החלת אופטימיזציה רב-אובייקטיביים בעיצוב בקרת אותות תנועה הסתגלות מערכות

מערכות בקרת אותות תנועה הסתגלותיות מהוות את עמוד השדרה של ניהול התנועה העירונית המודרנית.בניגוד לסימנים קבועים שפועלים בלוח זמנים שנקבע מראש, מערכות הסתגלות מתאמתות באופן קבוע תזמון אותות בהתבסס על נתונים בזמן אמת מגלאי רכב, מצלמות וחיישנים אחרים.המטרה היא להפחית את עומס, לשפר את הבטיחות, ולצמצם את ההשפעה הסביבתית.

הבנה של Multi-Objective Optimization

אופטימיזציה רב-אובייקטיבי (MOO) עוסקת בבעיות שיש להן שני פונקציות אובייקטיביות או יותר כדי להיות מותאם במקביל. בעולם האמיתי, מטרות אלה הן בלתי ניתנות למדידה ולעתים קרובות סותרות.לדוגמה, בשליטה על התנועה אי אפשר למזער את העיכוב הממוצע ואת פליטות הכוללות באמצעות תוכנית תזמון אות אחת, כי אמצעים אלה להפחית את העיכוב (למשל, אורך מחזורי קצר יותר) נוטים להגדיל את ההתנהגות, חסכונית, להפסיק את היעילות.

מבחינה מתמטית, ניתן לומר בעיית אופטימיזציה רב-אובייקטיבית:

(ב) ⁇ (או מרבי) (ב) ⁇ ) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

במקום פתרון אופטימלי יחיד, MOO מייצרת סדרה של פתרונות הידועים כ-FLT:0Paretothen אופטימלי FLT 1 או FLT:2non-dodofFLT 3 פתרונות.פתרון הוא Pareto אופטימלי אם אין שום מטרה ניתן לשפר מבלי להחמיר את המטרה אחת לפחות.

שיטות קלאסיות כמו הגישה הסכומים המסולקת להמיר מטרות מרובות למטרה אחת על ידי הקצאת משקולות, אבל הם יכולים רק למצוא תת-קבוצה מוגבלת של חזית Pareto. שיטות מתקדמות יותר - אלגוריתמים אבולוציוניים בפרט - נועדו לגלות את החזית כולה בריצה אחת, מה שהופך אותם אידיאליים לבעיות מורכבות בעולם האמיתי כמו בקרת אותות תנועה.

מטרות בקרת אותות תנועה הסתגלות

תכנון מערכת אותות הסתגלות מתחיל עם הגדרת המטרות.מטרות נפוצות כוללות:

(ב) דחיית כלי רכב:0) 1 - רכבי הזמן הממוצע מבלים בהמתנה לצומת.
(ב) מספר התחנות של ה-FLT:1, צמצום התנועה של הפסקת-הטווח וגירוש מגביר את הנוחות ומפחית את השימוש בכלי רכב.
(ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(ב) ,0) ,הפחתת צריכת הדלק והפליטה של ה- 1 בינואר, במיוחד COFLT:2IRFLT 3: NOFLT:4, ו-U Obiculated החומר.
(ב) ◄ ◄ ◄ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(ב) ,0) עדיפות לעדיפות גבוהה יותר (FLT:1) - מתן טיפול מועדף לאוטובוסים וחשמלות.
(ב) ,0) כלי רכב קדמונים (Falph 1: 1) – פינוי דרכים למשאיות אש, אמבולנסים ומשטרה.

כל מטרה יכולה להתבטא כתפקוד של הפרמטרים של תזמון האות - אורך מחזור, שלב פיצול, מהפך בין צמתים, ורצף שלב. עבור מסדרון או רשת, משתנים ההחלטות עשויים להיות מספר במאות, יצירת מרחב חיפוש רב-ממדי.

הצעות מסחר בין מטרות

מתח נפוץ קיים בין עיכוב צמצום הפחתת פליטות והפחתה של מחזור ארוך יותר נוטה להפחית את מספר השלבים האדומים מפגשי platoon, ובכך להפחית עצירות ופליטות, אבל להגדיל את זמן ההמתנה עבור כלי רכב המגיעים בדיוק לאחר תחילת אות אדום. בדומה, מתן זמני מעבר הולכי רגל ארוכים יותר מגביר את הבטיחות אבל מפחית את היכולת עבור תנועה מול מיילדות.

אבולוציה Multi-Objective Algorithms for Traffic Signal Control

כמה אלגוריתמים אבולוציוניים כבר מוחל בהצלחה על אופטימיזציה של אותות התנועה.הם מתאימים היטב כי הם יכולים להתמודד עם פונקציות לא לינאריות, רב-ממדיות ותפקודים אובייקטיביים מוגבלים ללא צורך במידע ⁇ .

