani P., Head L. A real-time traffic signal control system: architecture, algorithms, and analysis. Transportation Research Part C: Emerging Technologies, vol. 9, no. 6, pp. 415-432, 2001.

30.J. Zhao, Y. Liu, and P. Li, "A network enhancement model with integrated lane reorganization and traffic control strategies," Journal of Advanced Transportation, vol. 50, no. 6, pp. 1090-1110, 2016.

31.N. Jiang, "Optimal signal design for mixed equilibrium networks with autonomous and regular vehicles," Journal of Advanced Transportation, vol. 2017, pp. 1-13, 2017 32.Skabardonis S., Shladover W., Zhang L., Zhang J., Li K., Zhou J., Argote M., Barth M., Boriboonsomsin K., Xia H., Winckler A., Liccardo D.S. Advanced Traffic Signal Control Algorithms. No. CA13-2157-A, 2013 33.The "SCOOT" Urban Traffic Control System" Traffic Advisory Leaflet 4/95 April 1995.

34.Sims A. G., Dobinson K. W. The Sydney coordinated adaptive traffic (SCAT) system philosophy and benefits. IEEE Transactions on Vehicular Technology, 29(2), 130-137 pp. doi:10.1109/t-vt.1980.23833

35.Gartner N. H., Pooran F. J., Andrews C. M. (n.d.). Implementation of the OPAC adaptive control strategy in a traffic signal network. ITSC 2001. 2001 IEEE Intelligent Transportation Systems. Proceedings (Cat. No.01TH8585). doi:10.1109/itsc.2001.948655

36.Mirchandani, P., & Fei-Yue Wang. (2005). RHODES to Intelligent Transportation Systems. IEEE Intelligent Systems, 20(1), 10-15 pp . doi:10.1109/mis.2005.15

37.Elkins S., Niehus G. InSync Adaptive Traffic Control System for the Veterans Memorial Hwy Corridor on Long Island, NY. 97 p. 2012. https://rosap.ntl.bts.gov/view/dot/24966

38.Chandra R., Gregory C. InSync Adaptive Traffic Signal Technology: RealTime Artificial Intelligence Delivering Real-World Results. 2010. https://trafficbot.rhythmtraffic.com/wp-

content/uploads/2018/10/InSync_Whitepaper.pdf

39.ACS Lite. Publication Number: FHWA-HRT-06-083. Доступно по ссылке: https://www.fhwa.dot.gov/publications/research/operations/06083/index.cfm

40.Luyanda F., Gettman, D., Head, L., Shelby S., Bullock D., Mirchandani P. ACS-Lite algorithmic architecture: Applying adaptive control system tech-

nology to closed-loop traffic signal control systems.Transp. Res.Record2003,1856, 175-184 pp.

41.Studer L, Ketabdari M, Marchionni G (2015) Analysis of Adaptive Traffic Control Systems Design of a Decision Support System for Better Choices. J Civil Environ Eng 5: 195. 2015. 10pp. doi:10.4172/2165-784X.1000195

42.Diakaki, C., and M. Papageorgiou (1999). The Co-ordinated Traffic-responsive Urban Control Strategy TUC. 5th Delta Report for Daimler-Benz AG, Stuttgart, Germany, December 1999.

43.Dinopoulou, V., Diakaki, C., & Papageorgiou, M. (n.d.). Simulation investigations of the traffic-responsive urban control strategy TUC. ITSC2000. 2000 IEEE Intelligent Transportation Systems. Proceedings (Cat. No.00TH8493). 2000. 458-463 pp. doi:10.1109/itsc.2000.881110

44.Utopia Traffic Management. Доступно по ссылке на 21.04.2021 https://www.swarco.com/ru/produkty/programmnoe-obespechenie/upravlenie-gorodskim-dorozhnym-dvizheniem/utopia

45.Pavleski, D. Koltovska-Nechoska and E. Ivanjko, "Evaluation of adaptive traffic control system UTOPIA using microscopic simulation," 2017 International Symposium ELMAR, Zadar, Croatia, 2017, pp. 17-20, doi: 10.23919/ELMAR.2017.8124425.

46.Papadimitriou C.H., Tsitsiklis J.N. Mathematics of Operations Research, vol. 24, n° 2, p. 293- 305, 1999.

47.He Q., Head K.L., Ding J. PAMSCOD: Platoon-based arterial multi-modal signal control with online data. Transportation Research Part C: Emerging Technologies, vol. 20, n° 1, pp. 164-184, 2012.

48.Natafgi MB, Osman M, Haidar AS, Hamandi L. Smart Traffic Light System Using Machine Learning. In: IEEE International Multidisciplinary Conference on Engineering Technology (IMCET), Beirut, 2018, pp. 1-6. https://doi. org/10.1109/imcet.2018.8603041

49.Wei, H., Zheng, G., Yao, H., & Li, Z. (2018). IntelliLight. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery &

Data Mining - KDD '18. 2496 - 2505 pp. 2018. doi:10.1145/3219819.3220096

50.Rasheed, F., Yau, K.-L. A., & Low, Y.-C. Deep reinforcement learning for traffic signal control under disturbances: A case study on Sunway city, Malaysia. Future Generation Computer Systems. 2000. 45 pp. doi:10.1016/j .future.2020.03.065

51.Poletajew B., Slowik A. An Application of Fuzzy Logic to Traffic Lights Control and Simulation in Real Time. In: Rutkowski L., Korytkowski M., Scherer R., Tadeusiewicz R., Zadeh L., Zurada J. (eds) Artificial Intelligence and Soft Computing. ICAISC 2016. Lecture Notes in Computer Science, vol 9692. 266-275 pp. Springer, Cham. https://doi.org/10.1007/978-3-319-39378-0_23

52.He Q., Head K. L., Ding J. Multi-modal traffic signal control with priority, signal actuation and coordination. Transportation Research Part C: Emerging Technologies, vol. 46, pp. 65-82, 2014.

