автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Инструментальные средства разработки интеллектуальной системы моделирования процесса распределения потоков транспорта на перекрестке

Перечень сокращений

Введение

Глава 1. Анализ существующих способов распределения потоков транспорта

1.1. СуществзЛющая ситуация с дорожным движением

1.2. Распределение потоков транспорта с использованием 12 автоматических светофоров

1.3. Возможные подходы к распределению потоков транспорта

1.3.1. Применение методов динамического программирования 15 (транспортная задача)

1.3.2. Применение методов нелинейного моделирования на основе 17 дифференциальных уравнений

1.4. Постановка задачи исследования

Глава 2. Разработка системы распределения потоков транспорта на 22 основе нечеткой логики

2.1. Разработка системы распределения потоков транспорта для случая 23 простого перекрестка

2.1.1. Разработка общей структуры системы распределения потоков 23 транспорта

2.1.2. Разработка базы лингвистических переменных

2.1.3. Разработка базы правил

2.1.4. Разработка алгоритмов распределения потоков транспорта

2.2. Разработка системы распределения потоков транспорта для 43 перекрестка произвольной конфигурации

2.2.1. Анализ особенностей задачи распределения потоков транспорта 44 для случая перекрестка произвольной конфигурации

2.2.2. Разработка подхода к распределению потоков транспорта в 49 условиях перекрестка произвольной конфигурации с применением алгоритмов нечеткой логики

2.2.3. Разработка структуры системы на основе НЛ для перекрестка 51 произвольной конфигурации

2.2.4. Разработка базы лингвистических переменных

2.2.5. Разработка базы правил

Глава 3. Разработка подхода к распределению потоков транспорта в 58 условиях перекрестка произвольной конфигурации с применением нейронной сети

3.1. Разработка подхода к распределению потоков транспорта в 59 условиях перекрестка произвольной конфигурации на основе НС

3.2. Выбор вида и структуры НС

3.3. Разработка алгоритма обучения НС

3.4. Разработка алгоритмов распределения потоков транспорта с 76 использованием НС

3.5. Пример реализации системы распределения потоков транспорта 77 на основе нейронной сети для участка дорожной сети

Глава 4. Разработка моделирующего стенда для проверки эффективности предложенных методов распределения потоков транспорта

4.1. Выбор показателей эффективности методов распределения 83 потоков транспорта с помощью компьютерного моделирования

4.2. Разработка моделирующего стенда для системы распределения 86 потоков транспорта

4.2.1. Моделирующий стенд для системы на основе нечеткой логики

4.2.2. Моделирующий стенд для системы на основе НС

4.2.3. Разработка ПО для реализации моделирующего стенда

4.3. Разработка методики проверки работоспособности предложенных 100 методов

4.3.1. Общая методика

4.3.2. Система на основе НЛ

4.3.3. Система на основе НС

4.4. Анализ результатов

4.4.1. Качественный анализ

4.4.2. Количественный анализ 107 Заключение 113 Список литературы 115 Приложения

Перечень сокращений

НЛ - нечеткая логика

НС - нейронная сеть

ЛИ - лингвистическая переменная

ДТП - дорожно-транспортное происшествие

ПО - программное обеспечение

Значительное увеличение количества автомобильного транспорта при относительно медленном расширении дорожной сети вызывает в последнее время значительные потери времени в автомобильных пробках, что приводит к значительным потерям времени, а в конечном итоге денег. Даже в тех городах, при проектировании которых учитывался нарастающий поток транспорта (например, Тольятти), уже возникают затруднения, связанные с большим потоком транспорта.

В связи с этим возникает задача сокращения простоя машин в пробках. Очевидно, что без расширения и модернизации дорожной сети полноценное дорожное движение со временем становится невозможным, однако этот путь является весьма медленным. Поэтому возникла необходимость применения различных методов управления потоком транспорта.