Non-Dominatedמיין Geneticing Genetics Algorithm II (NSGA-II)

NSGA-II, שהוצג על ידי דב ואל בשנת 2002, הוא אחד האלגוריתמים הנפוצים ביותר.

מהיר לא נשלט לסווג פתרונות לפי דומיננטיות Pareto.
מרחק נסיעה כדי לשמור על מגוון לאורך חזית Pareto.
אליטיזם לשמר את הפתרונות הטובים ביותר בכל הדורות.

בשליטה על אות התנועה, NSGA-II יכול ליצור מערך של תוכניות תזמון אות המייצגות את החילופים השונים בין, למשל, עיכוב ופליטות.טבעו מבוסס האוכלוסייה מאפשר למהנדסים להעריך חלופות רבות בו-זמנית.עבור תיאור מפורט, ראה את המאמר המקורי: FLT:0A ו- Elitist Multiobjective Genetical Algorithm: NS-FLT1: 1:1.

Multi-Objective Evolutionary Algorithm מבוסס על Decomposition (MOEA/D)

MOEA / D מקנה בעיה רב-אובייקטיבית למספר תת-בעיות חד-משמעיות באמצעות וקטורים במשקל. זה הוכח לעבוד היטב על בעיות ממדים גבוה יכול להיות יעיל יותר מאשר גישות מבוססות שליטה.עבור רשתות תנועה עם צמתים רבים, אסטרטגיית פירוק של MOEA / D מסייעת בדרגת משימות אופטימיזציה בקנה מידה גדול.

Multi-Objective Particle Swarm Optimization (MOPSO)

אופטימיזציה חלקיקים של חוטי דם משתמשת באוכלוסייה של חלקיקים העוברים דרך מרחב החיפוש מבוסס על עמדות אישיות וגלובאליות ביותר.בגרסה רב-אובייקטיבית שלה, ארכיון חיצוני מאחסן פתרונות שאינם מחוסנים. MOPSO לעתים קרובות מתאחד במהירות וביעילות לסביבות דינמיות, מה שהופך אותו אטרקטיבי לשליטה הסתגלות בזמן אמת, שבו תנאי התנועה משתנים במהירות.

השוואה והחלפתיות

בעוד NSGA-II הוא חזק ומעודכן נרחב, MOEA /D יכול להיות יעיל יותר לבעיות עם מטרות שונות היטב. MOPSO הוא אטרקטיבי במיוחד כאשר מהירות חישובית היא קריטית.מערכות הסתגלות מודרנית רבות משלבות אלגוריתמים מרובים או להשתמש בגישה היברידית.הבחירה תלויה ביעדים הספציפיים, הגודל של הרשת, ואת המשאבים חישוביים הזמינים במרכז ניהול התנועה.

תכנון ותהליך יישום עבור מערכת הסתגלות באמצעות MOO

זרימת העבודה לפרוס מערכת בקרת אותות אדפטיבית רב-אובייקטיבית עוקבה אחרי כמה שלבים, כל אחד עם אתגרים טכניים נפרדים.

1. איסוף נתונים ומודל

נתוני התנועה המזהמים הם הבסיס. גלאי לולאות אינדוקטיביים, חיישנים מכ"ם, מצלמות ו- Bluetooth / Wi-Fi גלאי לספק אמצעים של נפח תנועה, מהירות, דיקור וזמני נסיעות.בפריסות מודרניות, נתוני רכב מקושרים (למשל, ממכשירי GPS-e מאובזר) מציעים נתונים מתקדמים לרזולוציה גבוהה שניתן להשתמש בהם כדי לדגמי סימולציה מיקרוסקופית.

כלים מיקרו-סימונים כגון SUMO (Simulation of Urban MObility), VISSIM, או Aimsun משמשים ליצירת תאומים דיגיטליים של רשת התנועה.מודלים אלה מדמיינים תנועות רכב עם שינוי נתיב, מעקב אחר רכב והתנהגות צומת. המטרות (delay, פליטות וכו ') מוצמדות מהסימולציה.

צעד חשוב מגדיר את אופק האופטימיזציה – כמה רחוק אל העתיד צריך תוכנית האות להיות מותאם? עבור שליטה הסתגלות בזמן אמת, אופק מתגלגל של 5-15 דקות הוא טיפוסי. אופקים ארוכים יותר להגדיל את הנטל חישובי אבל יכול להניב תוכניות טובות יותר תחת תנועה יציבה.

