Adaptif Trafik İşaret Kontrol Sistemleri Tasarımında Multi-objective Optimizasyonu Uygulayın

Adaptif trafik sinyali kontrol sistemleri modern şehir trafik yönetiminin arka kemiği oluşturur.Bu tür sistemlerin tasarımı, sürekli olarak araç dedektörlerinden gelen sinyal zamanlamalarını ayarlayın, kameralar ve diğer sensörlerin hedef alınması, güvenlik artırımı ve çevresel etkileri azaltmaktır. Ancak, bu tür sistemlerin tasarımı temel bir meydan okumayı içerir: Birden çok, çatışma hedefleri aynı anda tatmin edilmelidir. Minimiz araç gecikmesi, örneğin yakıt tüketimini artırabilir.

Multi-Objective Optimizasyonu Anlamak

Multi-objective optimizasyon (MOO) tek bir sinyal zamanlama planı kullanarak iki veya daha objektif işlevleri olan sorunlarla ilgilidir, çünkü gecikme süresini azaltan önlemler (örneğin, bu hedefler kesintiye uğratılabilir ve sık çelişkilidir. Örneğin, trafik kontrolünde, trafik kontrolünde aynı anda her iki ortalama gecikme ve toplam emisyonlar tek bir sinyal zamanlama planı kullanarak mümkün değildir, çünkü gecikme süresini azaltır (örneğin, daha kısa döngü uzunluğu)

Matematiksel olarak, çok-objective optimizasyon sorunu şöyle ifade edilebilir:

(veya en üst) F (x) = [f[DÜ:0)[F][/FONT:0)[x)[D[Dönetici:2)[x)[x)[D[D))[D[D))[x)[x)[x) x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x

Tek bir optimal çözüm yerine, MOO, en azından bir diğer amacı kötüleştirmeden bilinen bir çözüm seti üretir.Pareto optimal[Dön 1: 1) veya [[Dönetici[Döneticileri ile ilgili resmi ile karar vericiler sunar.

Ağırlıklı toplam yaklaşım gibi klasik yöntemler, birden çok hedefi tek bir hedef haline getirerek, ancak yalnızca Pareto cephesinin sınırlı bir alt kümesi bulabilirler. Daha gelişmiş yöntemler - özellikle de devrimsel algoritmaları - tek bir koşuda tüm cepheyi keşfetmek için tasarlanmıştır, onları trafik sinyal kontrolü gibi karmaşık gerçek dünya sorunları için ideal hale getirebilirler.

Adaptive Trafik Signal Control

Adaptif bir sinyal sistemi tasarlamak, hedefleri tanımlamakla başlar. Ortak hedefler şunlardır:

Her hedef sinyal zamanlama parametrelerinin bir işlevi olarak ifade edilebilir - uzun, faz bölünmüşleri, kesişimler ve faz sıraları.Bir koridor veya ağ için, karar değişkenleri yüzlerce, yüksek boyutlu bir arama alanı oluşturmak için numara olabilir.

Hedefler Arasında Ticaret-Resimler

Yaygın bir gerilim gecikme minimizasyon ve emisyon azaltımı arasında mevcuttur. Uzun döngü uzunları bir platoon karşılaşmalarını azaltma eğilimine sahiptir, böylece duraklama ve emisyonlar azaltır, ancak daha önce kırmızı sinyalin başlamasıyla gelen araçlar için zaman artırmayı sağlar. Benzer şekilde, yaya geçiş süreleri güvenlik artışı sağlar, ancak erkans trafiğinin azaltılması için kapasiteyi azaltır. Multi-objective optimizasyon bu ticaret-offları açık kılar, böylece trafik mühendislerinin politika öncelikleri ile uyumlu bir zamanlama planı seçmelerini sağlar - örneğin, bir şehir daha fazla güvenlendirici veya yakın okullar sırasındaki emisyonların azaltılmasına öncelik verebilir.

Trafik İşaret Kontrolü için Evrimsel Multi-Objective Algoritmas

Birkaç evrimsel algoritmalar trafik sinyal optimizasyonuna başarıyla uygulandı. İyi uygunlar çünkü yüksek çözünürlükli bilgi gerektiren doğrusal, multimodal ve kısıtlanmış objektif işlevleri idare edebilirler.

Non-Dominated Sorting Genetic Algorithm II (NSGA-II)

NSGA-II, Deb et al. tarafından 2002 yılında, en yaygın kullanılan algoritmaların biridir.