Как правило, большинство простоев транспорта происходит в пробках перед перекрестками или в результате дорожно-транспортных происшествий. ДТП являются относительно редкими событиями по сравнению с частотой переключения сигналов светофора. С точки зрения эффективности наиболее целесообразной выглядит разработка системы управления светофором, обеспечивающей наилучшее распределение потоков транспорта.

В настоящее время для управления транспортом используются: автоматические светофоры с фиксированными интервалами сигналов, работающие в нескольких режимах (нормальный режим, пиковый, дежурный); регулирование потоков транспорта человеком-регулировщиком.

Однако перечисленные методы при их простоте с трудом справляются с управлением на перекрестках сложной конфигурации и в условиях широкого диапазона изменения интенсивности движения транспорта.

Для создания системы управления потоками транспорта на перекрестке необходимо разработать инструментальные средства, обеспечивающие возможность реализации системы распределения потоков транспорта для произвольного перекрестка и различных условий дорожного движения.

Таким образом, можно сформулировать следующую цель: исследование и разработка инструментальных средств моделирования процесса управления потоком транспорта на перекрестках на основе нечеткой логики и нейронных сетей в условиях высокой интенсивности потока транспорта и сложной конфигурации перекрестка

Для достижения поставленной цели в работе решаются следующие задачи:

- разработать метод и алгоритм управления режимом работы светофора на перекрестке на основе нечеткой логики;

- разработать метод и алгоритм управления режимом работы светофора на перекрестке на основе нейронных сетей;

- разработать метод и алгоритм управления режимом работы светофоров для различных конфигураций перекрестков;

- разработать программное обеспечение для реализации предложенных методов и алгоритмов; разработать методику исследования работоспособности и эффективности предложенных методов, исследовать работоспособность и эффективность разработанных методов, алгоритмов и программного обеспечения.

Основные положения, выносимые на защиту:

- метод распределения потоков транспорта в условиях перекрестка простой конфигурации с использованием алгоритмов нечеткой логики;

- метод распределения потоков транспорта в условиях перекрестка произвольной конфигурации с использованием алгоритмов нечеткой логики;

- метод распределения потоков транспорта в условиях перекрестка произвольной конфигурации с использованием нейронных сетей;

- подход к оценке эффективности системы распределения потоков транспорта;

- результаты исследования эффективности предложенных методов распределения потоков транспорта на основе разработанных инструментальных средств.

Научная новизна работы заключается в следующем: впервые предложено формальное описание конфигурации перекрестка произвольной формы, пригодное для реализации моделирующего комплекса для распределения потоков транспорта на перекрестке;

- впервые для перекрестка произвольной конфигурации предложен алгоритм распределения потоков транспорта на основе нечеткой логики;

- впервые для перекрестка произвольной конфигурации предложен алгоритм распределения потоков транспорта на основе нейронной сети;

- впервые для взаимосвязанной сети перекрестков предложен метод распределения потоков транспорта на основе нейронной сети.

В результате выполнения диссертационной работы автором получены следующие результаты: впервые автором разработаны инструментальные средства, позволяющие реализовать моделирующий комплекс для системы распределения потоков транспорта: а) в условиях простого перекрестка; б) в условиях сложного перекрестка в) для взаимосвязанной сети перекрестков.

- разработано программное обеспечение, реализующее моделирующий стенд для системы распределения потоков транспорта в условиях перекрестка простой конфигурации на основе нечеткой логики;

- разработано профаммное обеспечение в составе инструментальных средств, реализующее моделирующий стенд для системы распределения потоков транспорта в условиях перекрестка произвольной конфигурации на основе нечеткой логики;

- разработано программное обеспечение в составе инструментальных средств, реализующее моделирующий стенд для системы распределения потоков транспорта в условиях перекрестка произвольной конфигурации на основе нейронной сети; 9

Разработанное программное обеспечение зарегистрировано в Реестре программ для ЭВМ.

