Разработка адаптивной системы управления светофорными объектами с использованием марковских процессов принятия решений

Обложка

Цитировать

Полный текст

Аннотация

Описан программный комплекс MARLIN24, предназначенный для реализации адаптивного управления светофорными объектами. Цель разработки --- оптимизация работы светофоров для сокращения суммарного времени пребывания транспортных средств в зоне действия оптических детекторов. Архитектура комплекса включает три ключевых модуля: модуль адаптивного управления, модуль имитационного моделирования транспортных потоков и модуль валидации, а также дополнительный модуль визуализации. В модуле адаптивного управления реализованы четыре подхода: фиксированный план; некоординированное подкрепленное обучение; координированное мультиагентное обучение с~подкреплением; управление длительностью фаз с помощью MISO контроллера нечёткой логики (Multiple Input Single Output, MISO). Имитационное моделирование транспортных потоков для проверки результатов управления осуществляется посредством модуля микросимуляции на основе модели "разумный водитель" (Intelligent Driver Model, IDM). В модуле валидации для моделирования реалистичных показаний оптических датчиков, отражающих дорожную обстановку, используются копула-функции, принимающие на вход маргинальные распределения. Маргинальные распределения были получены на основе исторических данных об интенсивности движения за период 2019-2020 гг. Разработанный комплекс программ имитационного моделирования MARLIN24 позволяет исследовать и сравнивать между собой ряд моделей управления реальными участками дорожной сети г. Красноярска при различных условиях.

Об авторах

Тимофей Иванович Тисленко

Сибирский федеральный университет

Email: timtisko@mail.ru
г. Красноярск

Дарья Владиславовна Семенова

Сибирский федеральный университет

Email: DVSemenova@sfu-kras.ru
г. Красноярск

Список литературы

  1. АСУДД «МИКРО–М».[Электронный ресурс]. – Режим до-ступа: http://asud55.ru/archives/1346.
  2. ВОЙТИШЕК А.В. Основы метода Монте-Карло: Учебноепособие / Под ред. В.Н. Задорожного. Новосибирск: НГУ,2010. – 108 с.
  3. ЗАЛИЗНЯК В.Е. Численные методы. Основы научных вы-числений: учебное пособие для бакалавров. – М.: ЮРАЙТ,2012. – С. 356.
  4. ТИСЛЕНКО Т.И. Моделирование интенсивностей транс-портных потоков при помощи копул Маршала – Олкина //ИТ. НАУКА. КРЕАТИВ. Т. 5. Системы управления, инфор-мационные технологии и математическое моделирование:материалы I Междунар. форума (Омск, 14–16 мая 2024 г.):в 5 ч. / Под науч. ред. П.С. Ложникова, отв. ред. И.Г. Оль-гина. – Омск: Изд-во ОмГТУ, 2024. – С. 70.
  5. ТИСЛЕНКО Т.И. Моделирование интенсивностей транс-портных потоков для модуля валидации комплексаMARLIN24 // Информационные технологии и математиче-ское моделирование (ИТММ-2024): Материалы XXIII Меж-дународной конференции имени А.Ф. Терпугова. – Томск:Изд-во TГУ, 2024. – С. 336–341.
  6. Транспортная стратегия Российской Федерации. Утвер-ждена распоряжением Правительства Российской Федера-ции от 22 ноября 2008 года №1734-р. 2008 [Электронныйресурс]. – Режим доступа: http://mintrans.gov.ru.
  7. BISHOP C.M. Pattern Recognition and Machine Learning. –Springer, 2007.
  8. BOEING G. OSMnx: Python for Street Networks. [Электрон-ный ресурс]. – Режим доступа: https://osmnx.readthedocs.io/.
  9. CARINI RAYMOND N. Application of the UTCS-1 NetworkSimulation Model to Select Optimal Signal Timings in a Multi-Linear Street System // Interim Report. Publication for UrbanTraffic Control System. Joint Highway Research Project. –1977. – P. 164.
  10. CHANDLER M.J.H. SCOOT and Bus Detection. OTRC Proc.Annual Summer Meeting // Traffic Control Studies in London. –1990. – Vol. P269. – P. 111–128.
  11. EL-TANTAWY S., ABDULHAI B., ABDELGAWAD H.Multiagent Reinforcement Learning for Integrated Networkof Adaptive Traffic Signal Controllers (MARLIN-ATSC):Methodology and Large-Scale Application on DowntownToronto // IEEE Trans. on Intelligent Transportation Systems. –2013. – Vol. 14, No. 3. – P. 1140–1150.
  12. EPANECHNIKOV V.A. Non-Parametric Estimation of aMultivariate Probability Density // Theory of Probability andIts Applications. – 1969. – P. 153–158.
  13. GARTNER N.H. OPAC: Strategy for Demand-responsiveDecentralized Traffic Signal Control // IFAC Proc. Volumes. –1990. – Vol. 23. – P. 241–244.
  14. MARSHALL A.W., OLKIN I. Families of MultivariateDistributions // Journal of the American StatisticalAssociation. – 1988. – Vol. 83, No. 403. – P. 834–841.
  15. NASH J. Equilibrium Points in N-Person Games. // Proc. ofthe National Academy of Sciences. – 1950. – Vol. 36, No. 1. –P. 48–49.
  16. NELSEN R. B. An Introduction to Copulas. – Springer, 2006.–270 p.
  17. NETWORKX DEVELOPERS. NetworkX. [Электронный ре-сурс]. – https://networkx.org/.
  18. SUTTON R.S., BARTO A.G. Reinforcement Learning: AnIntroduction. – Cambridge, MA: MIT Press, 2015.–P. 145–147.
  19. TISLENKO T.I., SEMENOVA D.V., SERGEEVA N.A. et al.Multiagent Reinforcement Learning for Integrated Network:Applying to a Part of the Road Network of KrasnoyarskCity // IEEE 16th Int. Conf. on Application of Information andCommunication Technologies (AICT–2022). – 2022. – P. 1–5.
  20. TISLENKO T.I., SEMENOVA D.V., SOLDATENKO A.A.Modeling and Comparison of Different ManagementApproaches on the Intersections Network // IEEE 26th Int.Conf. Distributed Computer and Communication Networks:Control, Computation, Communications (DCCN–2023). –2023. – P. 25–29.
  21. TREIBER M., HENNECKE A., HELBING D. Congestedtraffic states in empirical observations and microscopicsimulations // Transportation Physics Reviews E. – 2000. –Vol. 62. – P. 1805–1824.
  22. TREIBER M., HELBING D. Realistische Mikrosimulation vonStraBenverkehr mit einem einfachen Modell // Symposium"Simulationstechnik ASIM–2002 Rostock.–2002.–P. 514–520.
  23. QUESADA-MOLINA J.J., RODRIGUEZ-LALLENA J.A.Bivariate copulas with quadratic sections // Journal ofNonparametric Statistics. – 1995. – Vol. 5, No. 4. – P. 323–337.
  24. ZADEH L.A. Fuzzy Sets, Fuzzy Logic, Fuzzy Systems. – WorldScientific Press, 1996.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


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».