Как работают современные «умные» светофоры. Какие режимы и алгоритмы используются для управления светофорами. Как датчики и системы мониторинга помогают оптимизировать дорожное движение. Какие технологии применяются для повышения безопасности на дорогах.
Принципы работы современных светофоров
Светофоры прошли долгий путь эволюции от простых устройств с фиксированными циклами до сложных интеллектуальных систем. Рассмотрим основные принципы работы современных «умных» светофоров:
- Адаптивное регулирование на основе анализа трафика
- Координация работы нескольких светофоров
- Приоритетный пропуск общественного транспорта
- Централизованное управление из ситуационных центров
- Использование датчиков и камер для мониторинга дорожной обстановки
Режимы работы интеллектуальных светофоров
Современные светофорные объекты могут работать в нескольких режимах в зависимости от дорожной ситуации:
Локальный режим
В этом режиме светофор работает по заранее заложенной программе, переключая сигналы через фиксированные промежутки времени. Обычно используется несколько программ для разного времени суток — утренний час пик, день, вечерний час пик.
Координированное управление
При этом режиме несколько светофоров на магистрали работают согласованно, обеспечивая «зеленую волну» для проезда транспорта. Это позволяет поддерживать оптимальную интенсивность движения на участке дороги.
Адаптивный режим
Светофор самостоятельно анализирует дорожную обстановку с помощью датчиков и камер, адаптируя длительность фаз под текущий трафик. Может выделять из потока общественный транспорт и давать ему приоритет.
Централизованное управление
Светофоры управляются из единого центра, где операторы могут вручную корректировать их работу при необходимости, например, при ДТП или других нештатных ситуациях.
Датчики и системы мониторинга движения
Для эффективного управления светофорами используются различные системы сбора данных о трафике:
- Индукционные петли в дорожном полотне
- Радары и лазерные датчики
- Видеокамеры с системами компьютерного зрения
- Датчики занятости полос
- Детекторы общественного транспорта
Эти системы позволяют в реальном времени получать информацию о количестве, скорости и типе транспортных средств на дороге. На основе этих данных светофоры могут адаптировать свою работу.
Алгоритмы оптимизации дорожного движения
Современные интеллектуальные транспортные системы используют сложные алгоритмы для оптимизации движения:
- Прогнозирование заторов на основе исторических данных и текущей ситуации
- Динамическое изменение длительности фаз светофоров
- Координация работы светофоров на магистралях для создания «зеленой волны»
- Приоритетный пропуск общественного и специального транспорта
- Адаптация под сезонные и суточные колебания трафика
Эти алгоритмы позволяют значительно повысить пропускную способность дорог и снизить задержки транспорта.
Технологии повышения безопасности дорожного движения
Помимо оптимизации движения, современные системы направлены на повышение безопасности на дорогах:
- Подсветка опор светофоров для лучшей видимости
- Дополнительная подсветка пешеходных переходов
- Системы распознавания пешеходов и велосипедистов
- Адаптивное освещение дорог
- Информационные табло для водителей
Эти технологии помогают снизить аварийность, особенно в сложных погодных условиях и в темное время суток.
Перспективы развития интеллектуальных транспортных систем
Развитие технологий открывает новые возможности для оптимизации дорожного движения:
- Интеграция с навигационными системами автомобилей
- Использование искусственного интеллекта для прогнозирования и управления трафиком
- Взаимодействие с беспилотными автомобилями
- Анализ больших данных для долгосрочного планирования дорожной инфраструктуры
Эти инновации позволят создать по-настоящему «умные» дороги, способные адаптироваться под меняющиеся условия и обеспечивать максимально эффективное движение транспорта.
Заключение: эффективность внедрения умных светофоров
Внедрение интеллектуальных систем управления светофорами позволяет значительно улучшить дорожную ситуацию в городах:
- Снижение среднего времени поездки на 15-20%
- Увеличение средней скорости движения на 10-30%
- Сокращение количества остановок транспорта на 30-40%
- Уменьшение выбросов вредных веществ на 5-15%
- Снижение аварийности на 10-30%
Эти показатели наглядно демонстрируют эффективность современных алгоритмов управления дорожным движением. Дальнейшее развитие технологий позволит сделать городской транспорт еще более быстрым, безопасным и экологичным.
