Методика и инструментальные средства оптимизации длительности светофорного цикла

Обложка

Цитировать

Полный текст

Аннотация

Одним из основных элементов управления транспортными и пешеходными потоками в дорожной среде является светофорное регулирование. Автоматизация управления светофорным регулированием позволяет рассчитать оптимальные режимы его работы с целью сокращения задержек при движении транспорта и времени ожидания проезда через перекрестки, снижения вероятности образования пробок. Результатом является повышение безопасности дорожного движения и устойчивости городской транспортной системы. В статье рассматриваются вопросы разработки модели, методики и инструментального средства для расчета оптимальных тактов светофорного цикла. Актуальность статьи обусловлена тем, что рост дорожного трафика снижает эффективность использования транспортных средств, увеличивает время задержек и остановок, расход топлива, повышает количество дорожно-транспортных происшествий и нарушений. Объектом исследования является система адаптивного управления светофорами на перекрестках. Целью исследования является анализ и разработка математической модели и методики расчета тактов светофорных циклов в зависимости от текущих условий дорожного движения на перекрестках для сокращения времени ожидания транспорта и пешеходов. Результатом исследований является разработанное программное приложение, которое реализует предложенную методику расчета оптимальной длительности тактов светофорного цикла в зависимости от интенсивности автомобильного и пешеходного трафика, длины очереди.

