Оптимизация управления транспортным потоком на перекрестках с помощью нейронной сети Текст научной статьи по специальности «Компьютерные и информационные науки»

Оптимизация управления транспортным потоком на перекрестках с помощью нейронной сети

к.ф.-м.н. М. М. Расулмухамедов, К. Ш. Ташметов Ташкентский государственный транспортный университет Ташкент, Узбекистан [email protected], [email protected]

Аннотация. Описывается использование глубоких свер-точных нейронных сетей CNN для управления транспортным потоком на перекрестках. Были рассмотрены различные архитектуры сверточных нейронных сетей, включая YOLO и R-CNN. В результате исследования выявлено, что модель YOLO показывает лучшие результаты в задаче обнаружения и подсчета автомобилей на перекрестках. Была написана программа на основе модели YOLO для обнаружения и счета автомобилей на перекрестках. Отмечено, что использование сверточных нейронных сетей для управления транспортными потоками на перекрестках является перспективным подходом для решения проблемы пробок и повышения безопасности дорожного движения. Дальнейшие исследования планируется проводить с использованием более новых версий модели YOLO.

Ключевые слова: управление транспортным потоком, глубокое обучение, сверточные нейронные сети, прогнозирование трафика, видеокамеры, рекуррентные нейронные сети.

Управление транспортным потоком является одной из ключевых задач в городской инфраструктуре, поскольку городской транспорт — важная составляющая жизни современного общества. Несмотря на значительные усилия, которые предпринимаются для оптимизации транспортной инфраструктуры, проблемы с управлением транспортным потоком на перекрестках остаются актуальными. Длинные очереди автомобилей, длительные ожидания на светофорах и аварии на перекрестках — все это вызывает негативные эмоции у водителей и пассажиров, а также значительно затрудняет движение транспорта в городе.

В последние годы развитие нейросетевых технологий позволило применять их для решения многих задач, связанных с обработкой и анализом данных. Одной из таких задач является управление транспортным потоком на перекрестках с использованием нейросетей. Нейросетевые методы могут обрабатывать огромные объемы данных и на их основе принимать решения, что позволяет эффективно оптимизировать управление транспортным потоком.

В статье представлен подход к оптимизации управления транспортным потоком на перекрестках с использованием нейросетей. Описывается процесс обучения нейросе-тей на основе данных, собранных с помощью камер наблюдения. Этот подход может помочь сократить время ожидания на перекрестках, уменьшить количество аварий и повысить эффективность управления транспортным потоком в городских условиях.

Основная идея данной статьи заключается в том, что мы предлагаем современный подход к управлению транспортным потоком на перекрестках, который базируется на нейросетевых методах. Он может использоваться для оптимизации работы светофоров на перекрестках, а также для управления потоком автомобилей и пешеходов в режиме реального времени.

Одним из главных преимуществ предложенного подхода является его способность обрабатывать огромные объемы данных, собранных с помощью камер наблюдения, и принимать на их основе решения в режиме реального времени. Благодаря этому можно реагировать на изменения в транспортном потоке и оперативно корректировать работу светофоров, чтобы минимизировать время ожидания на перекрестках и снизить риск аварий.

Перед тем, как перейти к описанию подхода к управлению транспортным потоком на перекрестках с использованием нейросетей, необходимо провести литературный обзор и рассмотреть существующие подходы к решению этой проблемы.

Одним из основных методов управления транспортным потоком на перекрестках является использование светофоров. Для оптимизации работы светофоров используются различные методы, такие как синхронизация сигналов, управление с помощью датчиков движения, адаптивное управление и т. д. Однако эти методы имеют ряд недостатков, таких как неэффективность в условиях изменчивого трафика и невозможность быстрой адаптации к изменениям в потоке транспорта.

В связи с этим все большее внимание уделяется разработке нейросетевых методов управления транспортным потоком на перекрестках. Нейросетевые методы основаны на использовании искусственных нейронных сетей, которые могут обрабатывать огромные объемы данных и принимать решения в режиме реального времени.

Одним из наиболее известных подходов к управлению транспортным потоком на перекрестках с использованием нейросетей является подход, основанный на обучении с подкреплением. Этот подход основан на создании агента, который должен научиться выбирать наилучшее действие в каждый момент времени, чтобы максимизировать определенный критерий эффективности.

Еще одним подходом к управлению транспортным потоком на перекрестках с использованием нейросетей является подход, основанный на использовании сверточных

Intellectual Technologies on Transport. 2023. No S1. Special Issue. MMIS-2023

нейронных сетей. Сверточные нейронные сети могут эффективно обрабатывать изображения с камер наблюдения и определять количество и тип транспорта, проезжающего через перекресток, а также определять оптимальное время работы светофоров.

Также стоит отметить подход, основанный на использовании генетических алгоритмов для оптимизации работы светофоров на перекрестках. В этом подходе используется эволюционный алгоритм, который генерирует новые наборы параметров светофоров на основе текущих настроек и выбирает наилучший набор параметров на основе определенных критериев эффективности.

