Алгоритм інтелектуального міського трафіку
Анотація
Перехрестя у місті-мегаполісі є ключовим елементом при регулюванні потоків транспортних засобів. В нашому дослідженні представлена програма, що дозволяє оптимізувати проїзд транспортних засобів (ТЗ) через кожне окреме перехрестя. Проте це перший етап роботи. На другому, і найголовнішому, етапі розглядається проблема прокладання маршруту кожному ТЗ від його початкової позиції до кінцевого пункту. Важливо те, що приведена програма прокладає маршрут, оптимальний по часу, що корінним чином відрізняє її від сучасних технологій GPS-навігації, які прокладають геометрично оптимальні маршрути. Технічно реалізація процесу прокладання маршруту здійснюється з допомогою використання п’єзоелектричних датчиків, що монтуються на кожному перехресті. Ці датчики обраховують число колісних автомобільних пар, які перетнули перехрестя. Згадані пристрої поділяються на два типи – вхідні та вихідні. Перші реєструють число ТЗ, що в’їхали на дорогу одного напрямку між сусідніми перехрестями. Другі – число ТЗ, що виїжджають із кожної окремої смуги руху. Відповідно число таких датчиків повинно рівнятись числу смуг дороги одного напрямку між сусідніми перехрестями. Відношення між числом автомобілів, що в’їхали на дану ділянку дороги, до числа автомобілів, що виїхали з неї за час горіння зеленої фази світлофора, є вагомим критерієм, який свідчить про динаміку руху ТЗ. Чим ближчим є це відношення до одиниці, тим динаміка руху краща. Тому використовуваний у дослідженні алгоритм пошуку оптимального маршруту вибиратиме ділянки дороги, що формують маршрут, саме із таких компонентів. Зауважимо, що представлений у нашій роботі алгоритм прокладає оптимальні по часу, а не по шляху, маршрути. Це досягається шляхом введення в якості ваг ребер графів, що імітують транспортну мережу міста, динамічних величин з особливими характеристиками. Введення таких ваг дозволяє в режимі поточного часу відслідковувати зміни у трафіку та миттєво передавати їх на виконання водіям ТЗ. Пропонована технологія дозволить синхронізувати потоки ТЗ, суттєво зменшити час проїзду кожного автомобіля по маршруту, більш ефективно використовувати транспортні артерії – міський трафік перейде на якісно новий рівень.
Завантаження
Посилання
/Посилання
D.G. Bohuto, V.I. Volynets, P.K. Nikoluk, P.P. Nikolyuk, “Automated management system of vehicles movement within the city”. Bulletin of the Kharkov University, series “Math. Mod., Inform. Technol., Automated Cont. Syst.”, vol.35, pp. 5 –12, 2017. [in Ukrainian]
D.G. Bohuto, V.F. Komarov, P.K. Nikoluk, P.P. Nikolyuk, “Intelligent urban traffic management algorithm”. Bulletin of the Kharkov University, series “Math. Mod., Inform. Technol., Automated Cont. Syst.”, vol.39, pp. 51-62, 2018. [in Ukrainian]
Piezoelectric RoadTraxBL, http://www.irdinc.com/pcategory/axle-sensors-accessories/ piezoelectric-roadtrax-bl.html. [May 06.2018].
Vehicle Sensing: Ten Technologies to Measure Traffic, https://www. azosensors. com/article.aspx?ArticleID=95. 06.06.2018.
Jun Liu, Chuan-Wei Liang, Min Li, Ke Jian, Lan Qin, and Jing-Cheng Liu, “Principle Research on a Novel Piezoelectric 12-DOF Force/Acceleration Sensor”. J. of Sensors, ID 2836365, pp. 116 – 124, 2017.
Yingfeng Cai, Ze Liu, Xiaoqiang Sun, Long Chen, Hai Wang, and Yong Zhang, “Vehicle Detection Based on Deep Dual-Vehicle Deformable Part Models”. J. of Sensors, ID 5627281, pp. 103 – 117, 2017.
Jiyuan Tan, Xiangyun Shi, Zhiheng Li, Kaidi Yang, Na Xie, Haiyang Yu, Li Wang, Zhengxi Li, “Continuous and Discrete-Time Optimal Controls for an Isolated Signalized Intersection”. Journal of Sensors, ID 6290248, pp.11 – 19, 2017.
Ilya Ioslovich, Jack Haddad, Per-Olof Gutman, David Mahalel, “Optimal traffic control synthesis for an isolated intersection”, Control Engineering Practice, vol.19, no.8, pp. 900 –911, 2011.
Pang-wei Wang, Hong-bin Yu, Lin Xiao, Li Wang, “Online Traffic Condition Evaluation Method for Connected Vehicles Based on Multisource Data Fusion”. J. of Sensors, ID 7248189, pp. 123–131, 2017.
Java Programming Examples on Graph Problems & Algorithms, https://www. sanfoundry.com/ java-programming-examples-graph-problems -algorithms.[May 06.2018].
Mohammed Quddu, Simon Washing-ton, “Shortest path and vehicle trajectory aided map-matching for low frequency GPS data”. Transportation Research Part C, vol.55, pp. 328-339, 2015.
Sina Dabiri, Kevin Heaslip, “Inferring transportation modes from GPS trajectories using a convolutional neural network”. Transportation Research, Part C, vol.86, pp. 360–37, 2018.
Feilong Wang, Cynthia Chen, “On data processing required to derive mobility patterns from passively-generated mobile phone data”. Transportation Research, Part C, vol.87, pp. 58–74, 2018.
