Анализ мирового опыта в применении искусственного интеллекта в системах управления дорожным движением различного уровня


https://doi.org/10.21122/2309-4923-2024-1-26-36

Полный текст:




Аннотация

При функционировании автоматизированных систем управления дорожным движением и их трансформации в интеллектуальные транспортные системы предъявляются современные требования к совокупному параметру – безопасности, который характеризует качество и эффективность дорожного движения, особенно при организации высокоскоростного нагруженного движения механических транспортных средств. В статье рассмотрены вопросы по применению для этих целей различных математических методов при моделировании транспортных процессов и систем, в том числе с учетом развития алгоритмов искусственного интеллекта, чтобы при принятии решений по управлению движением обладать достоверными прогнозными показателями, полученными по адекватным моделям. Выполнено сравнение моделей и даны рекомендации по их применимости и получаемым результатам для целей управления дорожным движением.


Об авторах

Д. B. Навой
Белорусский национальный технический университет
Беларусь

Навой Дмитрий Валерьевич, полковник милиции, начальник отдела дорожного движения главного управления ГАИ МВД, аспирант БНТУ

г. Минск

 



Д. В. Капский
Белорусский национальный технический университет
Беларусь

Капский Денис Васильевич, доктор технических наук, доцент. Заместитель председателя ВАК Республики Беларусь

г. Минск



Н. А. Филиппова
Московский государственный автомобильно-дорожный технический университет
Россия

Филиппова Надежда Анатольевна, доктор технических наук, доцент, профессор кафедры «Автомобильные перевозки»

г. Москва


 



И. Н. Пугачев
Хабаровский федеральный исследовательский центр Дальневосточного отделения Российской академии наук
Россия

Пугачев Игорь Николаевич, доктор технических наук, профессор

г.Хабаровск



Список литературы

1. Капский Д.В. Основы автоматизации интеллектуальных транспортных систем: Учебник / Д.В. Капский, Е.Н. Кот, С.В. Богданович [и др.]. – Вологда: ООО "Издательство "Инфра-Инженерия", 2022. – 412 с.

2. Скирковский, С.В. Теоретические и практические подходы к созданию и развитию интеллектуальной транспортной системы города / С.В. Скирковский, Д.В. Капский, Д.В. Навой; Министерство транспорта и коммуникаций Республики Беларусь; Белорусский государственный университет транспорта. – Гомель: Учреждение образования "Белорусский государственный университет транспорта", 2022. – 171 с.

3. Пугачев И.Н. Оценка экологических потерь в дорожном движении на основе GPS-данных о параметрах транспортных потоков и моделирования / И.Н. Пугачев, Д.В. Капский, Л.П. Майорова [и др.]. – Хабаровск: Тихоокеанский государственный университет, 2020. – 250 с.

4. Капский, Д.В. Анализ алгоритмов управления дорожным движением и их применимости на современном этапе развития ИИТС / Д.В. Капский, И.Н. Пугачев, Д.В. Навой // Дальний Восток: проблемы развития архитектурно-строительного комплекса. – 2019. – № 1-1. – С. 259-264.

5. Капский, Д.В. Трехуровневая модель управления транспортными и пешеходными потоками / Д.В. Капский, И.Н. Пугачев, Д.В. Навой // Дальний Восток: проблемы развития архитектурно-строительного комплекса. – 2019. – № 1-1. – С. 265-270.

6. Scemama G. (1989) Creation of a knowledge-based system for urban traffic control: methodology. Recherche Transport Securite. English Issue 5, June 1990.

7. Cuena J. (1989) AURA: a second generation expert system for traffic control in urban motorways.IX Int. Workshop on Expert Systems. EC2. Avignon.

8. Hunt, Robertson, Bretherton, Winton, 1981.SCOOT. A trac responsive method of coordinating signals. Transport and Road Research Laboratory, Report no. LR 1014, TRRL, Crow home, UK.

9. Sims A.G. and Dobinson K.W. 1981, “S.C.A.T. The Sydney co-ordinated adaptive traffic system: philosophy and benefits”, Proceedings from symposium on computer control of transport, Institution of engineers, Australia, Canberra.

