CC BY
61
УДК 004.032.26
Хамидулин Т.Г. студент магистратуры 2 курс факультет информационных систем и технологий Поволжский Государственный Университет Телекоммуникаций и Информатики
Россия, г. Самара Научный руководитель: Козлова О.С., к.т.н.
доцент
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ТРАНСПОРТНОЙ ОТРАСЛИ
Аннотация: В данной статье предпринята попытка обобщить результаты большого количества научных работ, касающихся применения нейронных сетей для транспорта. В статье рассматриваются как области применения, которые оказались плодотворными, так и диапазон парадигм нейронных сетей, которые были использованы.
Ключевые слова: Искусственные нейронные сети.
Khamidulin T.G. graduate student 2 courses Faculty of Information Systems and Technologies Povolzhsky State University of Telecommunications and Informatics
Russia, Samara Scientific adviser: Kozlova O.S.
Assistant professor, c.t.s APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN THE TRANSPORT INDUSTRY
Annotation: In this article, an attempt is made to summarize the results of a large number of scientific works concerning the use of neural networks for transport. The article examines both the areas of application that have proved fruitful and the range ofparadigms of neural networks that have been used.
Key words: Artificial neural networks.
Искусственная нейронная сеть (ИСН) — это парадигма обработки информации, которая вдохновляется биологическими нервными системами, такими как мозг, информация о процессе. Ключевым элементом этой парадигмы является новая структура системы обработки информации. Он состоит из большого числа взаимосвязанных обработанных элементов (нейронов), работающих в унисон, для решения конкретных проблем. ИСН, как и люди, учатся на примере. ИСН настраивается для конкретного приложения, такого как распознавание образов или классификация данных, посредством учебного процесса. Обучение в биологических системах включает в себя корректировки синаптических связей, существующих между нейронами. Это относится и к ИСН.
Зачем использовать нейронные сети?
Нейронные сети с их замечательной способностью извлекать смысл из сложных или неточных данных могут быть использованы для извлечения шаблонов и выявления тенденций, которые слишком сложны, чтобы их заметили люди или другие компьютерные методы. Обученную нейронную сеть можно рассматривать как «эксперт» в категории информации, которую она дала для анализа. Затем этот эксперт можно использовать для предоставления прогнозов с учетом новых интересующих ситуаций и ответа на вопрос «что, если».
Другие преимущества:
1. Адаптивное обучение: способность учиться выполнять задания на основе данных, данных для обучения или начального опыта.
2. Самоорганизация: ИСН может создать свою собственную организацию или представление информации, которую она получает во время обучения.
3. Операция в реальном времени: вычисления ИСН могут выполняться параллельно, и разрабатываются и производятся специальные аппаратные устройства, которые используют эту возможность.
4. Отказоустойчивость с помощью избыточного информационного кодирования. Частичное разрушение сети приводит к соответствующему снижению производительности. Однако некоторые сетевые возможности могут сохраняться даже при серьезном сетевом повреждении.
Нейронные сети против обычных компьютеров.
Нейронные сети используют другой подход к решению проблем, чем обычные компьютеры. Обычные компьютеры используют алгоритмический подход, т.е. компьютер следует набору инструкций для решения проблемы. Если не известны конкретные шаги, которые необходимо выполнить компьютеру, компьютер не может решить проблему. Это ограничивает возможности решения проблем на обычных компьютерах проблемами, которые мы уже понимаем, и умеем решать. Но компьютеры были бы намного полезнее, если бы они могли делать то, что мы точно не знаем, как это сделать.
Нейронные сети обрабатывают информацию аналогичным образом, как это делает человеческий мозг. Сеть состоит из большого количества взаимосвязанных обработанных элементов (нейронов), работающих параллельно, для решения конкретной проблемы. Нейронные сети учатся на примере. Они не могут быть запрограммированы для выполнения конкретной задачи. Примеры должны быть выбраны тщательно, иначе полезное время будет потрачено впустую или, что еще хуже, сеть может работать некорректно. Недостатком является то, что, поскольку сеть узнает, как решить проблему сама по себе, ее работа может быть непредсказуемой.
С другой стороны, обычные компьютеры используют когнитивный подход к решению проблем; Способ решения проблемы должен быть известен и изложен в небольших недвусмысленных инструкциях. Эти инструкции затем преобразуются в языковую программу высокого уровня, а затем в
машинный код, который компьютер может понять. Эти машины полностью предсказуемы; Если что-то пойдет не так, это связано с программным или аппаратным сбоем.
Нейронные сети и обычные алгоритмические компьютеры не конкурируют, а дополняют друг друга. Есть задачи, более подходящие для алгоритмического подхода, такого как арифметические операции и задачи, более подходящие для нейронных сетей. Более того, для большого количества задач требуются системы, которые используют комбинацию двух подходов (обычно обычный компьютер используется для наблюдения за нейронной сетью) для максимальной эффективности.