2.הגדרת תפקוד אובייקטיבי ו- Constraints

כל מטרה חייבת להיות מנוסחת כפונקציה שניתן לנסח אותה כסכום של כל כלי הרכב של ההבדל בין זמן נסיעה בזרימה חופשית וזמן נסיעה בפועל. אי הרשאות ניתן להעריך באמצעות מודלים פליטה מודולליים כמו PHEM (עבור מכונית ו- Duty-Duty Model) או MIR (Motor Auto Emissions Conmissions) להבטיח תאימות: 120 פעמים ירוקות, מינימום (טווח הליכה) או MS).

אופטימיזציה Multi-Objective

מנוע האופטימיזציה, הפעלת NSGA-II, MOEA / D, או אלגוריתם אחר, יוצר סט של תוכניות תזמון אופטימליות Pareto. עבור צומת יחיד, את המשתנים של ההחלטה עשוי להיות פיצולים שלב; עבור מסדרון מתואמת, הם כוללים מדפים ואורך מחזור.האלגוריתם פועל ללא קשר באמצעות דפוסי תנועה היסטוריים ולאחר מכן חזית Pareto מאוחסנים עבור בחירה מקוונת.

4.החלטות ובחירת התוכנית

עם חזית Pareto זמין, מנהל התנועה (או מערכת אוטומטית) בוחר תוכנית המתאימה ביותר לעדיפות הנוכחית.

מדד משקל: בחירת הפתרון הממזער סכום של מטרות, עם משקולות המשקפות מדיניות.
תכנות גואל: בחירת התוכנית שמגיעה קרוב ביותר לערכי היעד לכל מטרה.
שיטות אינטראקטיביות: המפעיל יכול לחקור באופן ויזואלי את פני השטח של המסחר באמצעות כלי תמיכה של החלטות.

במערכות הסתגלות, הבחירה יכולה לשנות באופן דינמי בהתבסס על זמן של יום, יום בשבוע, או אירועים בזמן אמת.

5.התמדה והזמכה

תוכנית התזמון שנבחרה מיושמת על ידי בקר אותות.נתוני ביצועים בזמן אמת מוזן בחזרה למערכת כדי לחדד את מודל הסימולציה ולעדכן את חזית הלמידה של Pareto. Machine ניתן להשתמש כדי לחזות מדינות תנועה כמעט-עתידיות ולגרום להפחתה לפני התנאים degrade.

יישומים אמיתיים ומקריות

כמה ערים פרסמו בקרת אותות הסתגלות רב-אובייקטיביים עם הטבות מדידה.

מערכת ATSAC של לוס אנג'לס

מערכת בקרת התנועה האוטומטית של לוס אנג'לס (ATSAC) יש יותר מ-4,000 צמתים מלוטשים. היא משתמשת באלגוריתם בקרה הסתגלותי הממאזן את העיכוב, באמצעות חישוב, ופליטות. מחקר של המחלקה לתחבורה של העיר דיווח על ירידה של 12-15% והפחתה של 10% בשעות השיא.המערכת מתאמת באופן רציף תוכניות המבוססות על נתונים ותכלול פונקציות עדיפות ליד בתי ספר.

קופנהגן הכשילה את מסדרונות הגל הירוקים שלה על ידי טיפול בעיכוב צ'ירליסטי כמטרה נפרדת.שימוש באופטימיזציה רב-אובייקטיבית, המערכת מספקת תיאום עבור רוכבי אופניים תוך שמירה על עיכוב רכב בגבולות מקובלים.התוצאה הייתה עלייה של 20% באופניים באמצעות לוח והפחתה של 15% בזמן הנסיעה, ללא שיפור משמעותי של תעבורת רכב.

מחקר סימבול על קורדור באנג'ואו

החוקרים הגישו NSGA-II למסדרון בן שישה חלקים באנג'ואו, סין, עם מטרות של צמצום עיכוב וצריכת דלק.חזית Pareto חשפה פערים גדולים: ירידה של 10% בעיכוב עלולה להגדיל את צריכת הדלק ב-8%.על ידי בחירת פתרון מאוזן, הם השיגו ירידה של 7% בשני המדדים בהשוואה לשלטונו הנוכחי.

לקריאה נוספת על יישום אופטימיזציה רב-אובייקטיביים אבולוציוניים לשליטה בתנועה, ראה את הסקר המקיף:0.10ulti-objective אופטימיזציה עבור בקרת אות התנועה: סקריפי FLT:1.

