Calculation and optimization of transport hub operation
DOI:
https://doi.org/10.46299/j.isjea.20260503.14Keywords:
transport hub, passenger transfer, transfer time, queueing theory, queues, discrete-event simulation, microsimulation, timetable synchronization, optimizationAbstract
The paper focuses on the assessment and optimization of a transport hub as a critical element of an urban/regional network, where passenger transfers take place and local queues and delays are generated, affecting system-wide reliability. The goal is to obtain quantitative performance indicators of the hub (flow rates, element utilization, walking and waiting times) and to justify optimization measures aimed at reducing transfer time and improving capacity and robustness without excessive capital investments. The relevance is driven by growing demand, the integration of first/last-mile services, and the need for data-informed operational improvements. The study reviews state-of-the-art methods for hub analysis: queueing theory to estimate congestion and waiting, discrete-event and agent-based microsimulation to reproduce spatiotemporal passenger dynamics, mathematical programming to synchronize timetables and solve platform/bay assignment problems, and data-driven demand forecasting methods. A combined methodology is selected, coupling analytical “bottleneck” calculations with simulation-based scenario optimization. An experiment is conducted by comparing a baseline operating mode with alternative organizational scenarios (arrival synchronization, platform/bay reallocation, entry-flow control) and evaluating the impacts using mean/quantile transfer times and critical-element utilization. The scientific contribution is an integrated calculation structure that links “timetable– transfer–capacity” decisions and supports actionable operational recommendations. The results can be applied to existing hub modernization projects and further research on adaptive, data-driven hub management.References
Вихідні дані та припущення
Задано узагальнений вузол із одним критичним сервісним елементом (наприклад, турнікетна група) типу M/M/s та одним критичним переходом. Прийнято: λ = 5.5 пас./хв, µ = 2.0 пас./хв, s = 3; швидкість пішоходів описується залежністю v(k), де v0 = 1.4 м/с, kmax = 5 осіб/м2.
Результати експерименту
Результати порівняння сценаріїв наведено в табл. 1 та на рис. 4.
Таблиця 1. Порівняння сценаріїв експерименту
Рис. 4. Порівняння середнього часу пересадки за сценаріями.
Висновок до розділу
Експеримент показав, що організаційні заходи (синхронізація прибуттів та перерозподіл платформ/посадкових місць) забезпечують зменшення середнього та високо квантильного часу пересадки, а також знижують навантаження на критичні елементи вузла. Найкращі результатипродемонструвавсценарійS2,щопідтверджує важливість врахування пасажиропотоків при призначенні ресурсів вузла.
SWOT-аналіз.
S (сильні сторони):
Поєднання розрахунків і симуляції дає кількісну оцінку ефектів.
Підтримує сценарний аналіз без дорогих натурних втручань.
Орієнтація на показники пересадки (час, черги, щільність) відповідає цілям сервісу.
W (слабкі сторони):
Результати чутливі до якості вхідних даних і калібрування.
Спрощення геометрії/поведінки пасажирів може занижувати ризики перевантаження.
Пошук найкращих рішень у великому просторі сценаріїв може бути обчислювально складним.
O (можливості):
Інтеграція AFC/AVL та відеоаналітики для адаптивного управління.
Розширення до robust-оптимізації для збоїв/піків попиту.
Використання підходу для обґрунтування реконструкції вузлів і TOD.
T (загрози):
Раптові збої (інциденти, ремонт, погодні умови) змінюють параметри потоків.
Обмеження доступу до даних або їх неповнота.
Організаційні рішення можуть мати соціальне неприйняття (зміна маршрутів/звичок).
Перспективи подальших досліджень: калібрування параметрів вузла на основі реальних даних AFC/AVL та відеоспостереження; (ii) розроблення robust- та адаптивних стратегій керування потоками в режимі реального часу; (iii) інтеграція моделей вибору маршруту/пересадки пасажира із симуляцією внутрішньої роботи вузла; (iv) оцінка ефектів інфраструктурної реконструкції (розширення проходів, зміна навігації) у поєднанні з організаційними заходами.
