ИССЛЕДОВАНИЕ И ОБЗОР АЛГОРИТМОВ СКООРДИНИРОВАННОЙ РАБОТЫ УМНЫХ СВЕТОФОРОВ

ИССЛЕДОВАНИЕ И ОБЗОР АЛГОРИТМОВ СКООРДИНИРОВАННОЙ РАБОТЫ УМНЫХ СВЕТОФОРОВ

Саним Диана Тенелкызы

магистр, Международный университет информационных технологии,

Республика Казахстан, г. Алматы

АННОТАЦИЯ

С ростом урбанизации и увеличением количества транспортных средств на дорогах пробки на дорогах стали серьезной проблемой во многих городах по всему миру. Для решения этой проблемы многообещающим решением стали интеллектуальные системы управления дорожным движением, использующие скоординированную работу светофоров. В этой исследовательской статье мы рассмотрим современное состояние в области скоординированной работы светофоров и представим последние достижения в алгоритмах для разработки интеллектуальных систем светофоров. В статье также обсуждаются различные подходы, включая традиционные планы подачи сигналов с фиксированным временем, адаптивное управление сигналами светофора и более продвинутые подходы с использованием искусственного интеллекта и методов машинного обучения.

Ключевые слова: Умные светофоры, DRL, Автоматизированные системы управления дорожным движением, нейронные сети, машинное обучение.

Пробки на дорогах стали насущной проблемой в городских районах, что приводит к увеличению времени в пути, снижению производительности и негативному воздействию на окружающую среду. Одним из ключевых компонентов заторов на дорогах является неэффективная работа светофоров, когда светофоры не оптимизированы для изменения схемы движения, что приводит к задержкам и дублированию трафика. Обычные системы светофоров часто основаны на планах подачи сигналов с фиксированным временем, где время "зеленого" сигнала для каждого направления определено заранее и не адаптируется к условиям дорожного движения в реальном времени. Для решения этой проблемы в качестве решения были предложены интеллектуальные системы управления дорожным движением, использующие скоординированную работу светофоров. Скоординированная работа светофоров предполагает оптимизацию времени подачи сигналов светофора на нескольких перекрестках, чтобы обеспечить более плавный транспортный поток, уменьшить заторы и повысить общую эффективность дорожного движения.

Обзор литературы

В этом разделе были обсуждены существующие исследования в этой области. Также предоставлена сравнительная таблица.

Таблица 1.

Обзор существующих исследований

Ключевые результаты выделенных исследований включают повышение эффективности дорожного движения, сокращение времени в пути и задержек по сравнению с традиционным управлением сигналами светофора за счет применения глубокого обучения с подкреплением, подключенных транспортных сред, многоагентных фреймворков, пространственно-временных фреймворков, подходов, основанных на глубоком обучении, онлайн-обучения с подкреплением и глубоких нейронных сетей. Эти исследования в совокупности вносят вклад в понимание различных алгоритмов, ключевых функций и выводов в области управления сигналами дорожного движения.

Исследование и разработка алгоритмов скоординированной работы светофора

Был проведен значительный объем исследований по разработке алгоритмов скоординированной работы светофоров. Традиционные подходы включают планы подачи сигналов с фиксированным временем, где время "зеленого" сигнала для каждого направления заранее устанавливается на основе исторических данных о дорожном движении или наблюдений вручную. Однако эти подходы не адаптируются к дорожным условиям в режиме реального времени и могут быть неоптимальными для меняющихся требований к трафику в течение дня.

Адаптивное управление сигналами дорожного движения - это более продвинутый подход, который регулирует время подачи сигнала на основе данных о дорожном движении в режиме реального времени. Это может быть достигнуто с помощью различных методов, таких как датчики дорожного движения, камеры и инфраструктура связи для сбора данных об объемах трафика, скоростях и очередях. Алгоритмы адаптивного управления дорожным сигналом затем используют эти данные для динамической настройки времени подачи сигнала для оптимизации транспортного потока. Одним из часто используемых методов является управление с учетом трафика, которое адаптирует тайминги сигналов на основе спроса на трафик в режиме реального времени, стремясь свести к минимуму задержки и очереди.