53.Heung T., Ho T., Fung Y. Coordinated Road-Junction Traffic Control by Dynamic Programming. IEEE Transactions on Intelligent Transportation Systems, vol. 6, n° 3, pp. 341-50, 2005.

54.Patriksson M. Sensitivity analysis of traffic equilibria. Transportation Science. vol. 3, n° 258-81 pp, 2004.

55.Turky A.M., Ahmad M.S., Yusoff M.Z.M., Hammad B.T. Using Genetic Algorithm for Traffic Light Control System with a Pedestrian Crossing. In: Wen P., Li Y., Polkowski L., Yao Y., Tsumoto S., Wang G. (eds) Rough Sets and Knowledge Technology. RSKT 2009. Lecture Notes in Computer Science, vol 5589. pp 512-519. 2009. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-02962-2_65

56.John P.Remembering Toronto's First Automated Traffic Lights, August 8 -Snapshots in History [Электронный ресурс] // Toronto Public Library. Local History & Genealogy. - 2019. - 8 августа. - Режим доступа: https://torontopubliclibrary.typepad.com/local-history-

genealogy/2019/08/remembering-torontos-first-automated-traffic-lights-august-8-snapshots-in-history.html (дата обращения: 28.06.2025).

57.Toronto Transportation Commission; Toronto Hydro-Electric Commission. A Centrally Controlled Traffic Signal System for Metropolitan Toronto [Электронный ресурс]. - Toronto, 1951. - 40 с. - Режим доступа: https://ethw.org/w/images/2/2d/A_Centrally_Controlled_Traffic_Signal_Sys tem_for_Metropolitan_Toronto.pdf (дата обращения: 28.06.2025)."

58.Tettamanti, T. Wireless Traffic Signal Controller with Distributed Control System Architecture [Электронный ресурс] / T. Tettamanti. - Periodica Polytechnica Civil Engineering, 2019. - Т. 63, №3. - С. 918-925. -DOI: 10.3311/PPci.13974

59.Stan V.A., Timnea R.S., Gheorghiu R.A. Traffic management methods for interurban - urban interfaces // Proceedings of the 5th International Conference on Electronics, Computers and Artificial Intelligence (ECAI 2014), 23-25 October 2014, Bucharest, Romania. - IEEE, 2014. - С. 107112. - DOI: 10.1109/ECAI.2014.7090188.

60.Ta V. T. Automated Road Traffic Congestion Detection and Alarm Systems: Incorporating V2I Communications into ATCSs [Электронный ресурс] // arXiv preprint. - 2016. - 38 с. - DOI: 10.48550/arXiv.1606.01010.

61.Djahel S., Doolan R., Muntean G.-M., Murphy J. Architecture, design and prototyping of front-end communication unit for vehicular ad-hoc networks // Материалы IEEE 73rd Vehicular Technology Conference (VTC Spring), 1518 мая 2011 r.,Budapest, Hungary. - IEEE, 2011. - pp. 1-5. - DOI: 10.1109/VETECS.2011.5956503.

62."Gomathi C.K., Lakshmi Narayani G., Sahithi Sucharitha M. Exploration of IoT Based Intelligent Traffic Management System // International Research Journal of Engineering and Technology (IRJET). - 2021. - Vol. 8, No. 10. -P. 735-742. - eISSN: 2395-0056."

63.Mirchandani P., Head L. A real-time traffic signal control system: architecture, algorithms, and analysis // Transportation Research Part C:

Emerging Technologies. - 2001. - Vol. 9, No. 6. - P. 415-432. - ISSN: 0968-090X. - DOI: 10.1016/S0968-090X(00)00047-4.

64."Parsons Brinckerhoff Quade & Douglas, Inc. Final Report - US 301 Project Planning Study / prepared for Maryland Department of Transportation, State Highway Administration. - Baltimore, MD, 2001. - 218 p.

65. Luyanda R., Gettman D., Head K., Shelby S.G., Bullock D., Mirchandani P. RT-TRACS: A real-time traffic adaptive control system // Transportation Research Record: Journal of the Transportation Research Board. - 2002. -No. 1811. - P. 103-111. - ISSN: 0361-1981. - DOI: 10.3141/1811-12."

66.Nowacki G. Development and Standardization of Intelligent Transport Systems // TransNav, the Internat. J. on Marine Navigation and Safety of Sea Transportation. Vol. 6. No. 3. 2012. pp. 403-411.

