CC BY
21
УДК 004.416.6 DOI: 10.20998/2411-0558.2018.42.07
М. В. ДЕРКАЧ, ст. викл., СНУ iм. В. Даля, Северодонецьк,
I. С. СКАРГА-БАНДУРОВА, д-р техн. наук, доц., зав.каф., СНУ
iм. В. Даля, Северодонецьк,
В. О. ХИШЕВ, магютр, СНУ iм. В. Даля, Северодонецьк
НАЛАШТУВАННЯ МОДЕЛ1 ПРОГНОЗУВАННЯ ЧАСУ
ПРИБУТТЯ ГРОМАДСЬКОГО ТРАНСПОРТУ НА ЗУПИНКИ М1СТА
Стаття присвячена питанию створення 1оТ-системи для прогнозування та шформування пасажир1в про час прибуття транспортних засоб1в на зупинки м1ста. Розробка являе собою штеграцш обчислювальних 1 комушкацшних систем, спрямованих на полегшення взаемодп м1ж ф1зичними об'ектами через мережу 1нтернет. Наведена базова модель для прогнозування часу прибуття транспортного засобу вздовж маршруту та вар1ант Н настроювання для покращення прогнозу. Наведено результати пор1вняння практичного застосування моделей в режим1 реального часу для тролейбусного парку м1ста Северодонецьк. Визначено загальне вщхилення розрахунк1в прогнозу в1д дшсного часу прибуття тролейбуса на контрольш точки (зупинки). 1л.: 2. Табл.: 2. Б1блюгр.: 14 назв.
Ключовi слова: прогнозування; час прибуття; транспортний зааб; модель; контрольна точка.
Постановка проблеми. Сучасна теидеицiя розвитку мюта призводить до збiльшеиия кшькосп транспортних засобiв. У зв'язку з чим зростають вимоги до безпеки i зручиостi пасажирiв, якостi послуг i комфорту пересування. Для розв'язання таких проблем остаииi десятилiття застосовуються iителектуальиi траиспортиi системи [2], що включають комп'ютериi технологи, технологи зв'язку, системи позицюнування та автоматики, рiзиомаиiтиi засоби управлiиия транспортними системами, архитектура яких створюе основу ефективного впровадження широкого спектра послуг для користувача. Гнучкють вибору мiж рiзними функщями дае тим, хто 1'х впроваджуе, можливють вибору певно'1' технологи, що задовольняе мюцевим, регiональним або нацюнальним потребам. У сферi громадського транспорту використовуються новiтнi технологи, такi як системи автоматичного збору шформаци про кшькють пасажирiв на борту та зупинках, визначення мюцеперебування транспортного засобу (ТЗ), iдентифiкацiя автомобiля, тощо [3]. Розробляються апаратно-програмнi комплекси, призначенi для шформування про час прибуття громадського транспорту на зупинки мюта. Таю системи ефективно працюють у багатьох крашах свiту таких, як Канада [4], Китай [5, 6], Iндiя, Швещя, Чехiя, Румунiя [7],
© М.В. Деркач, 1.С. Скарга-Бандурова, В.О. Хишев, 2018
Пакистан та шш1 Бшьшють з них, для прогнозу часу прибуття транспортного засобу використовують модели засноваш на середшх показниках руху; регресивнi моделц моделi машинного навчання на основi штучних нейронних мереж i методу опорних векторiв; моделi на основi фiльтра Калмана та динамiчнi модель
В Укра'1'ш впровадження таких систем все ще знаходиться на стадп розвитку. Реалiзовано тестовi проекти в Киев^ Одесi, Львовi, Днiпрi та Харков^ що являють собою спецiалiзованi системи автоматизованого управлiння i контролю за роботою транспорту, диспетчерського управлшня i надання городянам шформаци про рух транспорту Однак, в мютах середнього та малого розмiру зi змiшаним трафiком, або декiлькома транзитними маршрутами, що проходять уздовж одного сегменту дороги, таю системи вщсутш.