10. N.H. Gartner, OPAC: Strategy for Demand-responsive Decentralized Traffic Signal Control, Volume 23, Issue 2, September 1990, рр. 241-244.

11. J.J. Henry, J.L. Farges, J. Tuffal. The Prodyn Real Time Traffic Algorithm, Volume 16, Issue 4, April 1983, Pages 305-310.

12. Mauro V., DiTaranto C. UTOPIA. Control, Computers, Communications in Transportation, 1990, pp. 245-252. 8. Traffic control in oversaturated street networks. NCRHPreport, 1978, no. 194, 152 p.

13. Cuena, J., Hern_andez, J.Z., Molina, M. 1995. Knowledge-based models for adaptive traffic management systems. Transportation Research, Part C 3 (5), 311-337.

14. Cuena, J., Hern_andez, J.Z., Molina, M., 1996a. Knowledge oriented design of an application for real time traffic management: The TRYS system. In: Wahlster, W. (Ed.), Eur. Conf. on Artificial Intelligence, ECAI_96. John Wiley and Sons, New York, pp. 308-312.

15. Cuena, J., Hern_andez, J.Z., Molina, M., 1996b. An intelligent model of road traffic management in the motorwaynetwork around Barcelona. In: Proc. 14th Int. Federation on Information Processing (IFIP) World Computer Congr., IFIP_96. Chapman & Hall, London, pp. 173-180.

16. Ossowski, S., Cuena, J., Garc_ıa-Serrano, A., 1998. A case of multiagent decision support: using autonomous agents for urban traffic control. In: Proc. Iberoamerican Conf. of Artificial Intelligence, IBERAMIA-98.

17. Ossowski, S., Garc_ıa-Serrano, A., 1999.In: Social Structure as a Computational Co-ordination Mechanism in Societies of Autonomous Problem-solving Agents. IntelligentAgentsV. Springer-Verlag, pp. 133-148.

18. Ossowski, S. 1999. Co-ordination in Artificial Agent Societies. LNAI 1535. Springer-Verlag, Berlin.

19. Daniele Buscema, Matteo Ignaccolo, Giuseppe Inturri, Alessandro Pluchino, Andrea Rapisarda, Corrado Santoro, Salvatore Tudisco. The impact of real time information on transport network routing through Intelligent Agent-Based Simulation, University of Catania, Italy, TIC-STH 2009.

20. Smart Urban Signal Networks: Initial Application of the SURTRAC Adaptive Traffic Signal Control System, Stephen F. Smith, Gregory J. Barlow, Xiao-Feng Xie, Zachary B. Rubinstein, Proceedings of the Twenty-Third International Conference on Automated Planning and Scheduling.

21. Aha DW. (1998). Theomnipresenceofcase-basedreasoninginscienceandapplication. KnowlBasedSyst 11:261–273.

22. Hao Zhang, GuangLong Dai. The strategy of traffic congestion management based on case-based reasoning, International Journal of System Assurance Engineering and Management, February 2019, Volume 10, Issue 1, pp. 142-147.

23. Mashrur Chowdhury, Adel Sadek, Yongchang Ma, Neeraj Kanhere, and Parth Bhavsar. ApplicationsofArtifi cialIntelligenceParadigmstoDecisionSupportinReal-TimeTrafficManagement, TransportationResearchRecord: JournaloftheTrans portationResearchBoard, No. 1968, TransportationResearchBoardoftheNationalAcademies, Washington, D.C., 2006, pp. 92-98.

24. Anders Kofod-Petersen, Ole Johan Andersen, and AgnarAamodt. Case-based Reasoning for Improving Traffic Flow in Urban Intersections, 22nd International Conference, ICCBR 2014, Cork, Ireland, September 29, 2014 October 1, 2014. Proceedings.

25. Webster, F.V. Trafic Signal Settings. Road Research Technical Paper No. 39. Great Britain Road Research Laboratory (1958).

26. StatensVegvesen: Trafikksignalanlegg: planlegging, driftogvedlikehold, Ha˚ndbok 142. (2007).

27. Zhenlong, L., Xiaohua, Z. A case-based reasoning approach to urban intersection control. In: 7th World Congress on Intelligent Control and Automation (WCICA2008). (2008) 7113–7118.