67.Shaheen, S. A., & Finson, R. Intelligent Transportation Systems. // Encyclopedia of Energy, 2004. pp 487-496. doi:10.1016/b0-12-176480-x/00191-1

68.Jahnavi S., Prasanth G., Priyanka D., Sneheth A., Navya M. Intelligent Traffic Light Management System. In: Kiran Mai C., Kiranmayee B.V., Favorskaya M.N., Chandra Satapathy S., Raju K.S. (eds) // Proceedings of International Conference on Advances in Computer Engineering and Communication Systems. Learning and Analytics in Intelligent Systems, vol 20. Springer, Singapore. 2021. pp 489-498. https://doi.org/10.1007/978-981-15-9293-5_45

69.Shelke, M., Malhotra, A. & Mahalle, P.N. Fuzzy priority based intelligent traffic congestion control and emergency vehicle management using congestion-aware routing algorithm. // J Ambient Intell Human Comput. 2019. p 18. https://doi.org/10.1007/s12652-019-01523-8

70.Hua X., Wang J., Lei L., Zhou B., Zhang X., Liu P. (2016) H-TDMS: A System for Traffic Big Data Management. In: Wu J., Li L. (eds) // Advanced Computer Architecture. ACA 2016. Communications in Computer and Information Science, vol 626. Springer, Singapore. 2016. pp 85-96. https://doi.org/10.1007/978-981-10-2209-8_8

71.Wan, K., Nguyen, N., & Alagar, V. Dependable Traffic Control Strategies for Urban and Freeway Networks. // Mobile Networks and Applications, 21(1), 2016. pp 98-126. doi:10.1007/s11036-016-0681-0

72.Maha Vishnu, V.C., Rajalakshmi, M. & Nedunchezhian, R. Intelligent traffic video surveillance and accident detection system with dynamic traffic signal control. // Cluster Comput 21, 2018. pp 135-147. https://doi.org/10.1007/s10586-017-0974-5

73.Zochowska, R., & Karon, G. ITS Services Packages as a Tool for Managing Traffic Congestion in Cities // Intelligent Transportation Systems - Problems and Perspectives, 2015, pp 81-103. doi:10.1007/978-3-319-19150-8_3

74.Khanna A., Goyal R., Verma M., Joshi D. (2019) Intelligent Traffic Management System for Smart Cities. In: Singh P., Paprzycki M., Bhargava B., Chhabra J., Kaushal N., Kumar Y. (eds) Futuristic Trends in Network and Communication Technologies. FTNCT 2018. Communications in Computer and Information Science, vol 958. Springer, Singapore. 2019. pp 152-164. https://doi.org/10.1007/978-981-13-3804-5_12

75.Quang, T.M., Kamioka, E.: Granular Quantifying Traffic States Using Mobile Probes. // In: 2010 IEEE 72nd Vehicular Technology Conference Fall, 2010, pp. 1-6.

76.Gora, P., & Wasilewski, P. Adaptive System for Intelligent Traffic Management in Smart Cities // Lecture Notes in Computer Science, 2014, pp 525-536. doi:10.1007/978-3-319-09912-5_44

77.Seliverstov Ya.A., Seliverstov S.A., Malygin I.G., Korolev O.A. Traffic safety evaluation in northwestern federal district using sentiment analysis of internet users' reviews // Transportation Research Procedia. XIV International Conference on Organization and Traffic Safety Management in Large Cities (0TS-2020). 2020. pp 626-635.

78.Telang S., Chel A., Nemade A., Kaushik G. Intelligent Transport System for a Smart City // In: Tamane S.C., Dey N., Hassanien AE. (eds) Security and Privacy Applications for Smart City Development. Studies in Systems,

Decision and Control, vol 308. Springer, Cham. 2021, pp 171-187. https://doi.org/10.1007/978-3-030-53149-2_9

79.Malygin I.G., Korolev O.A., Komashinskiy V. Introduction into cognitive multimodal transportation systems // Transportation Research Procedia. XIV International Conference on Organization and Traffic Safety Management in Large Cities (0TS-2020). 2020. pp. 273-279. https://doi.org/10.1016/j.trpro.2020.10.033

80.Asaithambi, S. P. R., Venkatraman, R., & Venkatraman, S. MOBDA: Microservice-Oriented Big Data Architecture for Smart City Transport Systems // Big Data and Cognitive Computing, 4(3), 17. 2020, p 27. doi:10.3390/bdcc4030017

81.Amini, S., Gerostathopoulos, I., & Prehofer, C. Big data analytics architecture for real-time traffic control // 2017 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS). 2017. pp 1-7. doi:10.1109/mtits.2017.8005605

82.Seo, S.B., Yadav, P. & Singh, D. LoRa based architecture for smart town traffic management system // Multimed Tools Appl. 2020. pp 1-16. https://doi.org/10.1007/s11042-020-10091-5

83.Zalila-Wenkstern R., Steel T., Leask G. A Self-organizing Architecture for Traffic Management. In: Weyns D., Malek S., de Lemos R., Andersson J. (eds) // Self-Organizing Architectures. SOAR 2009. Lecture Notes in Computer Science, vol 6090. Springer, Berlin, 2010. pp 230-250. Heidelberg. https://doi.org/10.1007/978-3-642-14412-7_11

84.Ratrout N.T., Rahman S.M. A Comparative Analysis of Currently Used Microscopic and Macroscopic Traffic Simulation Software. The Arabian Journal for Science and Engineering. 34, no. 1B: pp 121-133. 2009

85.Lindgren R.V., Tantiyanugulchai S. Simulation of traffic control for a network of urban intersections // Proceedings of the 2001 Winter Simulation Conference (WSC), Arlington, VA, USA, December 9-12, 2001. - IEEE, 2001. - P. 1567-1575. - DOI: 10.1109/WSC.2001.977435.

86.Kotusevski G, Hawick K.A. A review of traffic simulation software. Technical Report CSTN-095. 2009. pp 1-19.