יתרונות ואתגרים

יתרונות של אופטימיזציה רב-Objective

(FLT:0) ניהול הסחר-off-off: מהנדסים יכולים לראות בדיוק כיצד שיפור אחד של מטרות מקטין אחרים, המאפשר החלטות מושכלות.
(FLT:0) ,LlexibilityFLT:1: אותו אופטימיזציה לרוץ מייצרת סט של תוכניות, ואת הטוב ביותר ניתן לבחור בזמן אמת על בסיס עדיפויות משתנות (למשל, לעבור לצמצום פליטות במהלך התראה איכות האוויר).
(FLT:0) שיפור ביצועי המערכת הכוללת: משום שכל המטרות הרלוונטיות נחשבות, התוכנית הסופית נמנעת מתופעות לוואי שליליות נסתרות שאופטימיזציה חד-משמעית עלולה לגרום.
(ב) ⁇ :0) , אלגוריתמים מתאימים, ניתן להרחיב את הגישה מצומת יחיד לרשתות גדולות.

אתגרים במימוש

(FLT:0) מורכבות מורכבות רבת ערך (FLT:1): יצירת חזית פארטו לרשת גדולה עם מטרות רבות יכול לדרוש אלפי סימולציה פועל. פריסת זמן אמת דורש אלגוריתמים מהירים יותר או אופטימיזציה לא מקוונת עם תיקון מהיר של תוכנית.
איכות הנתונים והשקידה של FLT: מודל הסימולציה חייב לשקף במדויק את התנועה האמיתית.הקלבציה המסכן מובילה לאופטימיזציה של תוכניות שתחתונים בתחום.
(FLT:0) תנאי התנועה הפילומית 1: חזית הפארו שנוצרה מהנתונים ההיסטוריים עשויה להפוך תת-אופטימית כאשר דפוסי התנועה משתנים לפתע (למשל, בשל תאונה) מערכות הסתגלות צריכות לגרום להחלמה במהירות וביעילות.
(FLT:0) קבלות בעלי העניין קבלה (FLT:1): מנהלי תנועה שהורגלו לשיטות חד-משמעיות עשויים לדרוש הכשרה לאמון ולהשתמש בכלים של תמיכה בהחלטות מרובות-אובייקטיביות.בנוסף, בעלי עניין שונים (למשל, רשויות המעבר לעומת סוכנויות סביבתיות) עשויים שלא להסכים על איזו תוכנית לפרוס, המחייבים מסגרת ממשל.

כיוונים עתידיים

אופטימיזציה רב-אובייקטיביים עבור בקרת אותות תנועה אדפטיבית היא שדה מתפתח במהירות.

שילוב עם Machine Learning

סוכני למידה עמוקה (DRL) יכולים ללמוד לשלוט אותות התנועה ישירות מהנתונים.מחקר עדכני הרחיב את DRL להגדרות מרובות-אובייקטיביות על ידי שימוש בתפקוד הסקאריזציה או על ידי אימון סוכנים מרובים, כל אחד מהם הוא לשמור על חקר של עצירות תוך הבטחת יציבות בסביבה לא מחזורית.

תקשורת לרכב-ל-Infrastructure (V2I)

כלי רכב מחוברים ואוטומטיים יכולים לספק נתונים מדויקים של מסלול, המאפשרים חישובים מדויקים יותר של פליטה ושליטה חיזוי. אופטימיזציה רב-אובייקטיבית ברמת הצומת יכול לשלב בקשות רכב בודדות (למשל, אוטובוס המבקש עדיפות) כמגבלות או מטרות.

מערכות עתידיות יצטרכו להתמודד עם הפרעות (מזג אוויר קיצוני, אירועים מיוחדים) וייעל עבור מצבים מרובים (מכוניות, אופניים, הולכי רגל, קטנועים) בו זמנית. ניסוחים רב-אובייקטיביים להרחיב באופן טבעי כדי לכלול מטרות כגון למקסם את דרך חישוב ניידות משותפת או צמצום אי-שוויון בזמנים המתנה על פני קבוצות משתמשים שונות.

אופטימיזציה באינטרנט באמצעות Metaheuristics

עם התקדמות ב מחשוב מקבילים ועיבוד קצה, זה עכשיו אפשרי לרוץ מטאוריסטים קלים (למשל, MOPSO) ברמת הבקר כל כמה דקות.זה מאפשר למערכת להסתגל לתנודות בזמן אמת מבלי להסתמך על חזית פארוטו מראש.

מסקנה

אופטימיזציה רב-אובייקטיבית מספקת מסגרת עקרונית ורבת עוצמה לעיצוב מערכות בקרת אותות תנועה אדפטיבית הממאזןות את הדרישות המתחרות של יעילות, בטיחות והשפעה סביבתית.על ידי יצירת מערך פתרונות אופטימליים של Pareto, מהנדסי תנועה יכולים לבחון באופן ויזואלי את הניקודים של התנועה ותכניות בחירה התואמים את מטרות ניהול נתונים בכל עת נתון.