Нейронные сети не совершают чудес. Но если использовать разумно, они могут произвести некоторые удивительные результаты.
Нейронные сети на практике
Учитывая это описание нейронных сетей и то, как они работают, для каких приложений реального мира они подходят? Нейронные сети имеют широкое применение в реальных бизнес-задачах. Фактически, они уже успешно применяются во многих отраслях. Рассмотрим применение нейронных сетей в транспортной отрасли.
Несмотря на многочисленные попытки, до сих пор не удалось получить качественную математическую модель управления городским движением. Такая модель должна определять функциональную зависимость параметров транспортных потоков от параметров управления. В наши дни транспортные потоки повсеместно регулируются посредством светофоров. Если удастся получить достаточно точную математическую модель потоков транспорта, мы сможем определять оптимальную длительность фаз сигналов светофоров для достижения максимальной пропускной способности узла дорожной сети.
Достаточно точная математическая модель управления дорожным движением, работающая в режиме предсказания, будет отображать оценку оптимальных параметров управления, а также принимать корректные решения в экстренных ситуациях.
Известные математические модели дорожного движения [1—7; 12] учитывают только средние значения потоков, а не точное количество машин на каждом участке дорог в конкретный момент.
Математическая модель дорожного движения строится на основе теории управляемых сетей [8—11]. Такая модель учитывает сеть и структуру дорог, ее изменение соответственно сигналам светофоров и позволяет рассчитывать состояние потоков в каждый момент времени.
Искусственные нейросети широко используются в управлении транспортными потоками в дорожной сети. Рассмотрим некоторые из последних работ в этой области.
Клеточные нейронные сети для задачи управления светофорами на отдельных перекрестках, т.е. без учета взаимовлияния режимов работы светофоров на соседних участках сети рассмотрены в [13]. В этой работе минимизируется суммарная задержка автомобилей на перекрестке. Для целей
моделирования задержка потока, определяемая фазой работы светофоров, рассматривается как квадратичная функция от длительности зеленого света в этой фазе. На длительность зеленого света накладываются как линейные, так и нелинейные ограничения типа равенств.
В статье [14] приводится сравнение классических ИНС и нечетких контроллеров в качестве систем управления светофорами. Авторы предлагают использовать нейронную сеть с одним скрытым слоем, на вход которой подается вектор с количеством простаивающих перед каждым светофором машин, а на выходе получают длительность каждой фазы. ИНС обучается методом генетического алгоритма.
В работе [15] рассматриваются «вдохновленные биологией» нейронные сети (ШЫЫ) для управления перекрестком. В таких методах делается упор на исследование динамики в отличие от классических ИНС, в которых в основном рассматриваются процедуры обучения. BiNN исследуется на модели сложного перекрестка. Структура BiNN следующая: входные нейроны описывают очередь транспортных средств на каждой полосе.
Выходные нейроны соответствуют фазам на полосах. Все выходные нейроны связаны с ингибиторными нейронами, подавляющими активность прочих выходных нейронов. Длительность фаз ограничивается уравнением, описывающим концепцию «имманентной пластичности» нейрона. В статье [16] рассматривается глубокая сверточная искусственная нейросеть для адаптивного управления траффиком. Для обучения ИНС используется обучение с подкреплением. В терминологии парадигмы обучения с подкреплением ИНС называется агентом. Входной сигнал в ИНС формируется из предложенного авторами пространства состояний — дискретного кодирования состояния траффика (DTSE). В DTSE каждая полоса длинной 1 разбивается на «ячейки» длинной с. Авторы отмечают, что выбор с важен для динамики системы управления. Предлагается следующая нейросетевая архитектура. Используются две нейросети с идентичной структурой, но различным набором входных сигналов. В первую на вход подается бинарный вектор, описывающий наличие/отсутствие автомобиля на участке дороги, во вторую вектор действительных чисел, описывающий скорости автомобилей на участках дорог. Развернутые в вектор выходы нейросетей склеиваются друг с другом и с текущим состоянием фаз и подаются на вход полносвязной ИНС. Выходом из ИНС является индикаторный вектор, показывающий действие, которое агент должен совершить, а именно содержит номер фазы, которую следует включить.
В работах [14—16] на выходах нейросетей получают длины фаз, а в работе [17] выходом является решение, какую из фаз переключить. В нашем подходе выходом является предсказанный нейросетью транспортный поток в следующий момент времени. Чем точнее прогноз, тем ближе к реальности параметры ИНС описывают параметры сети дорог. Чем точнее определены параметры сети дорог, тем ближе к истине оптимальное решение, найденное с помощью модели.
Транспортные средства. Обнаружение, классификация.