87.Gantz, D.T., Mekemson, J.R. Flow profile comparison of a microscopic car-following model and a macroscopic platoon dispersion model for traffic simulation. In: WSC' 90: Proceedings of the 22nd conference on Winter simulation, Piscataway, NJ, USA, IEEE Press (1990) 770-774

88.Khan, Z.H., Gulliver, T. A macroscopic traffic model for traffic flow harmonization. Eur. Transp. Res. Rev. 10, 30 (2018). https://doi.org/10.1186/s12544-018-0291-y

89.da Silva, B.C., Junges, R., de Oliveira, D., Bazzan, A.L.C.: Itsumo: an intelligent transportation system for urban mobility. In: AAMAS '06: Proceedings of the fifth international joint conference on Autonomous agents and multiagent systems, New York, NY, USA, ACM (2006), pp 1471-1472.

90.Ruan X., Zhou J., Tu H., Jin Z., & Shi X. An improved cellular automaton with axis information for microscopic traffic simulation. Transportation Research Part C: Emerging Technologies, 78. 2017. pp 63-77. doi:10.1016/j.trc.2017.02.023

91.Yu Y., El Kamel A., Gong G., & Li F. Multi-agent based modeling and simulation of microscopic traffic in virtual reality system. Simulation Modelling Practice and Theory. 45. 2014. pp 62-79. doi:10.1016/j.simpat.2014.04.001

92.Ying Li, Shoufeng Ma, Wu Li, & Huanchen Wang. (n.d.). Microscopic urban traffic simulation with multi-agent system. Fourth International Conference on Information, Communications and Signal Processing, 2003 and the Fourth Pacific Rim Conference on Multimedia. Proceedings of the 2003 Joint. 2003. - pp. 1835-1839. doi:10.1109/icics.2003.1292784

93.Mahato N. K., Klar A., & Tiwari S. Particle methods for multi-group pedestrian flow. Applied Mathematical Modelling, 53. 2018. - pp 447-461. doi:10.1016/j.apm.2017.08.024

94.Ferrara A., Sacone S., Siri S. Microscopic and Mesoscopic Traffic Models // Freeway Traffic Modelling and Control, Springer, 2018. - pp. 113-143. -DOI: 10.1007/978-3-319-75961-6_5.

95.Kessels, F. Mesoscopic Models. EURO Advanced Tutorials on Operational Research. 2018. - pp 99-106. doi:10.1007/978-3-319-78695-7_6

96.Burghout W., Koutsopoulos H.N., Andreasson I. Hybrid Mesoscopic Simulation // Fishwick P.A. (ed.) Handbook of Dynamic System Modeling. -Boca Raton: CRC Press, 2007. - Chapter 28. - P. 28-1-28-15. - ISBN: 9781-58488-565-8.

97.Navarro L., Corruble V., Flacher F., Zucker J.-D. A flexible approach to multi-level agent-based simulation with the mesoscopic representation. Proceedings of the Twelfth International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2013). pp. 159-166

98.Недяк А.В., Рудзейт О.Ю., Зайнетдинов А.Р. Классификация методов моделирования транспортных потоков //Вестник Евразийской науки, 2019 No6, https://esj.today/PDF/87SAVN619.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ.

99.Ullah M.R., Khattak K.S., Khan Z.H., Khan M.A., Minallah N., Khan A.N. Vehicular Traffic Simulation Software: A Systematic Comparative Analysis. Pakistan Journal of Engineering and Technology. Vol. 04. № 01, pp 66- 78. 2021.

https://www.researchgate.net/publication/350466666_Vehicular_Traffic_Si mulation_Software_A_Systematic_Comparative_Analysis

100. Захаров Ю.И., Карнаух Е.С.Основные современные инструменты имитационного моделирования транспортных потоков. Вюник Придншровсько! державно! академп будiвництва та архггектури. 2014. № 1 (190). С. 46-51. eLIBRARY ID: 23283106

101. Aimsun. Official website [Electronic resource]. - URL: https://www.aimsun.com/ (accessed: 28.06.2025).

102. Casas J., Ferrer J.L., Garcia D., Perarnau J., Torday A. (2010) Traffic Simulation with Aimsun. In: Barceló J. (eds) Fundamentals of Traffic Simulation. International Series in Operations Research & Management Science, vol 145. Springer, New York, NY. https://doi.org/10.1007/978-1-4419-6142-6_5

103. Seneviratne P. Access Traffic Simulation Model (ACTSIM). Utah State University, Logan, UT. pp 1-24. 2001. ITS-IDEA Project 78. Final Report. Accession Number: 00970456. https://trid.trb.org/view/698768

104. Seneviratne P. Access Traffic Simulation Model (ACTSIM). Utah State University, Logan, UT. pp 1-24. 2001. ITS-IDEA Project 78. Final Report. Accession Number: 00970456. https://trid.trb.org/view/698768

105. AvenueApp 2.0. Date 17.04.21, [Online] Available: http://avenue-app.com/en/

106. Lieu, H, Santiago, A. J., Kanaan, A. CORFLO. An integrated traffic simulation system for corridors. Traffic Management. Proceedings of the Engineering Foundation Conference. New York, NY : The Foundation. pp 15. 1992.

107. McTrans Center, University of Florida. TSIS-CORSIM: Traffic Software Integrated System [Electronic resource]. - URL: https://mctrans.ce.ufl.edu/mct/index.php/tsis-corsim/ (accessed: 28.06.2025).

108. Bloomberg, L., & Dale, J. Comparison of VISSIM and CORSIM Traffic Simulation Models on a Congested Network. Transportation Research Record: Journal of the Transportation Research Board, 1727, pp 52-60. 2000. doi:10.3141/1727-07

109. Milkovits, Martin et al. "DynaMIT 2.0: The Next Generation RealTime Dynamic Traffic Assignment System." 2010 Second International Conference on Advances in System Simulation. Nice, France, 2010. 45-51.