Об авторах

Александр Анатольевич Грушевский

ФГБОУ ВО Пензенский государственный университет

Email: sgrushevskii@mail.ru
Пенза

Екатерина Сергеевна Ильинская

ФГБОУ ВО Пензенский государственный университет

Email: ilinskaya58k@mail.ru
Пенза

Антон Алексеевич Финогеев

ФГБОУ ВО Пензенский государственный университет

Email: fanton3@yandex.ru
Пенза

Список литературы

  1. АНТОНИАДИ Г.Д., АРХИПОВ В.О., ЦУПРИКОВ А.А. Анализ модели задержки Вебстера // Ежемесячный научный журнал «Евразийский союз учёных». – 2018. – №11(56), ч. 9. – С. 6–12.
  2. АНТОНИАДИ Г.Д., АРХИПОВ В.О., ЦУПРИКОВ А.А. Математическая модель задержки автотранспорта на регулируемом перекрёстке // Информационные техноло-гии. – 2019. – Т. 25, №4. – С. 210–215.
  3. БЕКЛАРЯН А.Л., БЕКЛАРЯН Л.А., АКОПОВ A.C. Ими-тационная модель интеллектуальной транспортной си-стемы «умного города» с адаптивным управлением светофорами на основе нечеткой кластеризации // Биз-нес-информатика. – 2023. – Т. 17, № 3. – С. 70–86.
  4. БЕЦКОВ А.В., ДИВЕЕВ А.И., СОФРОНОВА Е.А. Об ин-теллектуальной транспортной системе в больших го-родах // Труды международного симпозиума «Надёж-ность и качество». – 2021. – Т. 1. – C. 295–298.
  5. БОРОВСКОЙ А.Е., ШЕВЦОВА А.Г. Методика выбора рационального режима работы светофорного объекта на автомобильном транспорте // Трансп.: Наука, техн., упр./ ВИНИТИ РАН. – 2012. – №6. – С. 50–53.
  6. ГОСТ Р 52282-2004 — Технические средства организа-ции дорожного движения. Светофоры дорожные. Типы и основные параметры. Общие технические требования. Методы испытаний. – URL: https://docs.cntd.ru/document/1200038801 (дата обраще-ния: 01.09.2024).
  7. Методические рекомендации по разработке и реализа-ции мероприятий по организации дорожного движения. Использование программных продуктов математиче-ского моделирования транспортных потоков при оценке эффективности проектных решений в сфере организа-ции дорожного движения. – М.: Минтранс РФ, 2017. – 72 с. – URL: https://mintrans.gov.ru/file/404538 (дата обращения: 09.09.2024).
  8. НАУМОВА Н.А., ДОМБРОВСКИЙ А.Н., ДАНО-ВИЧ Л.М. Метод управления светофорной сигнализаци-ей в условиях функционирования интеллектуальных транспортных систем // Фундаментальные исследова-ния. – 2017. – №9-1. – С. 64–68.
  9. Отраслевой дорожный методический документ ОДМ 218.4.005-2010. Рекомендации по обеспечению безопас-ности движения на автомобильных дорогах. – М., 2011. – URL: https://irtechnologies.ru/assets/odm-218.4.005-2010.pdf (дата обращения: 09.09.2024).
  10. Отраслевой дорожный методический документ ОДМ 218.6.003–011. Методические рекомендации по проек-тированию светофорных объектов на автомобильных дорогах. – М., 2011. – URL: https://files.stroyinf.ru/Data2/1/4293771/4293771345.pdf (дата обращения: 09.09.2024).
  11. СУЛИЦКИЙ М.В., ЗЕЛЕНСКИЙ И.С., САДОВНИКО-ВА Н.П. и др. Разработка интеллектуальной системы распознавания объектов для решения задач ситуацион-ного управления в городе // Современные наукоемкие технологии. – 2023. – № 7. – С. 104–109.
  12. ТИМОФЕЕВА О.П., МАЛЫШЕВА Е.М., СОКОЛО-ВА Ю.В. Проектирование интеллектуальной системы управления светофорами на основе нейронной сети // Современные проблемы науки и образования. – 2014. – №6. – URL: http://www.science-education.ru/ru/article/view?id=16496 (дата обращения: 01.09.2024).
  13. ПАРЫГИН Д.С., БУРОВ С.С., АНОХИН А.О. и др. Платформа для моделирования массовых перемещений объектов и субъектов в условиях городской среды // Программные продукты и системы. – 2021. – Т. 34, №2. – С. 354–364. – URL: http://www.swsys.ru/files/2021-2/354-364.pdf.
  14. AGRAWAL A., PAULUS R. Intelligent traffic light design and control in smart cities: a survey on techniques and methodologies // Int. Journal of Vehicle Information and Communication Systems. – 2020. – Vol. 5, No. 4. – P. 436–481.
  15. ANDRIYANOV N.A., DEMENTIEV V.E., TASH-LINSKII A.G. Detection of objects in the images: from like-lihood relationships towards scalable and efficient neural networks //Computer Optics. – 2022. – Vol. 46, No. 1. – P. 139–159.
  16. BEEVI S., PRATHAP J., GOWTHAM N. et al. Efficient Traf-fic Flow Management System Using Ai-Powered Traffic Lights in DEEP Learning // Int. Journal of Emerging Tech-nologies and Innovative Research. – 2023. – Vol. 10, No. 11. – P. 514–521. – URL: http://www.jetir.org/papers/JETIR2311467.pdf.
  17. BOUKTIF S., CHENIKI A., OUNI A. et al. Traffic Signal Control Based on Deep Reinforcement Learning with Simpli-fied State and Reward Definitions // 4th Int. Conf. on Artifi-cial Intelligence and Big Data (ICAIBD-2021), Chengdu, China. – IEEE, 2021. – P. 253–260.
  18. DUSHKIN R.V. Thematic Review of the Association of Traf-fic Engineers: Adaptive Traffic Management Systems and Road Controllers. – 2017. – URL: https://www.researchgate.net/publication/324154125_Thematic_Review_of_the_Association_of_Traf-fic_Engineers_Adaptive_Traffic_Management_Systems_and_Road_Controllers.
  19. FINOGEEV A.G., FINOGEEV A.A., FIONOVA L.R. Intelli-gent monitoring system for smart road environment // Jour-nal of Industrial Information Integration. – 2019. – Vol. 15. – P. 15–20.
  20. FINOGEEV A.G., BERSHADSKY A.M., FINOGEEV A.A. et al. Multiagent Intelligent System of Convergent Sensor Data Processing for the Smart&Safe Road / Chatchawal Wongchoosuk (eds.) // Intelligent System. – IntechOpen. – 2018. – Chapter 5. – P. 102–121. – URL: https://www.intechopen.com/books/intelligent-system/multiagent-intelligent-system-of-convergent-sensor-data-processing-for-the-smart-safe-road.
  21. GAO J., SHEN Y., LIU J. et al. Adaptive Traffic Signal Con-trol: Deep Reinforcement Learning Algorithm with Experi-ence Replay and Target Network // ArXiv abs/1705.02755. – 2017.
  22. LIANG X., DU X., WANG G. et al. A Deep Reinforcement Learning Network for Traffic Light Cycle Control // IEEE Trans. on Vehicular Technology. – 2019. – Vol. 68, No. 2. – P. 1243–1253.
  23. LIU D., LI L. A traffic light control method based on multi-agent deep reinforcement learning algorithm // Scientific Reports. – 2023. – Vol. 13, No. 1. – P. 9396.
  24. MAHIMA K.T.Y., ABEYGUNAWARDANA R.A.B., GI-NIGE T.N.D.S. Dynamic Traffic Light Controlling System Using Google Maps and IoT // From Innovation to Impact (FITI-2020). – IEEE, 2020. – Vol. 1. – P. 1–5.
  25. OSIPOV A., PLESHAKOVA E., GATAULLIN S. et al. Deep Learning Method for Recognition and Classification of Im-ages from Video Recorders in Difficult Weather Conditions // Sustainability. – 2022. – Vol. 14, No. 4. – P. 2420.
  26. PARYGIN D., FINOGEEV A. Management of Information from Surveillance Cameras at the Infrastructure Facility // New Trends and Applications in Internet of Things (IoT) and Big Data Analytics. – Cham: Springer International Publish-ing, 2022. – P. 173–186.
  27. RANYAL E., SADHU A., JAIN K. Road condition monitor-ing using smart sensing and artificial intelligence: A review // Sensors. – 2022. – Vol. 22, No. 8. – P. 3044.
  28. ROBERTSON D.I., BRETHERTON R.D. Optimizing net-works of traffic signals in real time – the SCOOT method // IEEE Trans. on Vehicular Technology. – 1991. – Vol. 40, No. 1. – P. 11–15.
  29. SHEN X., CHEN Y.C., TAO X. et al. Convolutional neural pyramid for image processing // arXiv preprint arXiv:1704.02071. – 2017.
  30. SUN H., SUN Y., YU B. Applications on Deep Reinforce-ment Learning in Traffic Signal Control // IEEE 4th Int. Conf. on Civil Aviation Safety and Information Technology (ICCASIT-2022). – IEEE, 2022. – P. 680–685.
  31. WEBSTER F.V. Traffic Signal Settings // Road Research Technical Paper. – 1958.
  32. ZHANG Y., HUANG G. Traffic flow prediction model based on deep belief network and genetic algorithm // IET Intelli-gent Transport Systems. – 2018. – Vol. 12, No. 6. – P. 533–541.
  33. ZHOU C., LIU S., LI X. et al. An Intelligent Traffic Signal Control System Based on Deep Reinforcement Learning // Information Communication Technologies Conference (ICTC-2020). – IEEE, 2020. – P. 255–259.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

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».