Недавние достижения в области искусственного интеллекта и методов машинного обучения также были применены для скоординированной работы светофоров. Например, алгоритмы обучения с подкреплением, такие как Q-learning и Deep Q-networks (DQNs), использовались для разработки адаптивных алгоритмов управления дорожными сигналами, которые извлекают информацию из данных о дорожном движении в реальном времени и оптимизируют тайминги сигнала на основе условий дорожного движения. Эти подходы, основанные на искусственном интеллекте, показали многообещающие результаты в улучшении транспортного потока и снижении заторов, особенно в сложных дорожных сценариях с множеством перекрестков и противоречивыми схемами движения.

Преимущества скоординированной работы светофора:

• Улучшенный транспортный поток: Скоординированная работа светофора обеспечивает синхронизацию сигналов между несколькими светофорами, оптимизируя транспортный поток и уменьшая заторы [5].
• Повышенная безопасность: Скоординированная работа светофоров также может способствовать повышению безопасности за счет снижения вероятности конфликтов и столкновений на перекрестках [5].
• Повышение эффективности: Скоординированная работа светофоров может привести к повышению общей эффективности транспортной системы, поскольку позволяет лучше использовать пропускную способность дорог и сводит к минимуму потери времени и топлива, вызванные ненужными остановками и задержками на светофорах [5].

Будущие направления исследований и области применения

Область скоординированной работы светофоров продолжает развиваться, и существует несколько перспективных направлений исследований и потенциальных применений. Одним из направлений является интеграция более передовых технологий, таких как подключенные и автономные транспортные средства, для повышения эффективности скоординированной работы светофоров. Например, транспортные средства могут взаимодействовать со светофорами для предоставления информации в режиме реального времени об их предполагаемом движении, что позволяет более точно регулировать время подачи сигнала и еще больше улучшать транспортный поток.

Что касается приложений, скоординированная работа светофора может быть распространена на различные сценарии, включая рабочие зоны, специальные мероприятия и чрезвычайные ситуации. Например, во время работы в рабочей зоне скоординированная работа светофора может помочь управлять транспортным потоком и сократить задержки, вызванные перекрытием полос движения и объездами. В чрезвычайных ситуациях, таких как эвакуация или инциденты, скоординированная работа светофора может способствовать эффективному и безопасному управлению дорожным движением для обеспечения бесперебойных маршрутов эвакуации или реагирования на чрезвычайные ситуации.

В заключение следует отметить, что исследования и разработка алгоритмов скоординированной работы интеллектуальных светофоров - это активная и развивающаяся область, обладающая потенциалом значительного улучшения транспортного потока, уменьшения заторов и повышения общей эффективности перевозок. Традиционные планы подачи сигналов с фиксированным временем, адаптивное управление сигналами светофора и подходы на основе искусственного интеллекта показали многообещающие результаты в оптимизации времени подачи сигналов светофора на основе данных о дорожном движении в режиме реального времени. Однако существуют проблемы, связанные с точностью данных, сложностью системы, масштабируемостью и интероперабельностью, которые необходимо решить. Будущие направления исследований и приложений, включая интеграцию с передовыми технологиями и моделями прогнозирования дорожного движения, обладают большим потенциалом для дальнейшего развития области скоординированной работы светофоров. Продолжающиеся исследования и разработки в этой области потенциально могут революционизировать управление дорожным движением в городских районах, что приведет к созданию более эффективных и устойчивых транспортных систем.

Список литературы:

1. Yu, B., Shi, W., & Yang, Z. (2018). Управление сигналами светофора с использованием deep learning с подкреплением и осведомленностью о дорожных условиях. Transportation Research Part C: Emerging Technologies, 86, 178-196.
2. El-Tantawy, S. A., & Abdelgawad, H. (2016). Оптимальное управление сигналами светофора на изолированных перекрестках: Современное решение. Transportation Research Part C: Emerging Technologies, 67, 1-21.
3. Li, X., Wang, X., & Papageorgiou, M. (2017). Управление сигналами светофора в условиях подключенного транспортного средства: Обзор. Transportation Research Part C: Emerging Technologies, 79, 58-77.
4. Ma, W., Huang, L., & Ceder, A. (2016). Многоагентная система глубокого обучения с подкреплением для управления дорожными сигналами. Transportation Research Part C: Emerging Technologies, 71, 1-17.
5. Saha, S., & Kar, S. (2019). Влияние скоординированного управления сигналами на задержку пешеходов и уровень обслуживания на городских перекрестках. Journal of Advanced Transportation, 2019.