Принципы работы светофора | Вождение плюс
Светофор пришел на смену регулировщику, заменив жесты на световые сигналы: движение разрешено — зеленый сигнал, движение запрещено — красный и между ними промежуточный — желтый, предупреждающий о смене сигналов.
По мере усложнения условий движения появились различные типы светофоров.
Светофор представляет собой светотехническое устройство, предназначенное для последовательного включения на заданное время определенных сигналов.
Работой светофора управляет контроллер либо вычислительное устройство. Предусмотрена возможность управления светофором вручную со специального пульта. Однако опыт показывает, что регулировщик может без надобности в силу чисто психологических причин увеличивать время действия тех или иных сигналов, что приводит к задержке транспортных средств.
Рис. 1. Принципиальная схема устройства контроллера электромеханического типа. Внизу — профилированный диск.При автоматической работе светофора переключение сигналов производится контроллером, представляющим собой электромеханическое или электронное устройство. Простейшим контроллером является электромеханический с одной программой (рис. 1).
Он работает следующим образом.
Однофазный синхронный электродвигатель 1 вращает редуктор 2, передаточное отношение которого выбирается с учетом характеристик двигателя и длительности цикла. На специальной оси укреплены профилированные диски 3. Диски при вращении поочередно замыкают и размыкают контакты 4 через которые к обмотке поляризованного реле 6 подводится постоянный ток различной полярности. При срабатывании реле контактами 7 и 5 включается один из трех сигналов светофора. На схеме показано положение, когда контакт 7 включил желтый сигнал. При дальнейшем вращении кулачка замыкается другая группа контактов 4, посылая в реле 6 ток обратной полярности. В результате контакт 7 притягивается, а контакт 5 перебрасывается в положение, показанное пунктиром, при этом включается красный сигнал светофора 8. Продолжительность красного сигнала равна времени скольжения контакта по той части профилированного диска, которая соответствует красной фазе. После красного сигнала включается желтый, зеленый, желтый и опять красный. Автомат может управлять одновременно несколькими светофорами.
Однако набор дисков в одном контроллере обеспечивает управление светофором на перекрестке только по одной заранее составленной программе, т. е. в полном соответствии с конфигурацией дисков и их взаимным размещением. Между тем интенсивность движения весьма существенно изменяется в течение суток и поэтому программа работы светофора (рассчитанная на какую-то определенную интенсивность) не может обеспечить оптимальное регулирование в течение всех 24 часов.
Для оптимизации процесса регулирования применяются контроллеры с несколькими программами
. Обычно бывает достаточно трех программ: одна для часов пик, другая работает в дневное время, а третья — ночью. Такие контроллеры, как правило, выполняются на электронной базе и не имеют набора профилированных дисков и переключающих реле.Системы вызывного действияВ местах пересечения магистралей с местными проездами иногда устанавливаются вызывные устройства, которые предназначены для перекрытия движения по магистрали на время проезда единичных транспортных средств по второстепенной дороге.
Принцип действия вызывного устройства заключается в следующем. Со стороны второстепенной улицы перед перекрестком устанавливают транспортный детектор — чувствительный элемент, реагирующий на движение транспортных средств. Наибольшее применение получили индуктивные и ультразвуковые детекторы. На главной магистрали постоянно включен зеленый сигнал, а со стороны второстепенного направления — красный. Если по второстепенной улице к магистрали приблизится автомобиль, то транспортный детектор пошлет сигнал в контроллер, который через заданный промежуток времени для второстепенного направления включит сначала желтый, а затем зеленый сигналы, обеспечивающие выезд автомобиля на главную магистраль. После проезда автомобиля восстанавливается обычное положение — зеленый сигнал на основной магистрали, красный — на второстепенной.