Trafik sinyali kontrolünde, NSGA-II, farklı ticaret-sonuçlarını temsil eden bir sinyal zamanlama planlarını oluşturabilir, diyor, gecikme ve emisyonlar. Nüfus temelli doğası, mühendislere aynı anda birçok alternatifleri değerlendirmelerini sağlar. ayrıntılı bir açıklama için, orijinal kağıt bakınız: 0,0A Fast and Elit Multiobjective Genetic Algorithm: NSGA-II).

Decomposition (MOEA/D) temelli çok-Objective Evolutionary Algorithm based on Decomposition (MOEA/D)

MOEA/D decomposes çok boyutlu problemler üzerinde çalışmak ve birçok kesişimli yaklaşımla trafik ağları için, MOEA/D'nin dekompozisyon stratejisi büyük ölçekli optimizasyon görevlerine ölçeklendirmeye yardımcı oluyor.

Multi-Objective Parçacık Swarm Optimizasyonu (MOPSO)

Parçacık optimizasyonu, arama alanı aracılığıyla kişisel ve küresel en iyi pozisyonlarına dayanan bir parçacık popülasyonunu kullanır.Çok-objective varyantında, dış bir arşiv depolanmamış çözümler. MOPSO genellikle hızlı bir şekilde bir araya gelir ve gerçek zamanlı olarak trafik koşullarının dakikalarca değiştiğinde çekici bir kontrol için etkilidir.

Karşılaştırma ve Suitability

NSGA-II sağlam ve yaygın bir şekilde karşılanırken, MOEA/D, iyi düşünülmüş hedeflerle ilgili sorunlar için daha verimli olabilir. MOPSO özellikle hesaplama hızı kritik olduğunda caziptir.Birçok modern adaptive sistemleri birden çok algoritmayı birleştirir veya belirli hedeflere bağlıdır, trafik yönetimi merkezinde mevcut olan hesaplama kaynaklarına bağlıdır.

MOO kullanarak Adaptive System için tasarım ve uygulama süreci

Çok uyumlu bir sinyal kontrol sistemi dağıtma için iş akışı, her biri farklı teknik zorluklarla birkaç aşamayı takip eder.

1. Veri Koleksiyonu ve Modeling

Doğru trafik verileri temeldir. Inductive loop dedektörleri, radar sensörleri, kameralar ve Bluetooth/Wi-Fi dedektörleri trafik hacmi, hız, ccupancy ve seyahat süreleri sağlar. Modern dağıtımlarda, bağlantılı araç verileri (örneğin, GPS şarjlı araçlar) yüksek çözünürlüklü veriler, kalibreli mikroskop modelleri için kullanılabilir.

SUMO (Kent MObilitenin kısaltılması) gibi mikromülasyon araçları, VISCI veya Aimsun trafik ağının dijital ikizleri oluşturmak için kullanılır. Bu modeller, araç takip eden ve kesişen davranışlarla araç hareketlerini simüle eder.

Önemli bir adım optimizasyon ufukunu tanımlamaktır - geleceğe ne kadar uzakta sinyal planı optimize edilmelidir? Gerçek zamanlı adaptive kontrol için, 5-15 dakikanın yuvarlanması tipik. Longer ufuklar hesaplama yükü artırmak ancak istikrarlı trafik altında daha iyi planlar sağlayabilir.

2. Objektif Fonksiyonlar Tanım ve Kıtlar

Her hedef, uygun bir işlev olarak formüle edilmelidir. Örneğin, toplam gecikme, ücretsiz akış yolculuğu süresi ve gerçek seyahat süresi arasındaki farkın toplamı olarak hesaplanabilir.Emissions, PHEM (Passenger Car ve Heavy-Duty Emission Model) veya MOVES (Motor Araç Emisyonu Emisyonu) gibi modal emisyon modelleri kullanılarak tahmin edilebilir.

3. Multi-Objective Optimizasyon

Optimizasyon motoru, NSGA-II, MOEA/D veya başka bir algoritma, Pareto optimal zamanlama planlarının bir setini oluşturur.Tek bir bağlantı için, karar değişkenleri bölünmüş olabilir; koordineli bir koridor için, dengelemeler ve döngü uzunluğu içerir. algoritma, tarihsel trafik modelleri kullanarak çevrimdışı çalışır ve sonra Pareto cephesi online seçim için depolanır.

4. Karar -Making ve Plan Seçimi

Pareto ön mevcut olduğunda, trafik yöneticisi (veya otomatik bir sistem) mevcut öncelikleri en iyi maçlayan bir plan seçer.

Adaptif sistemlerde, seçim günün, haftanın günü veya gerçek zamanlı olaylara dayanan dinamik olarak değişebilir.

