CC BY
83УДК 004.519.688
Чернокоз М.В., Ревякина Е.А.
Донской Государственный Технический Университет DOI: 10.24411/2520-6990-2019-10366 РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ДЛЯ АВТОМАТИЗИРОВАННОГО РЕГУЛИРОВАНИЯ ДОРОЖНОГО ТРАФИКА
Chernokoz M. V., Revyakina E.A.
Don State Technical University
DEVELOPMENT OF INTELLECTUAL SYSTEM FOR AUTOMATED ROAD TRAFFIC
REGULATION
Аннотация.
В статье рассмотрена проблема регулировки загруженности дорожного трафика и приведен метод регулирования с помощью использования интеллектуальной системы, имеющей в основе нейронную сеть. Описана структура работы с нейронными сетями, перечислены существующие методы регулирования и предложена альтернативная методика по решению задачи.
Abstract.
The article discusses the problem of adjusting traffic congestion and provides a method of regulation using an intelligent system based on a neural network. The structure of work with neural networks is described, the existing methods of regulation are listed and an alternative method for solving the problem is proposed.
Ключевые слова: дорожный трафик, интеллектуальная система, транспорт, светофор, коэффициент загруженности, нейронная сеть, «зеленая волна».
Keywords: traffic, intelligent system, transport, traffic light, load factor, neural network, «green wave».
Введение. На сегодняшний день повсеместно существует проблема повышенной загруженности дорог. Из-за скопления большого количества транспорта образуются заторы, которые, в свою очередь, снижают скорость движения. Решение данной проблемы является актуальным вопросом, поэтому возникает необходимость в разработке интеллектуальной системы, которая могла бы помочь в регулировании загруженности дорожного трафика.
Целью работы является разработка системы, использующей нейронную сеть для принятия решения по регулировке загруженности дорожного трафика путем изменения длительности переключения светофоров.
Задачи, ставящиеся перед алгоритмом:
- вычисление коэффициентов загруженности дорог;
- расчет результирующего коэффициента по совокупности коэффициентов;
- применение решения на демонстрационную модель;
- создание различных сценариев загруженности для обучения нейронной сети.
Основная часть. Анализ повторяемости суточных колебаний дорожного трафика имеет большое значение в задаче по регулировке загруженности. Степень стабильности статистических данных в час пик определяет возможность использования подобной информации при проектировании системы и ее дальнейшей корректировки.
Колебания загруженности дорог, в большей степени, зависят от текущего дня недели. На рисунке 1 изображен график, по которому можно увидеть, что нагрузка на дорогах в выходные дни ниже, чем в будние дни.
Указанные колебания по часам суток типичны для городских областей, и относительно узкие и со-направленные колебания по дням говорят о повторяемости базового образца [1].
Рисунок 1. График загруженности городских дорог в разные дни недели
В разрабатываемой интеллектуальной системе принимать решения по регулировке светофоров будет нейронная сеть. Нейронная сеть — это громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Нейронная сеть по структуре напоминает мозг человека и сходна с ним с двух точек зрения:
- знания поступают в нейронную сеть из окружающей среды и используются в процессе обучения;
- для накопления знаний применяются связи между нейронами [2].
Нейронная сеть состоит из нейронов и связей между ними, называемых синапсами. Синапсы имеют единственный параметр - вес. Нейрон —
простейшая вычислительная единица, является базовым элементом системы. Одиночный нейрон принимает возбуждения от огромного количества нейронов, передаваемых через связи между ними. Синапсы играют роль репитеров информации, в результате функционирования которых возбуждение может усиливаться или ослабляться. К нейрону приходят сигналы, одна часть из которых возбуждающие, а другие - тормозящие воздействие. Нейрон суммирует приходящие в него тормозящие в возбуждающие воздействия и если их сумма превышает некоторое пороговое значение, то срабатывает активационная функция и сигнал с выхода нейрона пересылается далее к следующим нейронам [3].
Нейронная сеть состоит из некоторого количества уровней. На рисунке 2 изображена схема простой нейронной сети.
