Prognozowanie ruchu na drogach krajowych
Artykuł w czasopiśmie
| Status: | |
| Warianty tytułu: |
Traffic forecasting on national roads
|
| Autorzy: | Kukiełka Jerzy |
| Rok wydania: | 2012 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | polski |
| Numer czasopisma: | 1 |
| Wolumen/Tom: | 10 |
| Strony: | 131 - 144 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 11 czerwca 2012 |
| Abstrakty: | polski | angielski |
| Celem tej pracy jest analiza obciążeń nawierzchni drogowych ruchem oraz jego prognozy, głównie w aspekcie projektowania przebudowy dróg lub wzmacniania nawierzchni. W obecnej chwili metoda modelowa jest metodą, która daje największe możliwości prognozowania ruchu pojazdów. Przygotowanie cyfrowego modelu sieci drogowej oraz ruchu pojazdów, który na niej się odbywa pozwala na wyeliminowanie wielu wad dotychczasowych metod prognozowania. Dla dokładnego prognozowania ruchu pojazdów ciężkich metodą modelową niezbędne jest zbudowanie jak najlepszej bazy wiedzy o ruchu występującym na istniejącej sieci drogowej w szczególności w oparciu o jak największą liczbę punktów umożliwiających zarówno klasyfikację jak i preselekcję wagową klasy np. WIM-P. | |
| The purpose of this paper is the analysis of traffic load on road pavement and it forecasting, in aspect of designing the reconstruction of roads and pavement strengthening. At present modeling method is a method that offers highest level of traffic load forecasting. Preparation of the digital model of road network and traffic load, which take place on it, allows to eliminate many drawbacks of existing methods of forecasting. For accurate predictions of heavy vehicles by model it is necessary to build the best possible knowledge base of traffic load which is present on the existing road network in particularly based on the largest number of measure spots to both classification and pre-selection of weight classes such as WIM-P. |