Наконец, стоит упомянуть подход, основанный на использовании глубоких нейронных сетей. В этом подходе используются глубокие нейронные сети для прогнозирования трафика и оптимизации работы светофоров. Глубокие нейронные сети могут эффективно обрабатывать огромные объемы данных и находить сложные зависимости между ними.

Таким образом, существует множество подходов к управлению транспортным потоком на перекрестках, каждый из которых имеет свои преимущества и недостатки. Однако все больше и больше исследований сосредоточено на использовании нейросетевых подходов, которые могут эффективно обрабатывать данные и принимать решения в режиме реального времени.

В статье описан подход, основанный на использовании нейронных сетей, который позволяет эффективно управлять транспортным потоком на перекрестках и учитывать изменчивость трафика в реальном времени. Основная идея этого подхода заключается в том, чтобы использовать глубокие нейронные сети для прогнозирования трафика и оптимизации работы светофоров на перекрестках.

Для составления математической модели системы управления транспортным потоком на перекрестках с использованием глубоких нейронных сетей необходимо определить входные и выходные данные модели, а также функцию прогнозирования.

Входные данные модели могут включать в себя следующие параметры:

• количество машин, находящихся на разных участках дороги, приближающихся к перекрестку;

• скорость движения машин на этих участках;

• наличие препятствий или других факторов, влияющих на трафик;

• информацию о текущих параметрах светофоров.

Выходные данные модели могут включать в себя:

• прогноз количества машин, которые будут двигаться через перекресток в течение следующих 5-10 минут;

• оптимальные параметры светофоров, которые позволят улучшить проходимость перекрестка.

Функция прогнозирования представляет собой глубокую нейронную сеть, которая будет обучаться на исторических данных о трафике и параметрах светофоров.

Пусть XI, Х2, ..., Хп — входные параметры модели, У1, у2, ..., Ут — выходные параметры модели. Тогда математическая модель может быть представлена следующим образом: у = /(х), где /— функция прогнозирования, которая представляет собой глубокую нейронную сеть.

Для обучения глубокой нейронной сети можно использовать алгоритмы оптимизации, такие как стохастический градиентный спуск или его модификации. В процессе обучения сеть будет корректировать свои веса и параметры для минимизации ошибки прогнозирования и улучшения качества работы модели [1]:

П

Wnew = wold + ■

■СУ«

■

1 + nlkll2

Таким образом, математическая модель системы управления транспортным потоком на перекрестках с использованием глубоких нейронных сетей может быть представлена как функция прогнозирования, основанная на входных параметрах, и обученная на исторических данных.

Наиболее распространенные функции прогнозирования, которые могут быть использованы для управления транспортным потоком на перекрестках, включают в себя:

1. Линейная регрессия — метод, который используется для построения линейной зависимости между независимыми и зависимыми переменными. Он может быть использован для прогнозирования количества транспортных потоков на перекрестках на основе других факторов, таких как время суток, день недели, праздничные дни и т. д.

2. LSTM (Long Short-Term Memory) — тип рекуррентной нейронной сети, который может использоваться для прогнозирования временных рядов, таких как количество транспортных потоков на перекрестке. LSTM позволяет моделировать длительные зависимости в данных и может быть использован для прогнозирования дневных, недельных или месячных циклов транспортного потока.

3. CNN (Convolutional Neural Network) — тип нейронной сети, который может быть использован для обработки изображений, например для прогнозирования транспортного потока на перекрестках на основе изображений транспортных потоков, полученных с камер наблюдения.

4. GAN (Generative Adversarial Network) — тип нейронной сети, который используется для генерации новых данных на основе имеющихся данных. GAN подходит для генерации синтетических данных транспортных потоков на перекрестках, которые могут быть использованы для улучшения прогнозирования [2].

Поскольку для анализа потоков транспорта основным устройством является видеокамера, применение сверточ-ных нейронных сетей для прогнозирования является более эффективным методом решения данной проблемы [3].

Алгоритм сверточной нейронной сети CNN (рис. 1) может быть реализован с использованием различных библиотек и фреймворков, таких как TensorFlow [4], PyTorch, Keras и т. д. Реализация может варьироваться в зависимости от конкретной задачи прогнозирования транспортного потока и доступных ресурсов для обучения и применения модели.

Концепция сверточной нейронной сети (рис. 2):

• в сверточных нейронных сетях входной слой представлен матрицей пикселей;

• каждый внутренний слой в сети представлен картами признаков (или картами активации) одинакового размера;

• выходной слой имеет линейную структуру и связан со всеми внутренними слоями;

Data Data

Data Data

Рис. 1. Алгоритм сверточной нейронной сети CNN

Пулинг

Входной слой

Карта признаков

Карта признаков

Свертка Карта признаков Пулинг

Свертка

Рис. 2. Концепция сверточной нейронной сети

• соединения между неиронами входного и внутренних слоев являются избирательными;

• для построения связей используются два способа: свертка и пулинг;

• свертка увеличивает количество карт признаков при сохранении размера (с использованием padding) или уменьшает его незначительно;

• пулинг уменьшает размеры карт признаков, сохраняя их количество.