110. Qadri, S.S.S.M., Gôkçe, M.A. & Öner, E. State-of-art review of traffic signal control methods: challenges and opportunities. Eur. Transp. Res. Rev. 12, 55.2020. https://doi.org/10.1186/s12544-020-00439-1

111. van Aerde M.V., Hellinga B., Baker M., Rakha H. Integration: Overview of simulation features. pp. 15. 1996. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.116.4552

112. Kwon B., Michalopoulos P., Xie H., Tong S. Enhancements of the Kronos Simulation Package and Database for Geometric Design Planning, Operations and Traffic Management in Freeway Networks/Corridors (PhaseII). UNIVERSITY OF MINNESOTA. Center for Transportation Studies. Report №MN/RC - 95/1V. pp. 143.

113. Prevedouros, P. D., Watson, J., & Ji, J. Tests of Simulation Models FREQ, KRONOS, Integration and VISSIM in Replicating Congested Freeway Flow. Applications of Advanced Technology in Transportation. 2006. - pp 4V3-4V8. doi:10.1061/40V99(213)V5

114. Paramics Microsimulation. «PARAMICS DISCOVERY». Date 1V.04.21, [Online] Available: https://www.paramics.co.uk/en/

115. Van Vliet, D. SATURN-Simulation and Assignment of Traffic in Urban Road Networks. SATURN Manual v10 9 (2009).

116. Ullah, M., Khattak, K., Khan, Z., Khan, M., Minallah, N. and Khan, A. 2021. Vehicular Traffic Simulation Software: A Systematic Comparative Analysis. Pakistan Journal of Engineering and Technology. 4, 01 (Mar. 2021), 66-V8. DOI:https://doi.org/10.51846/pakistan j engg & tech.v4i01.686.

11V. SATURN. Congested Highway Assignment Software. Date 1V.04.21, [Online] Available: https://saturnsoftware2.co.uk/

118. Shaaban, K., & Kim, I. (2015). Comparison of SimTraffic and VISSIM Microscopic Traffic Simulation Tools in Modeling Roundabouts. Procedia Computer Science, 52, 43-50. doi:10.1016/j.procs.2015.05.016

119. PTV Vissim. Date 1V.04.21, [Online] Available: https://www.ptvgroup.com/en/solutions/products/ptv-vissim/

120. Селиверстов С.А., Селиверстов Я.А., Лукомская О.Ю., Сазанов А.М., Шкодырев В.П. Анализ функциональных особенностей интеллектуальных систем управления транспортными потоками.

//Транспорт: наука, техника, управление. Научный информационный сборник. 2023. № 12. С. 25-31.

121. S. A. Seliverstov, A. M. Sazanov, O. Y. Lukomskaya, K. V. Nikitin, N. V. Shatalova and E. N. Benderskaya. Analysis of Modern Approaches to Optimizing Traffic Control Systems. 2021 XXIV International Conference on Soft Computing and Measurements (SCM), St. Petersburg, Russia, 2021, pp. 106-108, doi: 10.1109/SCM52931.2021.9507147.

122. Селиверстов С.А., Селиверстов Я.А., Шаталова Н.В., Сазанов А.М. Разработка архитектуры когнитивной транспортной системы. Транспорт: наука, техника, управление. Научный информационный сборник. 2024. № 4. С. 8-12.

123. Dowling R., Skabardonis A., Alexiadis V., Hardy M. Traffic Analysis Toolbox Volume III: Guidelines for Applying Traffic Microsimulation Modeling Software / Report No. FHWA-HRT-04-040. - McLean, VA: U.S. Department of Transportation, Federal Highway Administration, 2004. - 146 p.

124. Tan T. Data-Driven Adaptive Traffic Signal Control via Deep Reinforcement Learning: Diss. Doctor of Philosophy in Civil and Environmental Engineering. - Stanford, CA: Stanford University, 2020. - 142 p. - URL: http://purl.stanford.edu/fs712rs0591 (дата обращения: 01.07.2025).

125. Swapno S.M.M.R., Nobel S.M.N., Ramachandra A.C., Islam M.B., Haque R., Rahman M.M. Traffic Light Control Using Reinforcement Learning // Proceedings of the 2024 International Conference on Integrated Circuits and Communication Systems (ICICACS). - IEEE, 2024. - DOI: 10.1109/ICICACS60521.2024.10498933.

126. Silva B.C. da, Junges R., de Oliveira D., Bazzan A.L.C. A simulation based evaluation of adaptive traffic signal control with reinforcement learning // Proceedings of the 2013 International Joint Conference on Neural Networks

(IJCNN), Dallas, TX, USA, August 4-9, 2013. - IEEE, 2013. - P. 517-523. - DOI: 10.1109/IJCNN.2013.6706752.

127. Ullah M.R., Khattak K.S., Khan Z.H., Khan M.A., Minallah N., Khan A.N. A survey of reinforcement and deep reinforcement learning for traffic signal control // Artificial Intelligence Review. - 2022. - Vol. 55, No. 5. - P. 4099-4173. - ISSN: 0269-2821. - DOI: 10.1007/s10462-021-10013-z.

128. Сазанов А.М. Разработка архитектуры интеллектуальной системы управления дорожным движением /Селиверстов С.А., Сазанов А.М., Никитин К.В., Бендерская Е.Н., Селиверстов Я.А.// Международная конференция по мягким вычислениям и измерениям. -2021. - Т. 1. - С. 281-285.

