Ключевые слова
обработка информации
«умный» светофор
управление транспортными потоками
стратегии обучения
Как цитировать
Аннотация
в настоящее время особо актуальной стала проблема светофорного регулирования транспортных потоков. Как правило, системы управления светофорами зависят от оператора или следуют строго прописанным заранее правилам. В связи с этим ставится задача разработки интеллектуальной системы, которая смогла бы полностью самостоятельно автоматически принимать решение о включении или выключении того или иного светофора на перекрестке. В работе рассмотрена модель городского светофора на крестообразном перекрестке. Предложены режимы работы перекрестка, характеризующиеся набором включенных и выключенных светофоров для безаварийного проезда машин в определенном направлении. Данные режимы позволяют свести задачу управления светофором к задаче классификации. Разработана нейросетевая модель светофора, позволяющая решить данную задачу. В качестве входных данных модель получает количество машин на каждом направлении. На выходе нейросетевая модель по создавшейся ситуации на перекрестке выбирает тот или иной режим перекрестка. Были проведены экспериментальные исследования для определения конфигурации модели, а также вычислительные эксперименты, показавшие принципиальную возможность использования данного подхода к решению поставленной задачи и высокую эффективность предложенной модели.
Литература
Кадиленко Е. С., Тимофеева О. П. Определение оптимальной траектории движения транспортного средства на определённом участке карты. Будущее технической науки: Сборник материалов XI Международной молодежной научно-технической конференции. Нижний Новгород; 2012. С. 45–46.
Тимофеева О. П., Ермаков О. П. Туманова Д. Н. Модель системы «умных светофоров» на базе AnyLogic. Будущее технической науки: Сборник материалов XV Международной молодежной научно-технической конференции. Нижний Новгород; 2016. С. 115–116.
Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM. 2017;60(6):84–90. DOI: 10.1145/3065386.
Russakovsky O., Deng J., Su H. ImageNet Large Scale Visual Recognition Challenge. Int. J. of Computer Vision. 2015;115(3):211–252. DOI: 10.1007/s11263-015-0816-y.
Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия — Телеком; 2002. 382 с.
Каллан Р. Основные концепции нейронных сетей. М.: Издательский дом «Вильямс»; 2001. 287 с.
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польск. И. Д. Рудинского. М.: Горячая линия — Телеком; 2006. 452 с.
Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization. Режим доступа: https://arxiv.org/abs/1412.6980.
Goodfellow I., Bengio Y., Courville A. Deep Learning. Genet Program Evolvable Mach. 2018;19:305– 307. DOI: 10.1007/s10710-017-9314-z.
Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. Cambridge: The MIT Press; 2014. 338 p.
Silver D., Huang A., Maddison C. J. Mastering the Game of Go with Deep Neural Networks and Tree Search. Nature. 2016;529:484–489. DOI: 10.1038/nature16961.
Kohavi R. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. 1995;2:1137– 1143.