Устройства вызывного действия могут применяться и для пешеходов в местах, где их движение носит эпизодический характер (например, на пешеходных переходах, расположенных возле школ, детских учреждений и т. п.). На таких пешеходных переходах устанавливают кнопочный датчик, с помощью которого сами пешеходы включают для себя зеленый, а для транспортных средств — красный сигнал. Применение пешеходных вызывных устройств существенно повышает безопасность движения пешеходов и способствует сокращению задержек транспортных средств.
Рис. 2. Гибкая система управления светофорной сигнализацией на перекрестке. 1 — контроллер со счетно-решающим устройством, 2 — транспортные детекторы индуктивного типа, 3 — светофоры, 4 — управляемый знак со сменным изображением.Гибкие системы управления светофорной сигнализацией для отдельного перекрестка Автоматы, работающие по заранее заданным программам, не имеют обратной связи от объекта управления, то есть от транспортного потока. Последовательность сигналов и их длительность остаются постоянными независимо от наличия или отсутствия транспортных средств на подходах к перекрестку. Чтобы повысить эффективность регулирования, на сложных транспортных узлах используются более совершенные контроллеры, снабженные счетно-решающими устройствами. Принцип работы такого контроллера заключается в следующем (рис. 2). На всех подходах к перекрестку устанавливаются детекторы 2, собирающие информацию о наличии и количестве прибывающих с различных направлений транспортных средств, которая по каналу связи поступает в счетно-решающее устройство 1. Контроллер включает зеленый сигнал для того направления, с которого раньше появились автомобили.Одновременно собирается информация о прибывающих к перекрестку автомобилях с других направлений. Если по истечении установленного времени горения зеленого сигнала в данном направлении больше не прибывают автомобили, то контроллер автоматически переключает зеленый сигнал на то направление, по которому к перекрестку раньше прибыла группа транспортных средств. Если поток транспорта не закончился, то действие зеленого сигнала продлевается на определенную величину. Таким образом, переключение сигналов светофоров 3 осуществляется с учетом загрузки каждого направления и очередности пребывания автомобилей к перекрестку.
Система может управлять знаками 4, на которых счетно-решающим устройством выбирается то изображение, которое требуется в конкретной ситуации (например, ограничение скорости, запрещение поворотов). Контроллеры со счетно-решающим устройством для гибкого регулирования на сложных перекрестках выпускаются отечественными предприятиями и успешно функционируют во многих городах нашей страны.
Алгоритмизированное регулирование и умные светофоры
Алгоритмизированное регулирование и умные светофоры
Умный светофор – это система динамического управления сигналами светофора, благодаря которой, улучшается пропускная способность потоков улично — дорожной сети.
Если каких-нибудь 30 лет назад города будущего представлялись нам наводненными беспилотными электромобилями, управляемыми через беспроводную сеть, то уже сегодня подобные технологии начинают активно внедряться в мегаполисах и заметно изменяют дорожное движение, снижают аварийность.
Современные алгоритмы легко находят угнанные автомобили, предвидят заторы на дорогах, и помогают заблаговременно их избежать. Чем вам ни «умный» город будущего?
И это на самом деле так. Светофоры и датчики давно поумнели, и пристально следят за всем, что происходит на дорогах мегаполисов. Светофоры связаны с компьютером, программа на котором принимает решение о том, как данным светофорам следует взаимодействовать в текущий момент в зависимости от сложившейся дорожной ситуации. В Москве уже насчитывается 2500 умных светофоров, способных работать в различных режимах.
Обычный локальный режим работы светофора — это привычный нам режим, предназначенный для отдельно стоящего светофора, работающего по заранее заложенному в него сценарию: для утреннего часа пик, для дневного движения, и для вечернего часа пик.
Еще существует алгоритм координированного управления светофорами, когда несколько светофоров, взаимодействуя друг с другом, например на вылетной магистрали, обеспечивают оптимальную организацию движения для автомобилей.
Программа формирует синхронную работу светофоров, чтобы пропуская определенное количество автомобилей, поддерживать заданную интенсивность движения на том или ином участке дороги. По такому алгоритму уже работают около ста участков дорог на трех крупных шоссе города Москвы.