129. Сазанов А.М. Разработка центрального микросервиса для интеллектуального управления светофорными объектами. /Сазанов А.М., Селиверстов Я.А., Селиверстов С.А.// Транспорт России: проблемы и перспективы-2024. Материалы Международной научно-практической конференции. Санкт-Петербург, 2024.

130. Сазанов А.М. Разработка алгоритма синхронизации программ дорожного контроллера // Информатика, телекоммуникации и управление. 2025. Т. 17, № 4. С. 56-63. DOI: 10.18721/JCSTCS.17405

131. Сазанов А.М., Шкодырев В.П., Устинов С.М. Разработка двухконтурного метода интеллектуального светофорного регулирования на основе обучения с подкреплением и почасовой дистилляции фазовых стратегий // Информатика, телекоммуникации и управление. 2025. Т. 18, № 3. С. 144-153. DOI: 10.18721/JCSTCS.18313

132. ГОСТ Р 52398-2005. Автомобильные дороги. Классификация автомобильных дорог. Основные параметры и требования. - Введ. 01.01.2007. - М.: Стандартинформ, 2006.

133. Signalized Intersections: Informational Guide. FHWA-HRT-04-091. Federal Highway Administration. Washington, DC, 2004. 362 p.

134. Minh C. C. The delay estimation under heterogeneous traffic conditions at signalized intersections // Journal of the Eastern Asia Society for Transportation Studies. 2009. Vol. 8. P. 142-156.

135. Hanafi M. Yassine, Shkodyrev V.P. Hierarchical Pareto optimality approach for intelligent control system in oil manufacturing // Computing, Telecommunications and Control. 2021. Т. 14, № 4. С. 61-70. DOI: 10.18721/JCSTCS.14406

136. Centre for Economics and Business Research (Cebr). The future economic and environmental costs of gridlock in 2030 : whitepaper [Электронный ресурс]. — [S. l.] : Cebr ; INRIX, 2014. — 67 p. — URL: https://inrix.com/wp-content/uploads/2021/05/Whitepaper_Cebr-Cost-of-Congestion.pdf (дата обращения: 21.01.2026).

ПРИЛОЖЕНИЕ А. Листинг программного кода алгоритма синхронизации фаз

Все исходники также доступны онлайн по данному адресу: https://github.com/imperiuse/sync-algo-materials (Дата обращения: 07.09.2025). Файл phasesleftcounter.go package phasescounter

import (

pb "gitlab-tc.dev.codd.local/theseus/rc-client/external/proto-core-rc/v1" )

const oneHourlnSeconds = 3600 type (

Phase = pb.RC_Phase Phases = []*pb.RC_Phase

)

func getPhasesLeftRaw( phasesLeft int, phasesLeftSeconds int64, deadlineSeconds int64, phases Phases, curPhaseNumber int, startPhaseNumber int, ) (int, int64) {

tMain := phases[curPhaseNumber].TOsn tInterim := phases[curPhaseNumber].TProm phaseT := int64(tMain + tInterim)

if !phases[curPhaseNumber].IsHidden { deadlineSeconds -= phaseT if deadlineSeconds <= 0 && curPhaseNumber == startPhaseNumber {

return phasesLeft, phasesLeftSeconds

}

phasesLeftSeconds += phaseT phasesLeft++

}

curPhaseNumber++

if curPhaseNumber >= len(phases) { curPhaseNumber = 0

}

return getPhasesLeftRaw( phasesLeft, phasesLeftSeconds, deadlineSeconds, phases,

curPhaseNumber, startPhaseNumber)

}

func GetPhasesLeft(

deadlineSeconds int64, phases Phases,

currentProgramTCycle uint32, currentPhaselD uint32, startPhaselD uint32, ) (phasesLeft int, phasesLeftSeconds int64) { if len(phases) == 0 II

currentProgramTCycle == 0 II deadlineSeconds <= 0 II deadlineSeconds > oneHourlnSeconds { return

}

var (

startPhaseNumberFound bool startPhaseNumber int

curPhaseNumberFound bool curPhaseNumber int

lenPhasesNonHidden int

)

for i, ph := range phases { if ph == nil {

return 0, 0 } else if Iph.IsHidden {

lenPhasesNonHidden++

if ph.Id == currentPhaselD {

curPhaseNumberFound = true curPhaseNumber = i

}

if ph.Id == startPhaseID {

startPhaseNumberFound = true startPhaseNumber = i

}

}

}

if !curPhaseNumberFound || !startPhaseNumberFound { return

}

phasesLeft, phasesLeftSeconds = getPhasesLeftRaw( 0, 0,

deadlineSeconds, phases,

curPhaseNumber, startPhaseNumber)

if phasesLeftSeconds > deadlineSeconds { phasesLeft -= lenPhasesNonHidden phasesLeftSeconds -= int64(currentProgramTCycle)

}

return

}

program.go

import (

"context"

"fmt"

"math"

"sync/atomic" "time"

mrc "github.com/BoskyWSMFN/go-chan-broadcast/pkg/broadcast"

pb "gitlab-tc.dev.codd.local/theseus/rc-client/external/proto-core-rc/vi"

"gitlab-tc.dev.codd.local/theseus/rc-client/internal/domain/clientstate/dump"

gp "gitlab-tc.dev.codd.local/theseus/rc-client/internal/domain/program/generatedprogram"

