Інтелектуалізація управління дорожнім рухом як засіб підвищення ефективності транспортної мережі міста в неординарних ситуаціях
DOI:
https://doi.org/10.31649/2413-4503-2022-16-2-42-50Ключові слова:
інтелектуальні транспортні системи, транспортні мережі, прогнозування трафіку, управління дорожнім рухом, інформаційні потоки, неординарні ситуаціїАнотація
Проведено оцінку сучасних тенденцій розвитку інтелектуальних систем управління дорожнім рухом та їхня ролі у забезпеченні ефективності функціонування транспортних мереж. Визначено процеси впровадження технологій із розширення потоку оброблюваних даних в існуючі інтелектуальні транспортні системи (ІТС), які забезпечують збільшення швидкодії передачі інформації в них. Наведено класифікацію інформаційних джерел, які стають доступними при переході ІТС на стандарт 5G та забезпечують основу для реалізації технологій уникнення неординарних ситуацій в транспортних мережах.
Існуючі методи підвищення ефективності транспортної мережі міста націлені в основному на забезпечення здатності ІТС до прогнозування транспортних потоків. До них належать статистичні і нелінійні методи, методи на основі моделювання, методи штучного інтелекту та комбіновані методи. Реалізація цих методів досягається завдяки збільшенню інформаційного потоку, що надходить з системи. Проведене порівняння цих методів виявило, що вони загалом можуть із високою точністю здійснювати прогнозування, однак незалежно від обраного еталону, частина з них вже перебуває на вершині свого потенціалу в плані застосування в ІТС, а решті ще є куди розвиватись.
Придатність методу прогнозування для роботи в умовах реального часу є суттєвою перевагою в забезпеченні ефективного керування транспортними потоками, дозволяє підвищити стійкість транспортної мережі й ефективність ІТС та позитивно впливає на рівень заторів, дорожньої безпеки та екологічного впливу на навколишнє середовище. Найбільш перспективними в плані швидкого та гнучкого вирішення неординарної ситуації є моделі із застосуванням штучного інтелекту або комбінації із ними, засновані на алгоритмах глибокого навчання, які довели свою важливість у передбаченні результатів, прийнятті рішень щодо прогнозів тривалості транспортного потоку та забезпеченні усунення та уникнення заторів на основі пропуску транспортних засобів через перехрестя в залежності від довжини та зміни тривалості сигналів світлофора.
Посилання
European Commission. EU Transport Policy. [Online]. Available: https://europa.eu/european-union/topics/transport_en.
J. Mena-Oreja, J. Gozalvez, “A Comprehensive Evaluation of Deep Learning-Based Techniques for Traffic Prediction,” IEEE Access, no. 8, pp. 1-25, 2020. https://doi.org/10.1109/ACCESS.2020.2994415.
В. В. Аулін, А. В. Гриньків, А. О. Головатий [та ін.] Методологічні основи проектування та функціонування інтелектуальних транспортних і виробничих систем: монографія. Кропивницький: Лисенко В. Ф., 2020. 428 с.
А. А. Кашканов, О. В. Пальчевський, “Проблеми функціонування транспортних систем великих міст України в сучасних умовах,” Сучасні технології в машинобудуванні та транспорті, № 1(18), с. 97-102, 2022. https://doi.org/10.36910/automash.v1i18.764.
Н. О. Семченко, Є. Б. Решетніков, «Дослідження параметрів руху груп транспортних засобів на вулично-дорожній мережі міст,» Комунальне господарство міст, № 7(146), с. 12-19. 2018. https://doi.org/10.33042/2522-1809-2018-7-146-12-19.
Статистика. Офіційний сайт патрульної поліції України. [Електронний ресурс]. Режим доступу: http://patrol.police.gov.ua/statystyka/.
Implementing an Intelligent Transportation System: A Bottom-Up Approach to Value Creation. Connect, collect, analyze, deliver – optimize traffic management with intelligent transportation systems. [Online]. Available: https://intellias.com/implementing-intelligent-transportation-system/.
M. N. Tahir, P. Leviäkangas, M. Katz, “Connected Vehicles: V2V and V2I Road Weather and Traffic Communication Using Cellular Technologies” Sensors, no. 22(3), pp. 1-14, 2022. https://doi.org/10.3390/s22031142.