В этой области были описаны две работы с использованием нейронных сетей, которые очень хорошо дополняют друг друга. Первая касается обнаружения транспортных средств на видеокамерах. Сообщается, что несмотря на то, что рабочие характеристики аналогичны традиционным методам обработки изображений в идеальных условиях, нейронные сети более гибки в отношении изменений внешних факторов, таких как затенение и положение камеры. Вторая работа показывает, как обнаружены транспортные средства делят на тип транспорта с помощью нейронной сети. Идея системы, содержащей несколько нейронных сетей, каждая из которых выполняет свою конкретную подзадачу. Нейронные сети также использовались для программы автоматического считывания номерных знаков.
Анализ характера движения
Транспортные сети, оборудованные датчиками, являются богатыми источниками данных, касающихся таких параметров, как скорость и объем проезжающих транспортных средств. Такие наборы данных, особенно если они собраны из нескольких разных географических мест, чрезвычайно сложны для анализа из-за причинно-следственных связей как в пространстве, так и во времени, которые определяют поведение транспортных систем. Поэтому несколько групп были вовлечены в работу, целью которой является использование нейронных сетей для обнаружения закономерностей в этих данных, и в этой области существует широкий спектр приложений.
Нейронные сети были использованы в качестве вспомогательного средства для диагностики перегрузок. Основным ограничением этой работы является вышеупомянутая трудность переносимости, так как сеть была обучена с использованием высокоспециализированного набора данных, определенного экспертом. Тем не менее, в статье [18] представлен интересный пример использования нейронных сетей для объединения нескольких различных мер по перегрузке для постановки более высокого уровня диагностики. Аналогичный подход используется в других работах [19], но число категорий заторов увеличивается; эта работа использует адаптивную резонансную теорию и поэтому демонстрирует, что альтернативные парадигмы обратному распространению несомненно заслуживают рассмотрения,
В этой работе также используется адаптивная теория резонанса, чтобы изучить возможность использования нейронных сетей для анализа сезонных колебаний потоков движения. Это важно для дорожных инженеров, проводящих обследования трафика. К сожалению, изменение варьируется в зависимости от характеристик исследуемого участка дороги, и поэтому основная задача состоит в том, чтобы попытаться классифицировать участок на один из нескольких типов, прежде чем применять исправление. Естественно, это должно быть сделано с использованием только небольшого количества данных во временной области; если бы в течение ряда лет имелись
непрерывные данные, поправочный коэффициент можно было бы легко определить. Нейронная сеть была успешно использована для выполнения этой задачи.
Задача идентификации единовременных заторов вызвали инцидент, возникающий на проезжей части, например, аварию. Успешная работа по этому вопросу была проведена по данным автомагистрали [20], которая сравнивает преимущества с другими более традиционными алгоритмами обнаружения инцидентов. Главная трудность в этой работе является не обнаружение инцидента, обнаружение которого является отличным от большинства методов, а уровень ложной тревоги. Он должен быть чрезвычайно низким, если операторы должны принимать фактические уведомления об аварийных сигналах в центрах управления. Сообщается, что именно в этой области нейронные сети получают высокие оценки, особенно если установлен постоянный фактор (нейронная сеть должна сообщить об инциденте в течение двух или более последовательных временных интервалов, прежде чем будет подан аварийный сигнал). Еще одна трудность - найти достаточно реальных данных, содержащих подтвержденные инциденты, для тестирования системы; по этой причине в предыдущих работах использовались смоделированные данные наборы.
Прогнозирование трафика
Прогнозирование трафика делится на две категории. Стратегическое прогнозирование, это когда делается попытка предсказать транспортные потоки на месяцы или годы в будущем и обычно влияет на основные решения по планированию дорог. В противоположность этому краткосрочные прогнозы всего на несколько минут и могут непосредственно использоваться в системах управления движением. Нейронные сети использовались как в стратегических [21], так и в краткосрочных [22] прогнозах. Обнадеживающие результаты получены в обоих случаях. Последняя статья имеет особенно интересную тему, поскольку в ней предпринимаются значительные усилия для сравнения нейронных сетей ARIMA.
Заключение
Многие проблемы, что пытаются решить с помощью обучающиеся ИНС весьма нелинейны. Источники данных часто многочисленны и сложны. Нейронные сети показывают большой потенциал в качестве полезного инструмента для анализа этих данных, но предстоит еще много работы, особенно в отношении интерпретации и проверки модели.
Необходимы более масштабные и комплексные сравнительные исследования. Нейронные сети следует сравнивать не только с современными статистическими методами, но и с другими парадигмами, помимо обратного распространения, следует чаще экспериментировать с ними, чтобы появилась более четкая картина относительно наилучших методов, которые можно использовать для различных задач.