Есть так называемый адаптивный режим работы светофоров, когда поступающие на компьютер данные об интенсивности движения позволяют светофорам адаптироваться к текущей дорожной ситуации. Данные поступают от датчиков или индукционных петель.
Большинство оснащенных таким образом перекрестков имеют в своем дорожном полотне вмонтированные датчики. В результате автоматически определяется плотность потока автомобилей, а также типы автомобилей, подъезжающих к перекресткам.
Если, например, в общем потоке замечен общественный транспорт (автобус, троллейбус или трамвай), то на перекрестке включается зеленый свет, позволяющий ему проехать в первую очередь, тогда как другие автомобилисты вынуждены уступить дорогу.
За централизованное управление из ситуационного центра отвечает дежурная смена. Специалисты смены непрерывно взаимосвязаны со многими городскими службами, включая ГИБДД и МЧС. Это позволяет дежурным, в случае необходимости, вмешаться и осуществить регулирование вручную, скорректировать поток движения в наиболее загруженных направлениях.
Подобные системы особенно активно используются сегодня в Москве, в Санкт-Петербурге, а также в Ярославской и Кемеровской областях России.
В одной только Москве на дорогах уже установлено более 3000 разнообразных датчиков, призванных оперативно собирать информацию об автомобилях и о текущей загруженности дорог, с тем чтобы оптимально регулировать дорожное движение.
Датчики установлены на трассах, на перекрестках, кое-где они вмонтированы в асфальт — это так называемые индукционные петли, выполняющие роль электронного регулировщика, позволяющие, например, автоматически включить зеленый свет трамваю. Датчики считают машины на отдельных полосах, позволяют вычислить потоки машин применительно к каждой полосе.
Большое количество комплексов фотовидеофиксации устанавливаются в местах с высокой аварийностью, чтобы в режиме реального времени следить за дорожной обстановкой, собирать статистику для аналитики. Около 50 миллионов проездов обрабатывается такими системами ежесуточно в одной только Москве! В результате, лишь благодаря подобным решениям, в столице РФ удалось снизить аварийность более чем вдвое.
Кроме того, кое-где используется подсветка стоек, на которых установлены сами светофоры. Это решение также сильно снизило аварийность в Москве. Представьте, как часто рекламные щиты отвлекают внимание водителя, и он просто не замечает светофор.
Подсветка опоры светофора решила эту проблему. Теперь водитель может заметить сигнал светофора даже в дождь или в туман, и точно не пропустит место остановки перед пешеходным переходом. Это позволило снизить аварийность на очень опасных для пешеходов участках.
На опору светофора устанавливают светодиодную ленту и знаки с собственной подсветкой, кроме того специальные прожекторы подсвечивают непосредственно пешеходный переход (саму зебру) и прилегающую к нему зону тротуара, где могут находиться пешеходы.
На протяжении последних нескольких лет «умнеют» все больше и больше регулируемых перекрестков. Все чаще алгоритмизированное светофорное регулирование вынуждает водителей легковушек уступать дорогу общественному транспорту: зеленый свет трамваю или автобусу включается независимо от загруженности проезжей части.
Итог таков, что трамваи движутся по своим маршрутам на четверть времени быстрее чем это было без «умной» регулировки, а троллейбусы — вдвое быстрее. Так, если раньше один перекресток мегаполиса за единицу времени мог пройти лишь один автобус (трамвай, троллейбус), то сегодня за это же время проезжают четыре.
Не обошли «умные» светофоры вниманием и автомобилистов. Ночью, если на перекрестке нет движения, водителю всегда горит зеленый, чтобы не приходилось стоять на перекрестке, раз уж на примыкающих дорогах все равно нет движения.
Ранее ЭлектроВести писали, что израильская компания Electreon Wireless к середине августа запустит первый в стране участок трассы в Тель-Авиве с возможностью беспроводной подзарядки электротранспорта на ходу. Она же начала работы по аналогичному проекту на шведском острове Готланд. Там 4 км дороги с магнитными катушками под асфальтом помогут движению электрогрузовиков и электроавтобусов в сторону аэропорта. Если проект покажет себя хорошо, Швеция готова масштабировать технологию на тысячи километров своих дорог.