Крiм того, попри те, що останш технологи значно покращили рiвень надiйностi транзиту, все ще юнуе значний розрив мiж запланованим часом та фактичним часом прибуття громадського транспорту Час прибуття ТЗ на певну контрольну точку невизначений i важко передбачуваний, оскшьки iншi ТЗ впливають на загальну динамiку транспортно'1' системи [8]. Тому у порiвняннi з графiком, фактичний час прибуття ТЗ при зупинках може значно коливатися. Така ситуащя викликае потребу в пошуку оптимально'1' моделi прогнозування та шформування пасажирiв про час прибуття транспортних засобiв на зупинки мюта з використанням фактичних даних про рух з акцентом на простоту ршення та мЫмальш витрати.
Анал1з останн1х досл1джень i публжацш. Для вирiшення задачi прогнозування в робот [9] запропонований алгоритм, що поеднуе даш про мiсцеперебування в режимi реального часу з приймачiв системи глобального позицiонування з середньою швидкiстю руху на окремих сегментах маршруту з урахуванням юторично'1' швидкосп руху. Схема прогнозування прибуття транспортного засобу у робот [10] базуеться на розташуванш в реальному час ближнього автобуса та вiдповiдному залишковому запланованому часу пересування. Запропонований у [11] пщхщ поеднуе аналiз кластеризаци та фшьтр Калмана з загальною моделлю сегментв маршрутiв, щоб отримати бiльш точш прогнози часу прибуття. Метод [12] являе собою пбридну схему, яка поеднуе в собi нейронну мережу, яка виводить правила ршення з юторичних даних з фiльтром Калмана, який запоб^ае розрахункам прогнозування за допомогою поточних вимiрювань GPS. Модель для прогнозування часу прибуття [13] використовуе метод K-найближчих сусвдв, регресш ядра та набiр функцiй. Разом з тим, питання покращення результатв прогнозування все ще залишаеться вщкритим. Так, в [14] авторами було
запропоновано базову модель для прогнозування часу прибуття транспортного засобу на основi середшх показниюв, однак вимога отримання кращих прогнозiв ставить задачу перевiрити роботу моделi на даних, отриманих в режимi реального часу та здшснити ii настроювання шляхом урахування фактичного часу перебування транспортного засобу на певних контрольних точках.
Метою статт е висвiтлення результатiв практичного застосування моделей прогнозування, порiвняння базово'1 та перенастроювано'1 моделей та оцiнка загального вщхилення розрахункiв прогнозу вiд дшсного часу прибуття тролейбуса на контрольш точки.
Основний 3MicT роботи. Як тестовий майданчик, обрано тролейбусш маршрути мiста Северодонецьк. На даний момент весь тролейбусний парк мюта оснащений GPS-датчиками. Тролейбуснi перевезення в мют здiйснюються за чотирма маршрутами загальною протяжнютю 91,5 км, за якими в робочi днi курсують 27 транспортних засобiв. За день виконуеться близько 300 оборотних рейав. Протяжнють контактно'1 мережi становить 54,5 км. Для реалiзацii системи прогнозування, виконано наступш кроки:
1. Забезпечено вщдалений доступ до глобально'1 системи позищонування для отримання просторових та тимчасових координат транспортного засобу.
2. Зiбрано тестовий набiр даних вiд датчикiв про мюцеперебування та швидкiсть руху усiх тролейбуав мiста, який збережено в базi даних.
3. Обчислено прогноз часу прибуття транспортних засобiв, закрiплених за маршрутами мюта для зазначених тролейбусних зупинок.
4. Для вщображення на шформацшному табло часу прибуття тролейбуса на зупинку мюта береться прогноз найближчого транспортного засобу.
Для розрахунку прогнозу часу прибуття використовуеться Wialon, в якост системи спостереження GPS, що дозволяе контролювати таю параметри, як швидкють руху, напругу, температуру i багато шшого. Вхщними змшними е швидкють i мiсце розташування ТЗ. ^ змiннi використовуються:
1) для ощнки вiдстанi, що залишилося пройти транспортному засобу до прибуття на необхщну зупинку по формулам гаверсинуав:
d = As-R, (1)
де d - вщстань мiж двома точками; R - радiус Землi; До - кутова рiзниця,
Aa = 2 arcsin<
V
sin21 jl 2Ф2 | + cosф1 cos j2sin2(fu, (2)
де ф1, Х1; ф2, Х2 - шиpoта та дoвгoта двox тoчoк вiдпoвiдиo; АХ - piзииця кoopдинат за дoвжииoю; Ао - кутова piзииця;
2) для oтpимаиия гоказника сеpедньoï швидкoстi pyxy тpаиспopтиoгo засoбy:
n
Т s i
s = ^. (3)
n
Bиxiдиoю змiииoю e час пpибyття иа кoитpoльиy точку якщo пеpесyваиия пoчииаeться в нyльoвий мoмеит часy.