M. Hui, L. Bai, Y. Li, Q. Wu, “Highway Traffic Flow Nonlinear Character Analysis and Prediction”, Mathematical Problems in Engineering, no. 8, pp. 1-7, 2015. http://dx.doi.org/10.1155/2015/902191.
A. Emami, M. Sarvi, S. A. Bagloee, “Using Kalman filter for short-term traffic flow prediction in a connected vehicle environment,” Journal of Modern Transportation, no. 27, pp. 222-232, 2019. https://doi.org/10.1007/s40534-019-0193-2.
S. Chaudhary, S. Chaudhary, “Video-based Road Traffic Monitoring and Prediction using Dynamic Bayesian Networks,” IET Intelligent Transport Systems, no. 12 (3), pp. 1-8, 2017. https://doi.org/10.1049/iet-its.2016.0336.
Leslie Pack Kaelblinga, Michael L. Littman, Anthony R. Cassandrac. “Planning and acting in partially observable stochastic domains”, Artificial Intelligence, vol. 101, no. 1–2, pp. 99-134, 1998.
F. Doshi, D. Wingate, J.B. Tenenbaum,”Infinite dynamic Bayesian networks”, in Proc. of the 28th Int. Conf. Machine Learning, (ICML 2011), Bellevue, Washington, USA, 28 June–2 July 2011, pp. 913–920.
A. Nasser, V. Simon, “Wavelet‐attention‐based traffic prediction for smart cities,” IET Smart Cities, no. 4(1), pp. 3–16, 2022. https://doi.org/10.1049/smc2.12018.
W. Yuanqing, L. Jing, “Study of Rainfall Impacts on Freeway Traffic Flow Characteristics,” Transportation Reseach Procedia, no. 25, pp. 1533–1543, 2017. https://doi.org/10.1016/j.trpro.2017.05.180.
C. Wang, X. Pang, Z. Xi, G. Si, “An Elastic Combination Forecasting Method for Urban Road Traffic Status,” Journal of Physics: Conference Series, no. 2, 2019. https://doi.org/10.1088/1742-6596/1237/2/022027.
N. Ciont, R. D. Cadar, D. S. Cimpean, “A Road Traffic Prediction Study Based on Weigh-in-Motion Data,” Proceedings of the Romanian Academy Series A, no. 19, pp. 567-574, 2018.
V. M. Fareeduddeen, J. Sreerambabu, M. M. Riyaz, “Traffic Prediction for Intelligent Transportation System Using Machine Learning,” International Journal for Research in Applied Science & Engineering Technology (IJRASET), no. 10 (8), pp. 922-925, 2022. https://doi.org/10.22214/ijraset.2022.46306.
V. Geetha, C. K. Gomathy, H. Thommandru, P. V. N. Varma, “A Traffic Prediction for Intelligent Transportation System Using Machine Learning,” International Journal of Engineering and Advanced Technology, no. 10 (4), pp. 166-168, 2021. https://doi.org/10.35940/ijeat.D2426.0410421.
B. Yogita, P. Raghavendra, “Traffic Prediction for Intelligent Transportation System Using Deep Learning,” International Journal of Research in Engineering, Science and Management, no. 7 (5), pp. 61-62, 2022.
X. Qiu, L. Zhang, Y. Ren, P. Suganthan, and G. Amaratunga, “Ensemble Deep learning for Regression and Time Series Forecasting,” in IEEE Symposium Series on Computational Intelligence, pp. 1-6, 2014. https://doi.org/10.1109/CIEL.2014.7015739.
Q. Zhang, H. Wang, J. Dong, G. Zhong, and X. Sun, “Prediction of sea surface temperature using long short-term memory,” IEEE Geoscience and Remote Sensing Letters, no. 14 (10), pp. 1745-1749, 2017. https://doi.org/10.1109/LGRS.2017.2733548.
A. Sagheer and M. Kotb, “Time series forecasting of petroleum production using deep LSTM recurrent networks,” Neurocomputing, no. 323, pp. 203-213, 2019. https://doi.org/10.1016/j.neucom.2018.09.082.
X. Luo, D. Li, Y. Yang, and S. Zhang, “Spatiotemporal traffic flow prediction with KNN and LSTM,” Journal of Advanced Transportation., no. 5, pp. 1-10, 2019. https://doi.org/10.1155/2019/4145353.
##submission.downloads##
-
PDF
Завантажень: 119
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