Наукова новизна полягає у формалізації інтегрованого підходу до оцінки ефективності рішень «розклад– пересадка–пропускна здатність» на рівні транспортного вузла з використанням кількісних показників (середні та квантильні часи пересадки, черги, щільність).
Висновки
У роботі розглянуто проблему розрахунку та оптимізації роботи транспортного вузла як «вузької ланки» транспортної мережі, що визначає час пересадки, надійність і комфорт перевезень. На основі огляду літератури та методів сучасної науки сформовано підхід, який поєднує розрахункові моделі черг, імітаційне моделювання та оптимізацію організаційних рішень (синхронізація прибуттів, призначення платформ/посадкових місць).
Систематизовано методи аналізу транспортних вузлів і визначено їх придатність для задач розрахунку потоків і оптимізації режимів роботи.
Запропоновано комбіновану методику «СМО+DES + сценарна оптимізація», що дозволяє враховувати як внутрішні черги, так і організаційні управлінські рішення.
Проведено імітаційний експеримент, який підтвердив, що синхронізація прибуттів та перерозподіл ресурсів зменшують час пересадки та навантаження на критичні елементи вузла.
Список літератури:
So J., Chae M., Hong J., Youm J., Kim S. H.,Kim J. Integrated Mobility Hub Location Selection for Sustainable Urban Mobility // Sustainable Cities and Society. – 2023.
Optimisation of mobility hub locations for a sustainable mobility system // Transportation Research Interdisciplinary Perspectives.2024. – Vol. 26. – Art. 101193. –DOI: 10.1016/j.trip.2024.101193.
Optimization and Implementation Framework for Connected Demand Responsive Transit (DRT) Considering Punctuality // Sustainability.2025. – Vol. 17, No. 3. – Art. 1079. –DOI: 10.3390/su17031079.
A passenger flow spatial–temporal distribution model for a passenger transit hub considering node queuing // Transportation Research Part C: Emerging Technologies. – 2024. – Vol. 163. – Art. 104640. – DOI: 10.1016/j.trc.2024.104640.
Train platforming problem from the viewpoint of passenger flow management // Transportation. – 2025. – DOI: 10.1007/s11116-025-10650-5.
Ren X., Chow J. Y. J. A data fusion approach for mobility hub impact assessment and location selection: integrating hub usage data into a largescale mode choice model [Електронний ресурс]. – arXiv preprint. – 2025. – arXiv:2510.08366.
Barrera Hernandez J. E., Tarazona Torres L. E., Tabares A., Álvarez-Martínez D. Optimization of Bus Dispatching in Public Transportation Through a Heuristic Approach Based on Passenger Demand Forecasting // Smart Cities. – 2025. – Vol. 8, No. 3.Art. 87. – DOI: 10.3390/smartcities8030087.
Integrated optimization of bus bridging service design and passenger assignment in response to urban rail transit disruptions // Transportation Research Part C: Emerging Technologies. – 2023. – Vol. 150. – Art. 104098. – DOI: 10.1016/j.trc.2023.104098.
Short-term passenger flow forecast for urban rail transit based on multi-source data // EURASIP Journal on Wireless Communications and Networking. – 2021. – Art. 9. –DOI: 10.1186/s13638-020-01881-4.
He Y., Li L., Zhu X., Tsui K. L. Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for Short-Term Forecasting of Transit Passenger Flow [Електронний ресурс]. – arXiv preprint. – 2021. – arXiv:2107.13226.
Locating transit hubs in a multi-modal transportation network: A cluster-based optimization approach // Transportation Research Part E: Logistics and Transportation Review. – 2018. – Vol. 114. – P. 85– 103. – DOI: 10.1016/j.tre.2018.03.008.