Tpr = -, (4)
s
де Tpr - пpoгнoзний час пpибyття тpаиспopтиoгo засoбy; d - вiдстаиь мiж двoма тoчками; s - yсеpедиеиа швидкють pyxy тpаиспopтy.
Фактичиo, це пpедставлення бaзoвoï мoделi (pис. 1, а) oтpимaння пpoгиoзy чaсy пpибyття T3, згiдиo з якoю мoжливo здшснювати poзpaxyиoк за фopмyлaми (1) - (4), як для oкpемиx сегмеш^в (pис. 2, а), так i вздoвж yсьoгo мapшpyтy (pис. 2, б).
Для бaзoвoï мoделi иа pеaльниx даиих бyлo пpoведеиo poзpaxyнoк пpoгиoзиoгo чaсy пpибyття T3 для i^yK^oro мapшpyтy мiстa, oтpимaиi pезyльтaти пoкaзaли, щo вiдxилеиия вiд фaктичнoгo чaсy пеpебyвaиия T3 иа зупинщ складае пoиaд 7%. Щo e негоганим pезyльтaтoм, але тoчиiсть пpoгнoзy, мoже 6ути пoкpaщенa. Toмy зaпpoпoнoвaнo пpoвести нaстpoювaння мoделi (pис. 1, б), а саме, oтpимyвaти пpoгнoз тiльки на дiлянцi дopoги, яку тpaнспopтний зaсiб пoдoлae, здiйснюючи pyx пiсля пеpебyвaння на кoнтpoльнiй точщ (pис. 2, б).
У тагаму випадку, час пpибyття Tpr складаеться з pеaльнoгo часу вiдпpaвлення Trt тpaнспopтнoгo зaсoбy з зупинки та oтpимaнoгo пo бaзoвiй мoделi пpoгнoзнoгo часу Tpr:
Tpr = Trt + Tpr. (5)
Для oтpимaння пopiвняльниx pезyльтaтiв на тих самих даиих бyлo пpoведенo poзpaxyнoк часу пpибyття тpoлейбyсiв на зупинки мюта з викopистaнням пеpенaстpoювaнoï мoделi (pис. 1 б). Для викopистaння тага! мoделi oбчислення сеpедньoï швид^с^ пpoвoдилoсь для кoжнoгo сегменту oкpемo, без ypaxyвaння сеpедньoï швидкoстi пoпеpеднix сегментiв.
Рис. 1. Моделi прогнозу часу прибуття ТЗ: а) базова, б) тсля настроювання
Тому у табл. 1 показан основш характеристики кожного сегменту наявного маршруту мюта. Маршрут складасться з початково!, двох контрольних та кшцево'1 точки, тобто з трьох дорожшх сегменлв.
Таблиця 1
Характеристики сегмента маршруту
Номер Довжина, Швидкють руху
сегменту м тролейбуса, м/с
1 4294 5,57
2 1987 4,06
3 1228 3,77
З отриманих результапв (табл. 2) можливо зробити висновок, що дшсно, настроювання модел1 прогнозування часу прибуття
тpанспopтнoгo зашб^ дае мeншe вiдxилeння вщ фактичнoгo часy пpибyття тpанспopтнoгo зашб^ а самe цeй пoказник складае 4,47%.
Такий peзyльтат мoжна пoяснити тим, щo пpoгнoз oтpимyеться завдяки складанию фактичнoгo часy вiдпpвлeння з пoпepeднoьï зупинки з часoм, oтpиманим пo базoвiй мoдeлi, на шляxy, щo залишилoсь пoдoлати тpанспopтнoмy зашб^ тим самим нe вpаxoвyючи швидкють pyxy ТЗ на пoпepeдньoмy ^memi (pис. 2).