X. Ma, H. Yu, Y. Wang, Y. Wang, and J. Gomez-Gardenes, “Large-scale transportation network congestion evolution prediction using deep learning theory”. PLoS ONE, vol.10, no.3, pp. 171 – 185, 2015.
Mahdi Hashemi, Hassan A. Karimi, “A weight-based map-matching algorithm for vehicle navigation in complex urban networks”. J. of Intel. Transp. Systems, vol. 20, no.6, pp. 45-76, 2016.
Mahmood Rahmani, Eric Jenelius, Harilaos N. Koutsopoulos, “Floating car and camera data fusion for non-parametric route travel time estimation”. Procedia Comp. Science, vol.37, pp. 390-395, 2014.
Masoud Fadaei Oshyaniv, Marcus Sundberg, Anders Karlstrӧm, “Consistently estimating link speed using sparse GPS data with measured errors”. Procedia – Social and Behavioral Sciences, vol. 111, pp. 829-838, 2014.
Ashish Kumar Patnaika, Prasanta Kumar Bhuyan, K.V. Krishna Rao, “Divisive Analysis (DIANA) of hierarchical clustering and GPS data for level of service criteria of urban streets”. AEJ, vol.55, pp. 407-418, 2016.
Богуто Д.Г., Волинець В.І., Ніколюк П.К., Ніколюк П.П. Автоматизована система керування рухом транспортних засобів в межах міста. Вісник ХНУ серія «Математичне моделювання. Інформаційні технології. Автоматизовані системи управління».2017. Вип.35. С.5 – 12.
Богуто Д.Г., Комаров В.Ф., Ніколюк П.К., Ніколюк П.П. Інтелектуальний алгоритм управління міським трафіком. Вісник ХНУ серія «Математичне моделювання. Інформаційні технології. Автоматизовані системи управління». 2017. Вип.38. С.46 – 57.
Piezoelectric RoadTraxB. URL:http://www.irdinc.com/pcategory/axle-sensors-accessories/ piezoelectric-roadtrax-bl.html. (дата звернення: 15.05.2019).
Vehicle Sensing: Ten Technologies to Measure Traffic. URL: https://www. azosensors. com/article.aspx?ArticleID=95. 06.06.2018 (дата звернення: 16.05.2019).
Jun Liu, Chuan-Wei Liang, Min Li, Ke Jian, Lan Qin, Jing-Cheng Liu. Principle Research on a Novel Piezoelectric 12-DOF Force/Acceleration Sensor. J. of Sensors. ID 2836365. 2017. P.116 –124.
Yingfeng Cai, Ze Liu, Xiaoqiang Sun, Long Chen, Hai Wang, and Yong Zhang. Vehicle Detection Based on Deep Dual-Vehicle Deformable Part Models. J. of Sensors. ID 5627281. 2017. P.103 –117.
Jiyuan Tan, Xiangyun Shi, Zhiheng Li, Kaidi Yang, Na Xie, Haiyang Yu, Li Wang, Zhengxi Li. Continuous Discrete-Time Optimal Controls for an Isolated Signalized Intersection. Journal of Sensors. ID 6290248. 2017. P. 11 – 19.
Ilya Ioslovich, Jack Haddad, Per-Olof Gutman, David Mahalel. Optimal traffic control synthesis for an isolated intersection. Control Engineering Practice. 2011. V.19, №8. P. 900-911.
Pang-wei Wang, Hong-bin Yu, Lin Xiao, Li Wang. Online Traffic Condition Evaluation Method for Connected Vehicles Based on Multisource Data Fusion. J. of Sensors. ID 7248189. 2017. P. 123 – 131.
Java Programming Examples on Graph Problems & Algorithms. URL: https://www. sanfoundry.com/ java-programming-examples-graph-problems -algorithms (дата звертання: 06.04.2019).
Mohammed Quddu, Simon Washing-ton. Shortest path and vehicle trajectory aided map-matching for low frequency GPS data. Transportation Research. Part C. 2015. V.55. P. 328-339.
Sina Dabiri, Kevin Heaslip. Inferring transportation modes from GPS trajectories using a convolutional neural network. Transportation Research, Part C. 2018. V.86. P. 360–37.
Feilong Wang, Cynthia Chen. On data processing required to derive mobility patterns from passively-generated mobile phone data. Transportation Research, Part C. 2018. V.87. P. 58–74.
X. Ma, H. Yu, Y. Wang, Y. Wang, J. Gomez-Gardenes. Large-scale transportation network congestion evolution prediction using deep learning theory. PLoS ONE. 2015. V.10. №3. P. 171–185.
Mahdi Hashemi, Hassan A. Karimi. A weight-based map-matching algorithm for vehicle navigation in complex urban networks. J. of Intel. Transp. Systems. 2016. V.20, №6. P. 45-76.
Mahmood Rahmani, Eric Jenelius, Harilaos N. Koutsopoulos. Floating car and camera data fusion for non-parametric route travel time estimation. Procedia Comp. Science. 2014. V.37. P. 390-395.
Masoud Fadaei Oshyaniv, Marcus Sundberg, Anders Karlstrӧm. Consistently estimating link speed using sparse GPS data with measured errors. Procedia – Social and Behavioral Sciences. 2014. V.111. P. 829-838.
Ashish Kumar Patnaika, Prasanta Kumar Bhuyan, K.V. Krishna Rao. Divisive Analysis (DIANA) of hierarchical clustering and GPS data for level of service criteria of urban streets. AEJ. 2016. V. 55. P. 407-418.