"gitlab-tc.dev.codd.local/theseus/rc-client/internal/domain/program/phasescounter"

"gitlab-tc.dev.codd.local/theseus/rc-client/internal/domain/program/programvalidator"

"gitlab-tc.dev.codd.local/theseus/rc-client/internal/logger"

"gitlab-tc.dev.codd.local/theseus/rc-client/internal/logger/field"

"gitlab-tc.dev.codd.local/theseus/rc-client/tools/ctxtimer"

"gitlab-tc.dev.codd.local/theseus/rc-client/tools/deepcopy"

"gitlab-tc.dev.codd.local/theseus/rc-client/tools/minmax" tst "gitlab-tc.dev.codd.local/theseus/rc-client/tools/tstimestamp" )

type (

RCProgramManager interface {

BufferProgram(prog *Program, startTime time.Time, nowTime time.Time, forced bool) error

ForwardNextPhase(currentPhaseID uint32, nowTime time.Time) error

SubscribeToProgramApplySignal() mrc.Subscriber[signal]

SubscribeToCountedPhasesSignalO mrc.Subscriber[signal]

SubscribeToForwardNextPhaseSignal() mrc.Subscriber[signal]

CopyLocalProgramTo(*Program) CopyCurrentProgramTo(*Program)

GetDeltaSecondsForPhase(phaseID uint32, nowTime time.Time) uint32

GetTimeLeftForCurrentPhase(nowTime time.Time) time.Duration

GetTimeLeftForBufferedProgramToApply(nowTime time.Time) time.Duration

GetMinimalPossibleStartTime(nowTime time.Time)

time.Time

ResetLocalProgramCounter()

}

coordinatorI interface {

SubscribeToSnapshots() mrc.Subscriber[*dump.Snapshot]

UpdateSignalGroups([]uint32, time.Time)

}

expectedStater interface {

GetExpectedStatus() Status GetExpectedPhaseID() uint32 GetExpectedPhaseStart() time.Time

}

coordinationStater interface { IsCoordinated() bool IsPhaseKept() bool

}

LocalProgramStorageI interface {

StoreProgram(ctx context.Context, startedAt time.Time, finishedAt time.Time, prog *pb.RC_Program)

GetActualProgram(ctx context.Context, nowTime

time.Time) (*pb.RC_Program, error) }

rcProgramState struct { //nolint: govet

coordinator coordinatorI

eStater expectedStater

cStater coordinationStater

programGenerator gp.LocalProgramGenerator programCache LocalProgramStorageI

newProgramSignal mrc.Broadcaster[signal] countedPhasesSignal mrc.Broadcaster[signal] phaseForwardedSignal mrc.Broadcaster[signal]

phaseForwardedLocalSignal chan signal newBufProgSignal chan signal

sendPhaseForwardedSignalFunc func() sendNewBufProgSignalFunc func()

log *logger.Logger

programApplyTimer *ctxtimer.TimerCtx

localProgram *atomic.Pointer[Program]

currentProgram *atomic.Pointer[Program]

currentProgramStartTime *timestamp

bufferedProgram *atomic.Pointer[Program]

bufferedProgramStartTime *timestamp isBufferedProgramFromCore *atomic.Bool

maxPhasesLen *atomic.Uint32

cyclesToAddToKeepInTimeSpan uint32

}

Status = pb.RC_StatusMsg_StatusRC Program = pb.RC_Program timestamp = tst.Timestamp

signal = struct{}

)

func NewRCProgramManager(

globalCtx context.Context, subscr coordinatorI, eStater expectedStater,

cStater coordinationStater, programCache LocalProgramStoragel, log *logger.Logger, localProgramlnErrorSeconds int, cyclesToAddToKeepInTimeSpan int, ) RCProgramManager {

const initStartPhaselD = 1

p := createRCProgramState(

globalCtx, subscr, eStater, cStater, programCache, log, localProgramlnErrorSeconds, cyclesToAddToKeepInTimeSpan,

)

nowTime := time.Now().UTC()

p.currentProgramStartTime.SetTime(nowTime)

localProgram, err := programCache.GetActualProgram(globalCtx, nowTime) if err != nil {

localProgram = &pb.RC_Program{

Phases: []*pb.RC_Phase{ {

Id: initStartPhaselD,

},

},

StartPhaseld: initStartPhaselD,

}

}

p.localProgram.Store(localProgram)

currentProgram := new(Program) deepcopy.RCProgram(currentProgram, localProgram) p.currentProgram.Store(currentProgram)

p.sendPhaseForwardedSignalFunc = func() { select {

case <-globalCtx.Done():

case p.phaseForwardedLocalSignal <- signal{}: }

}

p.sendNewBufProgSignalFunc = func() {

select {

case <-globalCtx.Done():

case p.newBufProgSignal <- signal{}: }

}

p.startWorkers(globalCtx) return p

}

func createRCProgramState(

globalCtx context.Context, subscr coordinatorI, eStater expectedStater, cStater coordinationStater, programCache LocalProgramStorageI, log *logger.Logger, localProgramInErrorSeconds int, cyclesToAddToKeepInTimeSpan int, ) *rcProgramState {

const defaultCyclesToAdd = 3

if cyclesToAddToKeepInTimeSpan < defaultCyclesToAdd { cyclesToAddToKeepInTimeSpan = defaultCyclesToAdd