Таблиця 2
Рeзyльтати пopiвняння базoвoï та мoдeлi тсля настpoювання
Назва мoдeлi для пpoгнoзy часy пpибyття Базoва мoдeль Мoдeль тсля настpoювання Час ТЗ чepeз, с
npo^ нoз, с Bi,nxH- лeння, % npo^ нoз, с Bi,nxH- лeння, %
Cernern" 1 771 5,98 771 5,98 820
Ceгмeнт 2 489 5,78 533 2,7 519
Ceгмeнт 3 326 9,44 377 4,72 360
Загальж вiдxилeння % 7,07 4,47
Трг
6)
Рис. 2. Сxeма oтpимання пpoгнoзy часy ^^yira: а) для oкpeмиx сeгмeнтiв, б) вздoвж yсьoгo мapшpyтy Trn - час пepeбyвання тpанспopтнoгo засoбy на зyпинкаx; Tpr - пpoгнoзний час pyxy тpанспopтнoгo засoбy
Висновок. В робот представлено модель, на основi середшх показниюв, проведено настроювання базово'1 модели перевiрено роботу двох моделей на даних в режимi реального часу, отримано результат, де вщхилення моделi тсля настроювання на 2,6% менше у порiвняннi з вщхиленням базово'1 моделi вiд фактичного часу перебування ТЗ на зупинщ мюта. Отримаш результати можуть бути використаш для оптимiзацii маршрутiв i реструктуризаци графiку руху. Наступним кроком буде ощнка роботи моделi для довгих маршрупв. 1ншим завданням на майбутне е реалiзацiя системи облжу та урахування кiлькостi пасажирiв в середиш транспортних засобiв та на зупинках мюта.
Список л^ератури:
1. Keramidas G. Components and Services for IoT Platforms: Paving the Way for IoT Standards / G. Keramidas, N. Voros, M. Hiibner (Eds) // Springer International Publishing Switzerland. - 2017. - 383 p.
2. Biswas А. Microsegmenting: An approach for precise distance calculation for GPS based ITS applications / A. Biswas, G. Pilla, B. Tamma // IEEE Recent Advances in Intelligent Computational Systems (RAICS). - 2013. - Р. 327-332.
3. Hua X. Bus arrival time prediction using mixed multi-route arrival time data at previous stop /X. Hua, W. Wang, Y. Wang, M. Ren // Transport. - 2018. - Vol. 33 (2). - Р. 543-554.
4. Chung E.-H. Expected time of arrival model for school bus transit using real-time global positioning system-based automatic vehicle location data / E.-H. Chung, A. Shalaby // Journal of Intelligent Transportation Systems. - 2007. - Vol. 11 (4). - Р. 157-167.
5. Bai C. Dynamic Bus Travel Time Prediction Models on Road with Multiple Bus Routes [Електронний ресурс] / C. Bai, Z.-R. Peng, Q.-C. Lu, J. Sun // Computational Intelligence and Neuroscience. - 2015. - Режим доступу: www. URL: https://www.hindawi.com/ journals/cin/2015/432389/ - 21.09.2018 p.
6. Hua Х. Bus arrival time prediction using mixed multi-route arrival time data at previous stop /X. Hua, W. Wang, Y. Wang, M. Ren // Transport. - 2018. - Vol. 33 (2). - Р. 543-554.
7. Covaciu D. Data acquisition system based on GPS technology, for vehicle dynamics analysis / D. Covaciu, I. Preda, G. Ciolan, O.-V. Campian // Conference: CONAT 2010 -International Automotive Congress. - 2010. - Vol. 4006. - Р. 31-36.
8. Horning J. Estimating Running Time and Demand for a Bus Rapid Transit Corridor / J. Horning, A.M. El-Geneidy, J. Hourdos // Report No CTS 09-24. - 2009. - 69 p.
9. Sun D. Predicting Bus Arrival Time on the Basis of Global Positioning System Data / D. Sun, H. Luo, L. Fu, W. Liu, X. Liao, M. Zhao // Transportation Research Record: Journal of the Transportation Research Board. - 2007. - № 2034. - Р. 62-72.
10. Cats O. Real-Time Bus Arrival Information System - An Empirical Evaluation / O. Cats, G. Loutos // Journal of Intelligent Transportation Systems. - 2016. - №. 20 (2). - Р. 138-151.
11. Sun F. Real-time and Predictive Analytics for Smart Public Transportation Decision Support System / F. Sun, Y. Pan, J. White, A. Dubey // 2nd IEEE International Conference on Smart Computing (SMARTCOMP 2016). - 2016.