Более подробная документация о том, как были построены нейросетевые транспортные системы, позволит разработать более
методологический подход. Большая часть работы основана на оптимизации сетевых конфигураций и наборов данных методом проб и ошибок, что, хотя и является полезным методом для создания прототипов, не подходит для реальных реализаций, где затраты на разработку должны быть точно оценены до начала работы.
Использованные источники
1. M.J. Ligthill and F.R.S. Whitham. "On kinetic waves II. A theory of traffic flow on crowded roads", Proc. of the Royal Society Ser. A., vol. 229, № 1178, pp. 317— 345, 1995.
2. V. Mauro. "Road Network Control". In M. Papageorgious, editor, Concise Encyclopedia of Traffic and transportation Systems. Advanced in Systems, Control in Information Engineering, pp. 361—366. Pergamon Press, 1991.
3. S.A. Ardekani and R. Herman. "Urban Network -Wide Variables and Their Relations", Transportation Science, vol. 21, № 1, 1987.
4. A.A. Assad. "Multicommodity network flows — a survey", Networks, vol. 8, № 1, pp. 37—91, 1978.
5. T. Peter. "Modeling nonlinear road traffic networks for junction control", Int. J. of Applied Mathematics and Computer Sciences, 2012, vol. 22, No. 3, pp. 723— 732.
6. K.-H. Chao, R.-H. Lee, M.-H. Wang "An Intelligent Traffic Light Control Based on Extension Neural Network" Proceedings 12th International Conference, KES 2008, Zagreb, Croatia, September 3-5, 2008, Part I. pp. 17—24.
7. J. Hu, D. Zhao, F. Zhu "Neural network based online traffic signal controller design with reinforcement training" Proc. 14th International IEEE Conference on Intelligent Transportation Systems (ITSC). 5-7 Oct. 2011. Pp. 1045—1060/
8. G.H.A. Alnovani, A.I. Diveev, K.A Pupkov and E.A. Sofronova. "Control Synthesis for Traffic Simulation in the Urban Road Network". Proc. of the 18th IFAC World Congress, Milano, Italy August 28 — September 2, 2011, pp. 2196— 2201.
9. Tu, Y.L., W.J. Zhang, X.Liu., W. Li, C-L. Chai, Ralph Deters et al., 2008. A disaster response management system based on control systems technology, Int. J. of Critical Infrastructures, 4(3), pp. 274—285
10. J.W. Wang, W.H. Ip, W.J. Zhang. An integrated road construction and resource planning approach to the evacuation of victims from single source to multiple destinations. Intelligent Transportation Systems, IEEE Transactions on 11 (2), 277—289.
11. J.C. Chedjou, K. Kyamakya. Cellular neural networks based local traffic signals control at a junction/intersection. Proceedings of the 1st IFAC Conference on Embedded Systems 2012 (CESCIT-2012) 3-5 April, 2012, Wurzburg, Germany, pp. 81—85.
12. S. Araghi, A. Khosravi, D. Creighton. Optimal design of traffic signal controller, using neural networks and fuzzy logic systems. Proceedings of the International
Joint Conference on Neural Networks 2014 (IJCNN) 6-11 July, 2014, Beijing, China, pp. 42—47.
13. G.B. Castro, J.C. Martini, A. Hirakawa. Biologically-inspired neural network for traffic signal control. Proc. of 17th International Conference on Intelligent Transportation Systems 2014 (ITSC) 8-11 October, 2014, Quingdao, China, pp. 2144—2149.
14. W. Genders, S. Razavi. Using a deep reinforcement learning agent for traffic signal control. Submited to IEEE for publication on 3 November 2016.
15. Belgaroui B. and Blossville J. M. (1993) A road traffic application of neural techniques. Recl1erc/1e Transports Securite, English Issue No. 9, pp. 53- 65.
16. Dougherty M. A Review of Neural Networks Applied to Transport. Transportation Research Part C Emerging Technologies 3(4):247-260 • August 1995
17. Collins A. and Evan s A. (1994) Aircraft noise and residential property values, an artificial neural network appro.1ch. J. Transp. Econ. Policy 28(2). 175 - 197.
18. Crisman J. D. and Webb. A. (1991) The warp machine on NAVLAB. IEEE Trans. Patt. Anal. Mach. Intell 13(5), 45l-465.
19. Demuth G. and Springsteen S. (1990) Obstacle avoidance using neural networks. Proc. Symp. on Autonomous Underwater- Vehicle Technology, Washington, DC.
20. Dougherty M. S. and Cobbett M. (1994) Short term inter-urban traffic forecasts using neural network s. Proc. 2nd DRIVE-11 Workshop on Short-Term Forecasting, Delft. The Netherlands.
21. Dougherty M. S. and Joint M. (1992) A behavioral model of driver route choice using neural networks. Proc. Int. Conf. on Artificial Intelligence Applications in Transportation Engineering, San Buenaventura, CA.