5. Uygulama ve Geri Bildirim

Seçilen zamanlama planı sinyal kontrolörü tarafından uygulanır. Gerçek zamanlı performans verileri simülasyon modelini geliştirmek ve Pareto cephesini güncellemek için sisteme geri beslenir. Makine öğrenme teknikleri, gelecekteki trafik durumlarını tahmin etmek ve yeniden yapılandırmak için kullanılabilir.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Birkaç şehir ölçülebilir faydaları ile çok uyumlu sinyal kontrolü dağıtmıştır.

Los Angeles'ın ATSAC Sistemi

Los Angeles Otomatik Trafik Gözetimi ve Kontrol (ATSAC) sistemi, ortalama ölçümler sırasında % 4.000'den fazla sinyalizasyonlu kesişme planı kullanıyor ve okullara yakın olan yaya önceliklerini içeriyor.

Kopenhag'ın Yeşil Dalgası Modal Balance ile

Kopenhag bisiklet yeşil dalga koridorlarını bisiklete ayrı bir hedef olarak tedavi ederek optimize etti. Multi-objective optimizasyon kullanarak, sistem kabul edilebilir sınırlar içinde araç gecikmesi için koordinasyon sağlar. Sonuç bisikletle bisikletle% 20 artış oldu ve bisikletle yolculuk zamanında, önemli ölçüde kötüleştirici bir araba trafiği olmadan.

Simülasyon, bir Koridorda Bir Koridor Üzerinde Bir Araştırma

Araştırmacılar NSGA-II'yi, Zheng, Çin'deki altı bölüm koridoruna, minim gecikme ve yakıt tüketimi hedeflerine doğru uyguladılar. Pareto cephesi büyük ticaret çıkışlarını ortaya çıkardı: birden fazla gecikme kriteri dikkate alındığında% 8 azaltılabilir.

Daha fazla bilgi için, evrimsel multi-objective optimizasyonun trafik kontrolüne uygulanması, kapsamlı anketin bakınız: 03.03.0) Trafik sinyal kontrolü için çok-objective optimizasyonu: bir anket).

Faydaları ve Zorluklar

Multi-Objective Optimizasyonu Kullanımının Faydaları

Uygulamada Zorluklar

Future Yol Tarifi

Adaptif trafik sinyali kontrolü için çok-objective optimizasyon hızla gelişen bir alandır. Gelişen eğilimler şunları içerir:

Machine Learning ile entegrasyon

Derin takviye öğrenme (DRL) ajanları, trafik sinyalleri doğrudan veriden kontrol etmeyi öğrenebilirler. Son araştırmalar, ölçeklendirme fonksiyonunu kullanarak veya birden fazla ajan kullanarak, her bir farklı amacı optimize etmek için DRL'yi çok daha fazla uygulama dışı bir ortamda istikrar sağlamak için genişletmiştir.

Araç-Infra structure (V2I) İletişim

Bağlantılı ve otomatik araçlar, kesin bir yörünge verilerini sağlayabilir, daha doğru emisyon hesaplamalarını ve tahmin edici kontrolü sağlar. Çok-objective Optimizasyonu, bireysel araç taleplerini (örneğin, öncelik talep eden bir otobüs) kısıtlamalar veya hedefler olarak içerebilir.

Sınırlılık ve Multi-Modal Optimizasyonu

Future sistemleri, çeşitli kullanıcı gruplarının bekleme süreleri boyunca (karlar, bisikletler, yayalar, scooterlar) kesintileri işlemek için gerekli olacaktır. Multi-objective formülasyonları doğal olarak paylaşılan mobilite veya minim çıkarma eşitsizliğinin kesintilerini farklı kullanıcı gruplarının beklemede içerecek şekilde genişletecektir.

Metaheuristics aracılığıyla Online Optimizasyon

Paralel hesaplama ve kenar işlemedeki gelişmelerle, şimdi hafif metaheuristics (e.g., MOPSO) kontrol seviyesindeki her birkaç dakika boyunca sistemdeki gerçek zamanlı dalgalanmalara uyum sağlama imkanı sağlar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Multi-objective optimizasyon, Los Angeles ve Kopenhag gibi şehirlerdeki adaptasyon kontrol sistemlerini tasarlamak için ilke ve güçlü bir çerçeve sunar.Reeto optimal çözümlerin bir setini yaratarak, trafik mühendisleri, herhangi bir zamanda politika hedeflerini inceleyebilir ve bağlantılı planlar sunar.Gerçek dünya dağıtımları, bu tür bir şekilde, gerçek zamanlı olarak, emisyon azaltımı, ve modal dengeleri sağlayarak, veri sorunlarının kesintisi ve modal dengeleri yaratır.