12. Zaki M. Online Bus Arrival Time Prediction Using Hybrid Neural Network and Kalman filter Techniques / M. Zaki, I. Ashour, M. Zorkany, B. Hesham // International Journal of Modern Engineering Research (IJMER). - 2013. - Vol. 3(4). - Р. 2035-2041.
13. Baker C.B. Predicting Bus Arrivals Using One Bus Away Real-Time Data / C.B. Baker, A.C. Nied// Journal of Public Transportation. - 2014. - Vol. 18(1).
14. Скарга-Бандурова I.С. Дослщження ефективносп використання фшьтру Калмана для прогнозування часу прибуття мюького транспорту / I. С. Скарга-Бандурова, М.В. Деркач // Вгсник ХНТУ. - 2017. - № 4 (63). - С. 193-199.
References:
1. Keramidas, G., Voros, N., and Hubner, M. (Eds) (2017), Components and Services for IoT Platforms: Paving the Way for IoT Standards, Springer International Publishing, Switzerland, 383 p.
2. Biswas, А., Pilla, G., and Tamma, B. (2013), "Microsegmenting: An approach for precise distance calculation for GPS based ITS applications", IEEE Recent Advances in Intelligent Computational Systems (RAICS), pp. 327-332.
3. Hua, X., Wang, W., Wang, Y., and Ren, M. (2018), "Bus Arrival Time Prediction Using Mixed Multi-Route Arrival Time Data at Previous Stop", Transport, Vol. 33 (2), pp. 543-554.
4. Chung, E.-H., and Shalaby, A. (2007), "Expected Time of Arrival Model for School Bus Transit Using Real-Time Global Positioning System-Based Automatic Vehicle Location Data", Journal of Intelligent Transportation Systems, Vol. 11 (4), pp. 157-167.
5. Bai, C., Peng, Z.-R., Lu, Q.-C., and Sun, J. (2015), "Dynamic Bus Travel Time Prediction Models on Road with Multiple Bus Routes", Computational Intelligence and Neuroscience, available at: https://www.hindawi.com/journals/cin/2015/432389/ (Accessed 21 Sept 2018).
6. Hua, Х., Wang, W., Wang, Y., and Ren, M. (2018), "Bus Arrival Time Prediction Using Mixed Multi-Route Arrival Time Data at Previous Stop", Transport, Vol. 33 (2), pp. 543-554.
7. Covaciu, D., Preda, I., Ciolan, G., and Câmpian, O.-V. (2010), "Data Acquisition System Based on GPS Technology, for Vehicle Dynamics Analysis", Conference: CONAT 2010 -International Automotive Congress, Vol. 4006, pp. 31-36.
8. Horning, J., El-Geneidy, A.M., and Hourdos, J. (2009), "Estimating Running Time and Demand for a Bus Rapid Transit Corridor", Report No CTS 09-24, 69 p.
9. Sun, D., Luo H., Fu, L., Liu, W., Liao, X., and Zhao, M. (2007), "Predicting Bus Arrival Time on the Basis of Global Positioning System Data", Transportation Research Record: Journal of the Transportation Research Board, No. 2034, pp. 62-72.
10. Cats, O., and Loutos, G. (2016), "Real-Time Bus Arrival Information System - An Empirical Evaluation", Journal of Intelligent Transportation Systems, No. 20 (2), pp. 138-151.
11. Sun, F., Pan Y., White, J., and Dubey, A. (2016), "Real-time and Predictive Analytics for Smart Public Transportation Decision Support System", 2nd IEEE International Conference on Smart Computing (SMARTCOMP 2016).
12. Zaki, M., Ashour I., Zorkany M., and Hesham B. (2013), "Online Bus Arrival Time Prediction Using Hybrid Neural Network and Kalman filter Techniques", International Journal of Modern Engineering Research (IJMER), Vol. 3(4), pp. 2035-2041.
13. Baker, C.B., and Nied, A.C. (2014), "Predicting Bus Arrivals Using One Bus Away RealTime Data", Journal of Public Transportation, Vol. 18(1).
14. Skarga-Bandurova, I.S., and Derkach, M.V. (2017), "Investigation of the efficiency of using Kalman filt to predict the arrival time of local transport", Herald KHNTU, No. 4(63), pp. 193-199.
