Methods for optimizing urban transport network performance

Cover Page

Cite item

Full Text

Abstract

Background. In the context of accelerated urbanization, the optimization of logistics infrastructure has become a critical component in ensuring the sustainable and efficient functioning of urban mobility. The increasing density of traffic flows, growing environmental safety requirements, and limited urban space necessitate the implementation of integrated solutions based on digital technologies and the systemic integration of various modes of transport.

Purpose. To substantiate effective approaches for optimizing urban transport networks through the use of digital technologies, intelligent transport systems, and multimodal strategies aimed at increasing throughput, reducing delays, and lowering environmental impact.

Materials and methods. The methodological framework is based on systems analysis principles, comparative assessment of implemented transport practices, and traffic flow simulation using the SUMO software package, which allows for evaluating the effectiveness of different urban mobility management scenarios. The modeling was conducted for a representative urban agglomeration, taking into account real traffic parameters.

Results. The application of adaptive traffic signal control reduced average intersection delays by up to 45% and CO2 emissions by up to 24% compared to the baseline scenario. Furthermore, the analysis of modern technological and organizational solutions confirmed the high effectiveness of integrating intelligent transport systems, big data platforms, and multimodal strategies in ensuring the sustainable performance of urban transport networks.

About the authors

Georgii G. Dudaiti

National Research University Higher School of Economics

Author for correspondence.
Email: giodudayti@rambler.ru
ORCID iD: 0009-0002-6021-5436

master’s degree

 

Russian Federation, 20, Myasnitskaya Str., Moscow, 101000, Russian Federation

Anton I. Sazonov

Moscow Aviation Institute

Email: Sazonov.gmt@mail.ru
ORCID iD: 0009-0006-6634-5361

specialist degree

 

Russian Federation, 4, Volokolamskoe shosse, Moscow, 125993, Russian Federation

Maksim D. Larin

Russian University of Economics named after G.V. Plekhanov

Email: larinmaxim23@gmail.com
ORCID iD: 0009-0007-9646-4123

master’s degree

 

Russian Federation, 36, Stremyanny lane, Moscow, 115054, Russian Federation

Aleksandr S. Trishin

National Research University Higher School of Economics

Email: trishin.alexander4@mail.ru
ORCID iD: 0009-0000-7503-8570

1st year master’s degree student

 

Russian Federation, 20, Myasnitskaya Str., Moscow, 101000, Russian Federation

References

  1. Kakalyeva, A., & Kerimi, K. (2024). Optimization of processes in transport logistics: Modern approaches, innovations and challenges in the context of globalization. World Scientist, 1(25), 889–895.
  2. Gurbanov, Y., Annageldieva, N., & Japarov, O. (2024). The relationship between building density and public transport development in the context of sustainable urban planning. Bulletin of Science, 4(12), 1861–1864. EDN: https://elibrary.ru/JCQLNZ
  3. Xiao, M., Chen, L., Feng, H., Peng, Z., & Long, Q. (2024). Smart city public transportation route planning based on multi-objective optimization: A review. Archives of Computational Methods in Engineering, 31(6), 3351–3375. https://doi.org/10.1007/s11831-024-10076-9. EDN: https://elibrary.ru/CYCXXD
  4. Sarwatt, D. S., Lin, Y., Ding, J., Sun, Y., & Ning, H. (2024). Metaverse for intelligent transportation systems (ITS): A comprehensive review of technologies, applications, implications, challenges and future directions. IEEE Transactions on Intelligent Transportation Systems, 25(7), 6290–6308. https://doi.org/10.1109/TITS.2023.3347280
  5. Tikhomirov, P. V., Mitryaev, N. S., & Kukharev, K. S. (2024). Improving the efficiency of traffic management systems. World of Transport and Technological Machines, 120–122. https://doi.org/10.33979/2073-7432-2024-2-1(85)-120-126. EDN: https://elibrary.ru/DCAXYY
  6. Sysoenko, M. V., & Lebedeva, A. S. (2024). Analysis of Industry 4.0 technologies in intelligent transport systems. Economics. Law. Innovations, 4, 30–39. https://doi.org/10.17586/2713-1874-2024-4-30-39. EDN: https://elibrary.ru/MVPWMQ
  7. Miftah, M., Desrianti, D. I., Septiani, N., Fauzi, A. Y., & Williams, C. (2025). Big data analytics for smart cities: Optimizing urban traffic management using real-time data processing. Journal of Computer Science and Technology Application, 2(1), 14–23.
  8. Terletska, K. (2025). Architecting event-driven stream processing: Technologies for reliability and analytical availability in distributed computing systems. International Journal of Scientific Research and Engineering Development, 8(3), 667–671.
  9. Malyshev, M. I. (2024). Managing the formation of integrated transport systems through the integration of multimodal corridors and regional infrastructure based on a cyber-physical model. World of Transport and Technological Machines, 3–10. https://doi.org/10.33979/2073-7432-2024-4-2(87)-3-9. EDN: https://elibrary.ru/ERDHQI
  10. Mazurina, A. V., & Stepanova, T. V. (2022). Digital transformation of last-mile logistics: A theoretical analysis. Scientific Notes of V. I. Vernadsky Crimean Federal University. Economics and Management, 8(4), 50–60. EDN: https://elibrary.ru/WCQWHS
  11. Van Hentenryck, P., Riley, C., Trasatti, A., Guan, H., Santanam, T., Huertas, J. A., Dalmeijer, K., Watkins, K., Drake, J., & Baskin, S. (2023). MARTA Reach: Piloting an on-demand multimodal transit system in Atlanta. Georgia Institute of Technology, Atlanta, 1, 1–31.
  12. Slobodchikov, N. A., Dergachev, A. I., & Kuranova, O. N. (2023). Prospective development of new service offerings in urban traffic flow. Proceedings of Petersburg Transport University, 20(2), 279–289. https://doi.org/10.20295/1815-588X-2023-2-279-289. EDN: https://elibrary.ru/JQAPML
  13. Kirilchuk, I. O., & Emelyanov, I. P. (2024). Environmental aspects of implementing intelligent transport systems in managing modern city transport infrastructure. Management Accounting, 8, 50–56. EDN: https://elibrary.ru/KSPPCD
  14. Garun, S. S., & Sultanov, N. G. (2024). Greening smart cities: The impact of digital technologies on sustainable development. Regional Problems of Economic Transformation, 12, 90–99. https://doi.org/10.26726/rppe2024v12euvct. EDN: https://elibrary.ru/DRLSDS

Supplementary files

Supplementary Files
Action
1. JATS XML

Copyright (c) 2025 Dudaiti G.G., Sazonov A.I., Larin M.D., Trishin A.S.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».