28. Ali LOUATI, Sabeur ELKOSANTINI, Saber DARMOUL and Lamjed BENSAID. A Case-Based Reasoning System to Control Traffic at Signalized Intersections, IFAC-Papers On Line 49-5 (2016) 149-154.

29. Пугачев И.Н. Оценка качества дорожного движения на основе навигационной информации об условиях движения транспортных потоков / И.Н. Пугачев, Д.В. Капский, В.В. Касьяник [и др.]. – Хабаровск: Тихоокеанский государственный университет, 2018. – 148 с.

30. X. Ma, H. Yu, Y. Wang, and Y. Wang. Large-scale transportation network congestion evolution prediction using deep learning theory. PloS one, 10(3):e0119044, 2015.

31. Капский Д.В., Кот Е.Н. Концепция развития автоматизированных систем управления дорожным движением в Республике Беларусь// Научно-технический журнал «Вестник БНТУ» – Минск, 5’2005. – С. 63-66.

32. Пугачев И.Н. Синергия подходов к совершенствованию интеллектуальных транспортных систем городов в России и Белоруссии / И.Н. Пугачев, Д.В. Капский, Д.В. Навой [и др.]. – Хабаровск: Тихоокеанский государственный университет, 2020. – 230 с.

33. S. Dunne, B. Ghosh. Weather adaptive traffic prediction using neuro wavelet models. IEEE Trans. Intell. Transportation Syst. 14(1), 370-379 (2013).

34. E. Mazloumi, G. Rose, G. Currie, S. Moridpour. Prediction intervals to account for uncertainties in neural network predictions: methodology and application in bus travel time prediction. Eng. Appl. Artif. Intell. 24(3), 534-542 (2011).

35. CPIJ van Hinsbergen, A Hegyi, JWC van Lint, HJ van Zuylen. Bayesian neural networks for the prediction of stochastic travel times in urban networks. IETIntell. TransportSyst. 5(4), 259-265 (2011).

36. Мартынова Е.С. Оценка уровней обслуживания движения транспортных потоков на основе нечетких экспертных систем, диссертация на соискание научной степени кандидата наук, Саратовский государственный технический университет имени Гагарина Ю.А., 2018.

37. Патент Glieretal. US 2002/0054210.

38. Sergey V. Anfilets, Vasilij N. Shuts, ARTIFICIAL NEURAL NETWORKS FOR ADAPTIVE MANAGEMENT TRAFFIC LIGHT OBJECTS AT THE INTERSECTION, Proceedings of the 10th International Conference “Reliability and Statistics in Transportation and Communication” (RelStat’10), 20–23 October 2010, Riga, Latvia, pр. 457-462. Transport and TelecommunicationI nstitute, Lomonosova 1, LV-1019, Riga, Latvia.

39. Ozkurt, C., Camci, F. Automatic traffic density estimation and vehicle classification for traffic surveillance systems using neural network.Math. Comput. Appl. 14(3), 187-196 (2009).

40. V. Murugan, V.R. Vijaykumar. AutomaticMovingVehicleDetectionandClassificationBasedonArtificialNeuralFuzzyI nferenceSystem, Wireless Personal Communications, June 2018, Volume 100, Issue 3, pp. 745-766.

41. Ozkurt, C., &Camci, F. (2009). Automatic traffic density estimation and vehicle classification for traffic surveillance systems using neural networks. Mathematicaland Computational Applications,14(3), 187-196.

42. Врубель, Ю.А. Координированное управление дорожным движением: монография / Ю.А. Врубель, Д.В. Капский, Д.В. Рожанский, Д.В. Навой, Е.Н. Кот. – Минск: БНТУ, 2011. – 230 с.

43. П. Пржибыл, М. Свитек. Телематика на транспорте. М.: МАДИ (ГТУ), 2003 – 540 с.

44. Д.Э. Казарян, В.А. Михалев, Е.A. Софронова. Нейросетевые подходы к управлению потоками транспорта, Вестник Российского университета Дружбы народоа, 2017. Vol. 18. No. 1, рр. 97-106.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.