Внедрение результатов, полученных в работе, осуществлено в службе технического надзора ГР1БДД МВД РБ. Внедрение моделирующего комплекса позволяет моделировать сложные ситуации дорожного движения на перекрестках, анализировать варианты решений в процессе обучения инспекторов регулированию дорожного движения в условиях высокой интенсивности движения автотранспорта.

Кроме того, разработанные инструментальные средства внедрены в учебный процесс УГАТУ в составе лабораторного комплекса по изучению методов искусственного интеллекта.

Вывод

Проведенные исследования позволяют говорить об эффективности применения интеллектуальных методов к процессу распределения потоков транспорта.

Нечеткий алгоритм распределения потоков транспорта обеспечивает более хорошее распределение по сравнению с традиционным автоматическим регулятором с фиксированными интервалами, особенно при высокой интенсивности движения транспорта. Основными сложностями при применении нечеткого

112 регулятора являются сложности при выборе формы и параметров функций принадлежности, от которых сильно зависит качество распределения потоков транспорта.

Нейросетевой подход обеспечивает несколько лучшее качество распределения потоком транспорта по сравнению с нечетким подходом. При этом скорость выработки управляющего воздействия для сети размерностью порядка 2025 нейронов является весьма высокой. Сложностью при применении нейронного регулятора является формирование обучающей выборки, обеспечивающей хорошее качество аппроксимации целевой функции.

Заключение

В диссертационной работе содержится решение научной задачи разработки методов управления потоком транспорта на перекрестке в условиях высокой интенсивности движения и сложной конфигурации перекрестка. В ходе исследования получены следующие результаты:

1) Разработан метод управления режимом работы светофора на основе нечеткой логики для перекрестка простой конфигурации. Ряд модельных экспериментов показал, что управление алгоритма на нечеткой логике обеспечивает более высокую пропускную способность перекрестка, В общем случае количество машин, проходящих через перекресток, увеличивается на 7-9%, а распределение потоков транспорта становится более равномерным (49%) и 51%) у нечеткого алгоритма и 65%о и 35%> у традиционного регулятора)

2) Разработан метод управления режимом работы светофора на основе нечеткой логики для перекрестка произвольной конфигурации. Предложен подход к описанию перекрестка произвольной конфигурации, пригодный для реализации СУПТ на основе ПЛ.

3) Разработан метод управления режимом работы светофора на основе нейронных сетей для перекрестка произвольной конфигурации. Проведение модельного эксперимента показало, что при том же распределении потока транспорта нейросетевой алгоритм пропустил на 14-15%) больше машин по сравнению с традиционным регулятором и на 4-5% - по сравнению с нечетким алгоритмом. Распределение потока транспорта составило 49%о и 51% - аналогично нечеткому алгоритму.

4) Разработана методика исследования работоспособности и эффективности предложенных методов, исследована работоспособность и эффективность разработанных методов, алгоритмов и программного обеспечения. Произведена оценка качественных и количественных

114 показателей эффективности. Результаты подтверждают возможность использования предложенных методов для управления потоком транспорта в условиях высокой интенсивности движения и сложной конфигурации перекрестка.

1. http://www.db2mag.com/9701 eds2.htm

2. Анил К. Джейн. Введение в искусственные нейронные сети. Пер. с англ.: Artificial neural networks: А tutorial. Computer, Vol.29, No.3, March, 1996, pp.31-44.

3. Бажин Д.Н. Моделирующий стенд для системы управления потоком транспорта на основе нечеткой логики. Тез. докл. на XXVI Гагаринских чтениях, Москва, 1999. С.23-24.

4. Бажин Д.Н. Моделирующий стенд для управления транспортными потоками // Принятие решений в условиях неопределенности: Межвуз. науч. сб., Уфа: Уфимск. авиац. техн. ун-т, 2000. С.21-27.

5. Бажин Д.Н. О формировании набора лингвистических переменных для системы управления дорожным движением на основе нечеткой логики // Принятие решений в условиях неопределенности: Межвуз. науч. сб., Уфа: Уфимск. авиац. техн. ун-т, 2001. С,28-32.