Скрытый слой 1 Скрытый слой 2
Рисунок 2. Схема нейронной сети
Общая структура представлена несколькими много) и выходными. Входной слой получает ин-слоями: входным, скрытыми (их может быть очень формацию, подаваемую на выход системы, далее
передает ее на скрытые слои, используемые для обобщения и построения сложных систем сетей. Полученный результат работы сети передается на выходной слой [4].
Решение, полученное на выходном слое, не всегда может является истинно верным, велика вероятность того, что могла быть допущена ошибка -
расхождение между полученным и ожидаемым ответом. Чтобы минимизировать или вовсе исключить получение ошибочных решений требуется обучать нейронную сеть, подавая большое количество тестовых заданий. Обучением системы занимаются люди, называемые учителями. Общая схема обучения нейронных сетей представлена на рисунке 3.
Рисунок 3. Схема обучения нейронных сетей
Принцип обучения нейронных сетей состоит в следующем: при проверке каждого тренировочного случая полученный результат сравнивается с желаемым. Если результат не удовлетворяет ожидания учителя, то корректируются веса связей и случай проверяется снова. Подобные действия требуется выполнять для каждого случая, совершенствуя систему принятия решений [5].
В рассматриваемой системе нейронной сети предстоит регулировать длительность переключения светофоров, с помощью которых будет обеспечиваться воздействие на загруженность автомобильных дорог. Существует несколько методов регулировки светофоров:
- постоянное (не меняется или меняется в течении суток/от дня недели);
- адаптивное (частично / полностью зависящее от потока транспорта) [6].
Один из способов регулирования трафика — это использование метода «зеленая волна». «Зелёная волна» — автоматическая система светофорного регулирования, обеспечивающая безопасное движение транспортных средств на городских магистралях. «Зелёная волна» рассчитывается на определённую среднюю скорость; между рядом светофоров устанавливается связь, обеспечивающая включение зелёных сигналов к моментам подхода компактных групп транспортных средств [7].
Запрограммированная на определенную скорость потока система относится к постоянному методу регулировки, из-за чего главным минусом является отсутствие учёта внешних факторов.
Целесообразно использовать метод «зеленой волны», учитывая сторонние причины, оказывающие непосредственное влияние на принятие решения нейронной сети, перечисленные далее:
- текущая загруженность;
- статистические данные (средняя загруженность в данное время на данном участке);
- прочие факторы (например, не создаст ли поток машин из одного перекрестка затор на следующих и т.д.).
Заключение (выводы). Практическая выгода от применения системы выражается в:
- уменьшении загруженности дорожного полотна;
- снижении длины очереди из автомобилей;
- автоматизированном контроле движения и уменьшении количества внештатных случаев, требующих выезда специального персонала;
- улучшение общей ситуации с заторами за счет избегания каскадных пробок на смежных участках;
- профилактике ДТП и конфликтных ситуаций между автомобилистами и пешеходами;
- повышение надежности функционирования системы регулировки и снижении затрат при обслуживании инфраструктуры.
Полученную систему можно будет дополнительно доработать в будущем и внедрить в городские системы регулировки трафика.
Список литературы
1. Highway Capacity Manual 2000. - Washington: Transportation Research Board, 1997. - 1207 с.
2. Нейронные сети: полный курс / 2-е изд., пер. с англ. - М.: Вильямс, 2006. - 1104 с.
3. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутков-ская, М. Пилиньский, Л. Рутковский. - М.: Телеком, 2006. — 452 с.
4. Заенцев, И. В. Нейронные сети: основные модели / И. В. Заенцев. - Воронеж: ВГУ, 1999. - 76 с.
5. Барский, А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. - М.: Финансы и статистика, 2004. - 176 с.
6. Якимов, М. Р. Концепция транспортного планирования и организации движения в крупных городах / М. Р. Якимов. - Пермь: ПГТУ, 2011. - 175 с.
7. Warberg, A. Green Wave Traffic Optimization - A Survey / A. Warberg, J. Larsen, R. J0rgensen. - Lyngby: Informatics and Mathematical Modelling, 2006. - 24 c.