}

return &rcProgramState{

coordinator: subscr,

eStater: eStater,

cStater: cStater,

programGenerator: gp.NewLocalProgramGenerator(globalCtx, localProgramInErrorSeconds),

programCache: programCache,

newProgramSignal: mrc.New[signal](), countedPhasesSignal: mrc.New[signal](), phaseForwardedSignal: mrc.New[signal](),

phaseForwardedLocalSignal: make(chan signal), newBufProgSignal: make(chan signal),

log: log.With(field.Module("Program Manager")),

programApplyTimer: ctxtimer.NewTimerCtxWithTimeout(globalCtx, time.Second),

localProgram: new(atomic.Pointer[Program]),

currentProgram: new(atomic.Pointer[Program]),

currentProgramStartTime: tst.NewTimestamp(),

bufferedProgram: new(atomic.Pointer[Program]),

bufferedProgramStartTime: tst.NewTimestamp(), isBufferedProgramFromCore: new(atomic.Bool),

maxPhasesLen: new(atomic.Uint32),

cyclesToAddToKeepInTimeSpan:

uint32(cyclesToAddToKeepInTimeSpan), }

}

func (p *rcProgramState) BufferProgram(prog *Program, startTime time.Time, nowTime time.Time, forced bool) error {

if !programvalidator.ValidateProgram(prog.GetTCycle(), prog.GetPhases()) {

return fmt.Errorf("RCProgramManager.BufferProgram():

bad program") }

if !p.checkPhasesAmount(prog) {

return fmt.Errorf("RCProgramManager.BufferProgram():

too many phases for RC") }

if !forced {

if !p.checkStartTime(startTime, nowTime) { return

fmt.Errorf("RCProgramManager.BufferProgram(): need more time to

apply program") }

} else {

startTime = p.GetMinimalPossibleStartTime(nowTime) p.log.Debug("minimal possible start time", field.String("duration",

startTime.Sub(nowTime).String())) }

defer p.log.Debug("program from Core buffered", field.ID(prog.Id))

newProg := new(Program) deepcopy.RCProgram(newProg, prog)

p.bufferedProgram.Store(newProg)

p.bufferedProgramStartTime.SetTime(startTime)

p.isBufferedProgramFromCore.Store(true)

p.programApplyTimer.ResetWithDeadline(startTime)

if forced {

p.sendNewBufProgSignalFunc()

}

return nil

}

func (p *rcProgramState) ForwardNextPhase(receivedPhaseID uint32, nowTime time.Time) error {

if !p.cStater.IsCoordinated() { return fmt.Errorf(

"RCProgramManager.ForwardNextPhase(): have to be in coordination mode", )

}

if p.cStater.IsPhaseKept() { return fmt.Errorf(

"RCProgramManager.ForwardNextPhase(): keeping

current phase", )

}

currentPhaseID := p.eStater.GetExpectedPhaseID() if receivedPhaseID != currentPhaseID { return fmt.Errorf(

"RCProgramManager.ForwardNextPhase(): bad phase - received %d, current %d",

receivedPhaseID, currentPhaseID,

)

}

timeSpent := uint32( math.Round(

nowTime.Sub(p.eStater.GetExpectedPhaseStart()).Seconds(), )

for _, ph := range p.currentProgram.Load().Phases { if currentPhaseID != ph.Id { continue

}

if timeSpent >= ph.TMin {

p.sendPhaseForwardedSignalFunc()

return nil

}

return fmt.Errorf(

"RCProgramManager.ForwardNextPhase(): in T minimum, send again after %d seconds",

ph.TMin-timeSpent,

)

}

return fmt.Errorf(

"RCProgramManager.ForwardNextPhase(): phase %d not found in current program", currentPhaseID, ) // this error should never appear

}

func (p *rcProgramState) SubscribeToProgramApplySignal() mrc.Subscriber[signal] {

return p.newProgramSignal.Subscribe()

}

func (p *rcProgramState) SubscribeToCountedPhasesSignal() mrc.Subscriber[signal] {

return p.countedPhasesSignal.Subscribe()

}

func (p *rcProgramState) SubscribeToForwardNextPhaseSignal() mrc.Subscriber[signal] {

return p.phaseForwardedSignal.Subscribe()

}

func (p *rcProgramState) CopyLocalProgramTo(prog *Program) { p.copyProgramToFrom(prog, p.localProgram)

}

func (p *rcProgramState) CopyCurrentProgramTo(prog *Program) { p.copyProgramToFrom(prog, p.currentProgram)

}

func (p *rcProgramState) GetDeltaSecondsForPhase(phaseID uint32, nowTime time.Time) uint32 {

if p.bufferedProgram.Load() == nil { return 0

}

bufProgStartTime := p.bufferedProgramStartTime.GetTime()

if bufProgStartTime.IsZero() II nowTime.After(bufProgStartTime) { return 0

}

deadlineSeconds := bufProgStartTime.Unix() -nowTime.Unix()

curProg := p.currentProgram.Load() phasesLeft, phasesLeftSeconds := phasescounter.GetPhasesLeft( deadlineSeconds, curProg.Phases, curProg.TCycle, phaseID,

p.bufferedProgram.Load().GetStartPhaseId(),

)

if phasesLeft == 0 II phasesLeftSeconds == 0 { return 0

}

// actual delta. Should always be same for each phase in program.

deltaSeconds := uint32(deadlineSeconds-phasesLeftSeconds) / uint32(phasesLeft)

// to add leap second to first phase in program, usually -

// there will always should be at least one phase in phases slice.

if int(deadlineSeconds-phasesLeftSeconds)%phasesLeft > 0 { for _, ph := range curProg.Phases { if ph.IsHidden { continue

}