6. Бажин Д.Н. Свидетельство об официальной регистрации программы для ЭВМ «Моделирующий стенд для системы управления потоком транспорта на основе нейронной сети» №2001611193 от 13.09.2001г. Роспатент, Москва, 2001.

7. Бажин Д.Н. Свидетельство об официальной регистрации программы для ЭВМ «Моделирующий стенд для системы управления потоком транспорта на основе нечеткой логики» №2001610837 от 05.07.2001г. Роспатент, Москва, 2001.

8. Батищев Д.И., Исаев CA. Оптимизация многоэкстремальных функций с помощью генетических алгоритмов / Межвузовский сборник научных трудов «Высокие технологии в технике, медицине и образовании», Воронеж, ВГТУ, 1997, с. 4-17.

9. Батищев Д.И., Исаев CA., Ремер E.K. Эволюционно-генетический подход к решению задач невыпуклой оптимизации / Межвузовский сборник научных трудов «Оптимизация и моделирование в автоматизированных системах», Воронеж, ВГТУ, 1998г, стр.20-28.

10. Борисов Ю., Кашкаров В., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки, http ://www.hamovniki .net/~alchemist/NN/DATA/nn 16 .htm.

11. Букаев Т.И., Бублик Н.Д., Горбатков CA. Модернизация системы налогового контроля на основе нейросетевых информационных технологий. М.: Наука, 2001 341с.

12. БукатоваИ.Л. Когнитивный эволюционный компьютер // Нейрокомпьютер №3,4 1997 С.35-48

13. Васильева Е.М. Нелинейные транспортные задачи на сетях. М.: Финансы и Статистика, 1981 104с.

14. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики: Учеб. пособие. Уфа: УГАТУ, 1995 -80с.

15. Васильев Г.П. Программное обеспечение неоднородных распределенных систем: Анализ и реализация /Г.П.Васильев, В.Е.Горский, В.И.Шяудкулис, Н.М.Саух.- М.: Финансы и статистика, 1986.- 1986.-160 с.

16. Галушкин А.И. Теория нейронных сетей. Кн. Т. Учеб. пособие для вузов / Общая ред. А.И.Галушкина. М.: ИПРЖ, 2000. - 416с.

17. Горбань А.Н. Обучение нейронных сетей. М.: СП Параграф, 1990.

18. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сиб. изд. фирма РАН, 1996. - 276с.

19. Дорогов А.Ю., Алексеев A.A. Структурные модели быстрых нейронных сетей. В сб. «Интеллектуальные системы» / Труды П-го Международного симпозиума, под ред. К.А.Пупкова, т.2 М.: Изд-во ПАИМС, 1996.-С.138-143

20. Дуглас Б. Ленат. Искусственный интеллект, http://www.liamovniki.net/ ~alchemist/NN/ii/ii9.htm

21. Жуков A.B. Изучаем Delphi. СПб: Издательский дом «Питер», 2001г. -352с.

22. Ильясов Б.Г. Управление динамическими системами в условиях неопределенности. Под ред. С.Т.Кусимова. Уфа: УГАТУ, 1998 426с.

23. Интеллектуальные системы управления с использованием нейронных сетей: Учебное пособие. /В.И.Васильев, Б.Г.Ильясов, С.С.Валеев, С.В.Жернаков. Уфа: УГАТУ, 1997 92с.

24. Исаев C A. Разработка и исследование генетических алгоритмов для принятия решений на основе многокритериальных нелинейных моделей. Автореферат диссертации на соискание ученой степени кандидата технических наук. Н.Новгород, 2000.

25. Кардаш Д.И., Фрид А.И. Обучение нейронных сетей в реальном масштабе времени с реконфигурацией топологии// Информационные технологии. М.: Машиностроение, 1999, №4. С. 26-30.