Для решения поставленной задачи было принято решение использовать архитектуру YOLO (англ. You Only Look Once — «живем только раз») (рис. 3).

Con.Layers 1x1x512 "1 3x3x1024J"4 3x3x1024 Maxpool Layer

44S

3

Con.Layers 7x7x64 - s - 2 Maxpool Layer 2x2 - s - 2

Con.Layers 3x3x192 Maxpool Layer 2x2 - s - 2

Con.Layers 1x1x2561 4 3x3x512j~4 1x1x512 3x3x1024 Maxpool Layer 2x2 - s - 2

Con.Layers 3x3x1024 3x3x1024 Maxpool Layer 2x2 - s - 2

Рис. 3. Архитектура сверточной нейронной сети YOLO

Модель YOLO является одной из самых популярных сверточных нейронных сетей для обнаружения объектов в изображениях. Одним из главных преимуществ модели YOLO является высокая скорость обработки изображений в режиме реального времени. Это достигается благодаря тому, что модель YOLO прогоняет изображение через нейронную сеть всего один раз, в отличие от других моделей, которые используют множество проходов по изображению.

Для обнаружения количества машин на поворотах и перекрестках была разработана программа на основе модели

YOLO. Результаты распознавания можно увидеть на рисунке 4. Однако в процессе эксперимента было принято решение улучшить алгоритм и повторить исследование. Для этого была выбрана более новая версия модели YOLO, которая позволит улучшить качество распознавания. В последующих экспериментах планируется использовать другие, более современные модели, чтобы проверить их эффективность и улучшить результаты дальнейших исследований.

Рис. 4. Результат распознавания объектов на основе модели YOLO

Заключение

Использование глубоких нейронных сетей, в частности сверточных нейронных сетей, для управления транспортными потоками на перекрестках является перспективным подходом для решения проблемы пробок и повышения безопасности дорожного движения.

В ходе исследования был проведен анализ существующих методов управления транспортными потоками, а также рассмотрены основы глубокого обучения и сверточ-ных нейронных сетей. Были рассмотрены основные архитектуры CNN, такие как LeNet, AlexNet, VGG, ResNet, YOLO и другие.

Литература

1. Goodfellow, I. Deep Learning / I. Goodfellow, Y. Ben-gio, A. Courville. — Cambridge (MA): MIT Press, 2016. — 800 p. — (Adaptive Computation and Machine Learning).

2. Krizhevsky, A. Imagenet Classification with Deep Con-volutional Neural Networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Communications of the ACM. 2017. Vol. 60, Is. 6. Pp. 84-90. DOI: 10.1145/3065386.

3. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren, J. Sun // Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Las Vegas, NV, USA, 27-30 June 2016). — Institute of Electrical and Electronics Engineers, 2016. — Pp. 770-778. DOI: 10.1109/CVPR.2016.90.

4. Tensorflow: A System for Large-Scale Machine Learning / M. Abadi, P. Barham, J. Chen, [et al.] // Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI '16) (Savannah, GA, USA, 02-04 November 2016). — USENIX Association, 2016. — Pp. 265-283.

Optimization of Traffic Flow Control at Intersections Using Neural Network

PhD M. M. Rasulmukhamedov, K. Sh. Tashmetov Tashkent State Transport University Tashkent, Uzbekistan [email protected], [email protected]

Abstract. The use of deep convolutional neural networks CNN for traffic flow control at intersections is described. Various convolutional neural network architectures, including YOLO and R-CNN, were examined. The study found that the YOLO model performed better in the task of detecting and counting cars at intersections. A program based on the YOLO model was written to detect and count cars at intersections. It was concluded that the use of convolutional neural networks to manage traffic flows at intersections is a promising approach to solve the problem of traffic congestion and improve road safety. Further research is planned using newer versions of the YOLO model.

Keywords: traffic flow control, deep learning, convolutional neural networks, traffic forecasting, video cameras, recurrent neural networks.

References

1. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge (MA), MIT Press, 2016, 800 p.

2. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet Classification with Deep Convolutional Neural Networks, Communications of the ACM, 2017, Vol. 60, Is. 6, Pp. 84-90.

DOI: 10.1145/3065386.

3. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition, Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, June 27-30, 2016. Institute of Electrical and Electronics Engineers, 2016, Pp. 770-778.

DOI: 10.1109/CVPR.2016.90.

4. Abadi M., Barham P., Chen J., et al. Tensorflow: A System for Large-Scale Machine Learning, Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI '16), Savannah, GA, USA, November 02-04, 2016. USENIX Association, 2016, Pp. 265-283.

HHmenneKmyanbHbie техноnогии Ha mpaHcnopme. 2023. № S1. Cne^bmycK. MMIS-2023

96