45. W. Genders, S. Razavi. Using a deep reinforcement learning agent for traffic signal control. Submitedto IEEE forpublicationon 3 November 2016.

46. 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.

47. W. Genders, S. Razavi. Using a deep reinforcement learning agent for traffic signal control. Submited to IEEE for publication on 3 November 2016.

48. 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. 21442149.

49. Абовский Н.П., Бабанин В.Б., Смолянинова Л.Г., Жуков В.И., Островский П.В. Нейросетевой способ межрайонного координированного управления транспортными потоками, патент 2169946.

50. Azura Che Soh / Lai Guan Rhung. MATLAB simulation of fuzzy traffic controller for multilane isolated intersection. Int. J. Comput. Sci. Eng. 02(04), 924-933 (2010).

51. Placzek, B. Performance evaluation of road traffic control using a fuzzy cellular model. In: 6th International Conference on HAIS, Wroclaw, pp. 59-66. Proceedings, Part II, 23–25 May 2011.

52. VPVijayan, B Paul. Multi objective traffic prediction using type-2 fuzzy logic and ambient intelligence, in Proceedings of 2010 International Conference on Advances in Computer Engineering (ACE) (Egypt, 2010), pp. 309-311;

53. L Li, WH Lin, H Liu. Type-2 fuzzy logic approach for short-term traffic forecasting. IEEProc. Intell. TransportSyst. 153(1), 33-40 (2006).

54. Патент Lemelsonetal. U.S. Pat. No. 6,633.238.

55. Патент Lemelsonetal. (U.S. Pat. No. 6,317,058).

56. J.H. Holland. “Genetic algorithms and the optimal allocation of trials,” SIAM Journal on Computing, vol. 2, no. 2, pp. 88-105, 1973.

57. Gambardella Luca M. Ant colony optimization for ad-hoc networks. In: The first MICS workshop on routing for Mobile Ad-Hoc Networks, Zurich, 13 Feb 2003.

58. Cyrille, B., Antoine, D., Sylvain, L., Damien, O. Road traffic management based on ant system and regulation method (2006).

59. Штовба С.Д. Муравьиные алгоритмы // Exponenta Pro. Математика в приложениях. – 2003. – №4. – С. 70-75.

60. 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.

61. 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.

62. Pedro Lopez-Garcia, Enrique Onieva, Eneko Osaba, Antonio D. Masegosa, and Asier Perallos. A Hybrid Method for Short-Term Traffic Congestion Forecasting Using Genetic Algorithms and Cross Entropy, IEEE Transactions on Intelligent Transportation Systems, 2016. Vol. 17. Issue 2.

63. S.M. Odeh, A.M. Mora, M.N. Moreno, and J.J.Merelo. A Hybrid Fuzzy Genetic Algorithm for an Adaptive Traffic Signal System, Hindawi Publishing Corporation Advances in Fuzzy Systems, Volume 2015, Article ID 378156, 11 pages.

64. Anderson Hiroshi Hamamoto, Luiz Fernando Carvalho, Lucas Dias Hiera Sampaio, Taufik Abrão, Mario Lemes Proença. Network Anomaly Detection System using Genetic Algorithm and Fuzzy Logic. Expert system with application, Volume 92, February 2018, рр. 390-402.


Дополнительные файлы

Для цитирования: Навой Д.B., Капский Д.В., Филиппова Н.А., Пугачев И.Н. Анализ мирового опыта в применении искусственного интеллекта в системах управления дорожным движением различного уровня. «Системный анализ и прикладная информатика». 2024;(1):26-36. https://doi.org/10.21122/2309-4923-2024-1-26-36

For citation: Navoi D.V., Kapski D.V., Filippova N.A., Pugachev I.N. Analysis of world experience in the use of artificial intelligence in traffic control systems at various levels. «System analysis and applied information science». 2024;(1):26-36. (In Russ.) https://doi.org/10.21122/2309-4923-2024-1-26-36

Просмотров: 56

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2309-4923 (Print)
ISSN 2414-0481 (Online)