26. Карпов Б.И., Карпов Б.И. Delphi: Специальный справочник. СПб: Издательский дом «Питер», 2001г. 688с.

27. Компания «Нейропроект», нейросетевая динамическая библиотека, http ://www.neuroproj ect.ru/nwindo ws .htm

28. Короткий С. Нейронные сети: алгоритм обратного распространения. -8с.

29. Короткий С. Нейронные сети: обучение без учителя. 6с.

30. Короткий С. Нейронные сети: основные положения. 7с.

31. Кэнту М. Delphi 5 для профессионалов. СПб: Издательский дом «Питер», 2001г. 944с.

32. Лаборатория BaseGroup. Нейросетевой волшебник. http: //www.basegroup.ru/ art/nnw-descr. htm

33. Мишель Дж., Тэйлор Д., Джентри Т. Переход на КуИх для Delphi-программистов. СПб: Издательский дом «Питер», 2001г. 304с.

34. Многослойная нейронная сеть и алгоритм обратного распространения ошибки. http://www.91.rLi/Education/Books/Neural Net/Neural Теогу/ BPMODEL.HTM

35. Научная сессия МИФИ-99. Всероссийская научно-техническая конференция Нейроинформатика-99. Дискуссия о нейрокомпьютерах. М.: МИФИ, 2000.-224с.

36. Нейроинформатика / А.Н.Горбань, В.Л.Дудин-Барковский, А.Н.Кирдин, и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296с.

37. Нейронная сеть: генетический алгоритм обучения, http://www.91.ru/ Education/Books/Neural Net/Neural Teory/GENETIC.HTM

38. Обнаружение фальсификаций в области здравоохранения, http ://www.fcw-civic .com/pubs/may/solutiontx.htm

39. Обпцие вопросы функционирования нейронных сетей. http://www.91.ru/ Education/Books/Neural Net/Neural Teory/common.htm

40. Основные парадигмы нейронных сетей. http://www.91.ru/Education/ Books/Neural Net/Neural Teory/paradigm.htm

41. Правила дорожного движения Российской Федерации.

42. Роберт Х.Н. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы № 4 5 1998 http://www.osp.ru/os/1998/04/02.htm

43. Свами М., Тхуласираман К. Графы, сети и алгоритмы: Пер. с англ.- М.: Мир, 1984.- 455 с.

44. Свиридов Ю. Тюкачев H.A. Delphi 5: Создание мультимедийных приложений. Учебный курс. СПб: Издательский дом «Питер», 2001г. -400с.

45. Сравнительный анализ алгоритмов обучения нейронных сетей. http://www.91.ru/Education/Books/Neural Net/Neural Теогу/СОМР АБШ2. HTM

46. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. М.: Финансы и статистика, 1990.

47. Терехов В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления.//Теория и системы управления. М.: Наука, 1996, №3. С. 70-79.

48. Топология нейронных сетей. Материалы фирмы СОФТ-ЭКСПЕРТ. // http ://www. vsau.ru/~softexpert/info2 .htm

49. Тютерев B.B. Определение эффективного размера нейронной сети в процессе обучения методом динамического наращивания узлов.

50. Уэйн Дж. Линейные и нелинейные волны. М.: 1979 506с.

51. Четвериков В.П., Баканович Э.А. Стохастические вычислительные устройства систем моделирования. М.: Машиностроение, 1989.- 272 с.

52. Что такое нейронные сети, их обучение и использование. http://www.91.ru/Education/Books/Neural Net/Neural Teory/intro.htm

53. ШахновВ.А., Власов А.И., Кузнецов A.C., Поляков Ю.А. Нейрокомпьютеры архитектура и реализация // http://iu4.bmstu.ru/

54. Шумский С.А. Нейросетевые агенты в Интернете //«Компьютерра» компьютерный еженедельник 8 февраля 2000 №4 333.- 20-25 С.

55. Якушев Д.Ж. Нейронные сети в задачах управления движением. Зарубежная радиоэлектроника, №1, 1999г. С.58-64.