Yu B., Zhu H., Cai W., Ma N., Kuang Q., Yao B.Two-phase optimization approach to transit hub location — the case of Dalian // Journal of Transport Geography. – 2013. – Vol. 33. – P. 62–71. –DOI: 10.1016/j.jtrangeo.2013.09.008.
Optimization and Implementation Framework for Connected Demand Responsive Transit(DRT) Considering Punctuality // Sustainability.2025. – Vol. 17, No. 3. – Art. 1079. –DOI: 10.3390/su17031079.
Lu W., Zhang Y., Vu H. L., Xu J., Li P. IPF-HMGNN: A novel integrative prediction framework for metro passenger flow [Електронний ресурс]. – arXiv preprint. – 2024. – arXiv:2409.14104.
Timetable synchronization optimization in a subway–bus network // Physica A: Statistical Mechanics and its Applications.2022. – Vol. 608, Part 1. – Art. 128273. –DOI: 10.1016/j.physa.2022.128273.
Optimizing Timetable Synchronization for Rail Mass Transit // Transportation Research Record. – 2004.
Hecht J., Li W., Li Z., Dehbi Y. Review of Passenger Flow Modelling Approaches Based on a Bibliometric Analysis [Електронний ресурс]. – arXiv preprint. – 2025. – arXiv:2511.13742.
Subway Multi-Station Coordinated DynamicControl Method Considering Transfer Inbound Passenger Flow // Sustainability. – 2024. – Vol. 16, No. 24. – Art. 11292. – DOI: 10.3390/su162411292.
Uribe-Laverde M. A., Oquendo-Patiño W. F.Critical Role of Docking Bay Assignment in the Performance of a Bus Rapid Transit System [Електронний ресурс]. – arXiv preprint. – 2019. – arXiv:1906.11916.
Zahedi S., Koutsopoulos H. N., Ma Z. Dynamic Interlining in Bus Operations [Електронний ресурс]. – arXiv preprint. – 2022. – arXiv:2204.09971.
Jiang H., Samaranayake S. Approximation Algorithm for Generalized Budgeted Assignment Problems and Applications in Transportation Systems [Електронний ресурс]. – arXiv preprint. – 2022. – arXiv:2208.11832.
Urban Transit Hub Location Planning with a ClusterBased Optimization Model // TRID record. – 2021.
An analysis of layout strategies for public transport hubs in polycentric urban regions considering functional classification // International Journal of Transportation Science and Technology. – 2025. – DOI: 10.1016/j.ijtst.2025.02.003.
Research on the Classification of Rail Transit Stations and Passenger Flow Patterns—A Case from Xi’an, China // Buildings. – 2024. – Vol. 14, No. 4. – Art. 1068. – DOI: 10.3390/buildings14041068.
Estimating Rail Transit Passenger Flow Considering Built Environment Factors: A Case Study in Shenzhen // Applied Sciences.2024. – Vol. 14, No. 23. – Art. 10799. –DOI: 10.3390/app142310799.
Larson R. C., Odoni A. R. Urban OperationsResearch. – Prentice-Hall, 1981.
Ross S. M. Introduction to Probability Models. 11th ed. – Academic Press, 2014.
Helbing D., Molnár P. Social force model for pedestrian dynamics // Physical Review E. – 1995.Vol. 51, No. 5. – P. 4282–4286.
Treiber M., Kesting A. Traffic Flow Dynamics: Data, Models and Simulation. – Springer, 2013.
Cormen T. H., Leiserson C. E., Rivest R. L., Stein C. Introduction to Algorithms. 3rd ed. – MIT Press, 2009.
Deb K., Pratap A., Agarwal S., Meyarivan T. A fast and elitist multiobjective genetic algorithm:NSGA-II // IEEE Transactions on Evolutionary Computation. – 2002. – Vol. 6, No. 2. – P. 182–197.
Montgomery D. C. Design and Analysis ofExperiments. 9th ed. – Wiley, 2017.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Nataliya Kobrina, Konstantyn Dolia
This work is licensed under a Creative Commons Attribution 4.0 International License.