Статтю представив д. т.н., проф. Нащоналъного техшчного ушверситету "Харювсъкий полШехтчний тститут " О.А. Серков
Надтшла (received) 11.10.2018
Derkach Maryna, senior lecturer
Volodymyr Dahl East Ukrainian National University
59-a Central avenue, Severodonetsk, Luhansk region, Ukraine, 93400
tel./phone: (064) 522-89-97, e-mail: [email protected]
ORCID ID: 0000-0001-8977-2776
Skarga-Bandurova Inna, Dr. Sci. Tech., Assoc. Professor, Professor Volodymyr Dahl East Ukrainian National University 59-a Central avenue, Severodonetsk, Luhansk region, Ukraine, 93400 tel./phone: (064) 522-89-97, e-mail: [email protected] ORCID ID: 0000-0003-3458-8730
Hyshev Vlad, master
Volodymyr Dahl East Ukrainian National University 59-a Central avenue, Severodonetsk, Luhansk region, Ukraine, 93400 tel./phone: (064) 522-89-97, e-mail: [email protected] ORCID ID: 0000-0003-4974-4687
УДК 004.416.6
Налаштування моделi прогнозування часу прибуття громадського транспорту на зупинки мкта / Деркач М.В., Скарга-Бандурова 1.С., Хишев В.О. //
Вюник НТУ "ХП1". CepiH: 1нформатика та моделювання. - Харк1в: НТУ "ХШ". - 2018. -№ 42 (1318). - С. 138 - 147.
Стаття присвячена питанию створення 1оТ-системи для прогнозування та шформування пасажирiв про час прибуття транспортних засобiв на зупинки мiста. Розробка являе собою iнтеграцiю обчислювальних i комунiкацiйних систем, спрямованих на полегшення взаемодп мгж фiзичними об'ектами через мережу 1нтернет. Наведена базова модель для прогнозування часу прибуття транспортного засобу вздовж маршруту та варiант li настроювання для покращення прогнозу. Наведено результати порiвняння практичного застосування моделей в режимi реального часу для тролейбусного парку мiста Северодонецьк. Визначено загальне вщхилення розрахунк1в прогнозу ввд дiйсного часу прибуття тролейбуса на контрольнi точки (зупинки). 1л.: 2. Табл.: 2. Бiблiогр.: 14 назв.
Ключовi слова: прогнозування; час прибуття; транспортний засiб; модель; контрольна точка.
УДК 004.416.6
Настройка модели прогнозирования времени прибытия общественного транспорта на остановки города / Деркач М.В., Скарга-Бандурова И.С., Хышев В.А. // Вестник НТУ "ХПИ". Серия: Информатика и моделирование. - Харьков: НТУ "ХПИ". - 2018. - № 42 (1318). - С. 138 - 147.
Статья посвящена вопросу создания 1оТ-системы для прогнозирования и информирования пассажиров о времени прибытия транспортных средств на остановки города. Приведена базовая модель для прогнозирования времени прибытия транспортного средства вдоль маршрута и вариант ее настройки для улучшения прогноза. Представлена результаты сравнения практического применения моделей в режиме реального времени для троллейбусного парка города Северодонецк. Определено общее отклонение расчетов прогноза от действительного времени прибытия троллейбуса на контрольные точки (остановки). Ил.: 2. Табл.: 2. Библиогр.: 14 назв.
Ключевые слова: прогнозирование; время прибытия; транспортное средство; модель; контрольная точка.
UDC 004.416.6
Model Adjustment to Improving Arrival Time Prediction of Public Transport on City Bus Stops / Derkach M.V., Skarga-Bandurova I.S., Hyshev V.O. // Herald of the National Technical University "KhPI". Series of "Informatics and Modeling". - Kharkov: NTU "KhPI". - 2018. - №.42 (1318). - P. 138 - 147.
The paper is devoted to the problems of the developing IoT-system for forecasting arrival time for public transport to the city bus stops. The development is an integration of computing and communication systems aimed at facilitating the interaction between physical objects through the Internet. The basic model and its modification are presented. The results of comparison these models after their of practical implementation for the trolleybus park in Severodonetsk city are presented. The general deviation of the forecast calculations from the actual time of arrival of the trolleybus to checkpoints (stops) is determined. Figs.: 2. Tabl.: 2. Refs.: 14 titles.
Keywords: prediction; arrival time; vehicle; model; checkpoint.