56. ЗМ Intelligent Transportation System. http://www.3m.com.m/market/trans/ its/prodinfo.jhtml

57. Bazhin D.N., Shakhmametova G.R. Fuzzy Logic Expert System for Traffic Manager // Proceeding of the 2"A International Workshop on Computer Science and Information Technologies. Ufa, Russia, Sept. 18-23, 2000. Vol.2. -S.110-112.

58. Bazhin D.N., Shakhmametova G.R. Using a Neural Network for Traffic Flow Control // Proceeding of the 3''a International Workshop on Computer Science and Information Technologies. Ufa, Russia, Sept.21 -26 2001.

59. Barnard C.J., Shaw I.S. Adaptive Control of a Traffic Intersection by Means of a Neural Network. Hal way House, SA.

60. Delphi 5 Component's Guide. Inprise Corporation, 1999.

61. Delphi 5 Developer's Guide. Inprise Corporation, 1999

62. Dorogov AJu., Aleksejev A.A. Topological Models of Fast Neuf4* л / International Conference on Informatic and Control (IC&C'9A) 13,1997, St.Petersburg,Russia. pp. 648-649. Ai,

63. Final FHWA Ruling on Trailer Conspicuity. http://www.3m.coiiA' trans/tcm/wn/framset.html

64. Findler N.V., Surender S. Catrava On-line DecisiAA Qoi)^ Permitted/Protected Left-hand Turns in Distributed Traffic Si0AAA Elsevier Science, 1997. r'oiAAAA

65. Findler N.V., Surender S., Ziya Ma. Catrava, Distributed IntelliAAof Street and Highway Ramp Traffic Signals, Elsevier Science, 1 aa'a AestioiA 16) Gilmore J., Abe N. A Neural Networks System for Traffic1. Forecasting. AAAAAAAAAAA

66. Goldstonet J.S., Myers C.E. Traffic Monitoring with Wisard ana Logic Nodes. Elsevier Science, 1991r.

67. HNC Software, http://www.hnc.com/

68. Hyper Logic Corporation, http://www.hyperlogic.com /toлллллллlit A

69. Jadrankg J. Jo vie. Application ofNeural Networks to Modal S p *

70. Yugoslav Journal of Operation Research, 1997, No. 11. <)f AeAAA

71. Jones A.J. Genetic algorithms and their applications to the networks //Neural computing and applications, v. l, no. 1, 1993'

72. Mfiff&M ADO 26HDpKFi lL. Training feedforward neural AattAAAAgenetic algorithms. Preprint, BBN Systems and TechnologieA Mass., 1989.

73. Neural Innovation, http://www.neural.co.uk/

74. Neural Network FAQ. flp://ftp.sas.com/pub/neural/FAQ.html InstitxiA®

75. Neural Network Group at Lebedev PhyS-A http://canopus.lpi.msk.su/neurolab/87. news://comp.ai.neural-nets/123

76. Opticom Priority Control System. littp://products.3m.com/usenglish/safety/ itssafety.jhtml

77. Park S.J., Yang J.S. A Hierarchical Neural Network Approach to Intelligent Traffic Control, IEEE, 1994.

78. Pong's Home Page, http://www.cbu.edu/~pong/

79. Radcliffe N.J. Genetic set recombination and its application to neural network topology optimization networks // Neural computing and applications, v. l, no. 1, 1993.

80. Syal M.Y., Fathy M., Dorry F. Neural-Vision Based Approach for Real-Time Road Traffic Applications. EL, 1997, No .l 1.

81. Ulbricht C. Multi-Recurrent Networks for Traffic Forecasting, Neural Networks, 1996.

82. Ward System Group, http://www.wardsystems.com/predconsum.htm

83. Wynne-Jones M. Node splitting: A constructive algorithm for feed-forward neural networks // Neural Computing and Applications, v.l. No. 1, 1993, p.17-22.