МОДЕЛИРОВАНИЕ ПРОПУСКНОЙ СПОСОБНОСТИ УЗЛОВ ТРАНСПОРТНОЙ ГОРОДСКОЙ СЕТИ НА ОСНОВЕ МЕТОДОВ НЕЧЕТКОЙ ЛОГИКИ

Владимир Дмитриевич Шепелев, Александр Иванович Глушков, Иван Сергеевич Слободин, Ирина Дмитриевна Алферова, Ольга Сергеевна Фадина

Аннотация


Прогнозирование состояния дорожного движения является ключевым компонентом интеллектуальных транспортных систем (ИТС) и привлекает большое внимание за последние несколько десятилетий. Повышение точности моделирования и прогнозирования пропускной способности перекрестков в зависимости от таких неопределённых факторов, как интенсивность потока пешеходов и его прерывность, возможно только при разработке и использовании новых методик. С целью формирования ряда типовых алгоритмов управления для каждого регулируемого узла транспортной сети (ТС) города возникает необходимость их кластеризации. Параметры транспортного потока каждого отдельного регулируемого узла ТС измерялись с использованием сверточных нейронных сетей (YOLOv3). В результате проведенного анализа различий кластеров по средним значениям независимых факторов были выявлены статистически значимые различия и составлены линейные регрессионные модели. На основе этих моделей и будут сформированы типовые управленческие решения по повышению пропускной способности регулируемых узлов ТС. При построении модели были использованы методы нечеткой логики, так как они более полно отражают влияние случайных факторов пешеходного потока на пропускную способность перекрестка в целом.


Ключевые слова


пропускная способность перекрестка; кластеризация перекрёстков; статистическая достоверность; регрессионный анализ; нечёткая логика; нейронная сеть; YOLOv3.

Полный текст:

XML

Литература


Zhou B., Cao J., Li J. An adaptive traffic light control scheme and its implementationin WSN-based ITS. International Journal on Smart Sensing and Intelligent Systems, 2013, vol.6 (4), pp. 1559–1581.

Seifnaraghi N., Ebrahimi S.G., Ince E.A. Novel traffic lights signaling technique based on lane occupan-cy rates. 24th International Symposium on Computer and Information Sciences. Guzelyurt, Northern Cyprus, 2009.

Djuana E., Rahardjo K., GozaliF., Tan S., Rambung R., Adrian D. Simulating and evaluating an adap-tive and integrated traffic lights control system for smart city application. IOP Conference Series: Earth and Environmental Science. Jakarta, Indonesia, 2018.

Chen W., Chen L., Chen Z., Tu S. Wits: A wireless sensor network for intelligent transportation system. First International Multi-Symposiums on Computer and Computational Sciences. Shanghai, China, 2006.

Gordon R.L., Reiss R.A., Haenel H., Case E.R., French R.L., Mohaddes A., Wolcutt R. Traffic control systems handbook. Federal Highway Administration, Report No. FHWA-SA-95032. 1996.

Pappis C.P., Mamdani E.H. A fuzzy logic controller for a traffic junction, IEEE Systems, Man and Cy-bernetics, 1977, no. 10, pp. 707–717.

Bisset K.R., Kelsey R.L. Simulation of traffic flow and control using fuzzy and conventional methods. Fuzzy Logic and Control: Software and Hardware Applications, 1993, pp. 262–278.

Berenji H.R., Khedkar P. Learning and tuning fuzzy controllers through reinforcement. IEEE Transac-tions on Neural Networks, 1992, vol. 3, pp. 724–740.

Trabia M.B., Kaseko M.S., Ande M. A two-stage fuzzy logic controller for traffic signals, Transportation Research Part C: Emerging Technologies, 1999, vol. 7(6), pp. 353–367.

Niittymaki J., Pursula M. Signal control using fuzzy logic, Fuzzy Sets and Systems, 2000, vol. 116(1), pp. 11–22.

Niittymaki J., E. Turunen. Traffic signal control on similarity logic reasoning, Fuzzy Sets and Systems, 2003, vol. 133(1), pp. 109–131.

Thorpe T. Vehicle traffic light control using sarsa. 1997, Master’s thesis, Department of Computer Science, Colorado State University.

Thorpe T.L., Andersson C. Traffic light control using sarsa with three state representations. Technical report, IBM corporation, 2002, vol. 1, pp. 296–300.

Abdulhai B., Pringle R., Karakoulas G.J. Reinforcement learning for true adaptive traffic signal control. Journal of Transportation Engineering, 2003, vol. 129, pp. 278–285.

Chen X., Shi Z. Real-coded genetic algorithm for signal timings optimization of a signal intersection. First International Conference on Machine Learning and Cybernetics, Beijing, China, 2002.

Wei W., Zhang Y. FL-FN based traffic signal control. IEEE International Conference on Fuzzy Systems, Honolulu, USA, 2002.

Wei W., Zhang Y., Mbede J. B., Zhang Z., Song J. Traffic signal control using fuzzy logic and MOGA. IEEE International Conference on Systems, Man, and Cybernetics, Tucson, USA, 2001.

Pulugurta S., Madhu E., Kayitha R. Fuzzy logic-based travel demand model to simulate public transport policies. Journal of Urban Planning and Development, 2015, vol. 141(4).

Lyapin S., Rizaeva Y., Kadasev D., Voronin N. Application of simulation modeling to improve the functioning of the module of intelligent transport and logistics system. 21st International Conference “Complex Systems: Control and Modeling Problems”. Lipetsk, 2019.

Ding J.M., Wang C.H. Optimizing signal controls for urban mixed use transport arterial. Harbin Gong-cheng Daxue Xuebao/Journal of Harbin Engineering University, 2009, vol. 30(12), pp. 1404–1408.

Shepelev V., Aliukov S., Nikolskaya K., Das A., Slobodin I. The Use of Multi-Sensor Video Surveillance System to Assess the Capacity of the Road Network. Transport and Telecommunication, 2020, vol. 21(1), pp. 15–31.


Ссылки

  • На текущий момент ссылки отсутствуют.