НЕЙРОСЕТЕВЫЕ ПОДХОДЫ К УПРАВЛЕНИЮ ПОТОКАМИ ТРАНСПОРТА

Обложка

Цитировать

Полный текст

Аннотация

В работе рассматривается задача оптимального управления транспортными потоками. Представлена математическая модель для управления сигналами светофоров на основе теории управляемых сетей в виде системы нелинейных конечномерно-дифференцируемых уравнений. Для представления сети дорог большого размера в модели используются матрицы связей, которые описывают связи между входными и выходными участками подсетей. Управление транспортным потоком достигается за счет изменения активных фаз светофоров. Задачей управления является минимизация разницы между суммарным входным и выходным потоками всех подсетей. В статье представлен нейросетевой подход для корректировки параметров сети дорог.

Об авторах

Давид Эдуардович Казарян

Инженерная академия Российский университет дружбы народов

Email: kazaryan.david@gmail.com
старший преподаватель департамента механики и мехатроники ул. Миклухо-Маклая, 6, Москва, Россия, 117198

Василий Андреевич Михалев

Инженерная академия Российский университет дружбы народов

Email: vasiliy.mihalev@yandex.ru
аспирант департамента механики и мехатроники ул. Миклухо-Маклая, 6, Москва, Россия, 117198

Елена Анатольевна Софронова

Инженерная академия Российский университет дружбы народов

кандидат технических наук, заместитель директора по научной работе, доцент департамента механики и мехатроники ул. Миклухо-Маклая, 6, Москва, Россия, 117198

Список литературы

  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. A.I. Diveev. “Controlled networks and their applications”, Computational Mathematics and Mathematical Physics, vol. 48, № 8, pp. 1428-1442, 2008.
  9. 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.
  10. A.I. Diveev and E.A. Sofronova. “Synthesis of Intelligent Control of Traffic Flows in Urban Roads Based on the Logical Network Operator Method”, Proceedings of European Control Conference (ECC-2013) July 17-19, 2013, Zürich, Switzerland, pp. 3512-3517.
  11. A. Diveev, E. Sofronova, V. Mikhalev 2016 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2016 - Conference Proceedings 7844705, pp. 3051-3056.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. W. Genders, S. Razavi. Using a deep reinforcement learning agent for traffic signal control.Submited to IEEE for publication on 3 November 2016.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

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».