По материалам: electrik.info.
как поймать и не потерять :: Autonews
Кто программирует светофоры
В Москве около 2,5 тыс. светофоров. Существует несколько режимов, которые позволяют переключать светофоры на дорогах, и большинство из них полуавтоматические. Как правило, службы контроля используют три программных режима через встроенную систему. На основных шоссе настраивают алгоритм запуска светофоров одного за другим для сохранения скорости движения и снижения риска образования пробок. Для того чтобы задать подходящую программу, сотрудникам дорожных служб надо постоянно анализировать интенсивность потока автомобилей. Программы, созданные для каждого отдельного участка дороги, утверждает ГИБДД, и контролируют территориальные ситуационные службы.
Способы управления светофорами
Существует три вида светофоров: работающие по специальным датчикам (систему активируют проезжающие транспортные средства), с помощью компьютерного управления (процесс можно контролировать удаленно) и с фиксированным временем (алгоритм вносится и остается неизменным). Сотрудники единого центра контроля программируют светофоры в зависимости от ситуации: погодных, временных и дорожных условий, наличия пробок, аварий и дорожных работ. Сотрудники дорожной инспекции работают в специально оборудованном центре с большим количеством мониторов, на которых отображены данные с камер наблюдения и дорожные карты. Заданные программы, контролируемые и неизменные, придерживаются стандартов: один цикл работы светофора в среднем длится 80–160 секунд, а особое внимание сотрудники уделяют часам пик — в 7–9 часов утром и в 18–20 часов вечером.
Система «Зеленая волна»
В Центре организации дорожного движения (ЦОДД) разработали программу, которая позволяет водителям непрерывно проезжать светофоры, не тратя время на ожидание. Этот принцип регулируется за счет уже упомянутых датчиков, которые переключают режим светофора, когда к нему подъезжает машина. Система предполагает движение со средней рекомендованной скоростью около 40–60 километров в час. Теоретически при равномерной скорости водитель проедет перекрестки, не останавливаясь на красный свет. Соблюдая скоростной режим, предусмотренный на выбранном участке дороги, автомобиль попадет в «зеленую волну» без каких-либо специальных знаний. Вопреки распространенному мнению, контроль над работающей системой осуществляют те же сотрудники ЦОДД, а не ГИБДД, хотя последние также могут влиять на ситуацию, если существует угроза безопасности движения.
Влияние пешеходов
Существуют светофоры с кнопкой для пешеходов — ТВП, или табло вызывное пешеходное. Такие системы позволяют не останавливать поток машин в отсутствие желающих перейти дорогу. К сожалению, эти светофоры часто ломаются, кнопки залипают или их вырывают вандалы, в результате чего сотни водителей стоят у светофора. Кроме того, система часто дает сбой в отсчете секунд, из-за этого многие пешеходы либо бегут на дорогу сразу после нажатия, либо в недоумении дожидаются нуля на табло, ориентируясь на надпись «ждите». Также зафиксированы случаи, когда светофор срабатывал дважды, оставляя машины стоять перед пустым переходом. Опыт показывает, что с принципом «зеленой волны» пешеходные кнопки несовместимы, потому что сбивают заданный алгоритм даже при ручном контроле со стороны сотрудника ЦОДД.
Как ехать без остановок
Программирование светофоров и датчики реагирования не дают гарантии стопроцентного срабатывания по времени. Даже без чрезвычайных ситуаций вроде внезапных аварий и перебегающих дорогу пешеходов водители замечают, что попасть в «зеленую волну» удается крайне редко. Многое зависит от того, какой светофор в цепочке программы стал первым на пути следования водителя. Так как все они соединены поэтапно в единую сеть, больше всего повезет попавшему на первый светофор в этой цепи. Если первый светофор автомобиль проедет на зеленый свет, то велика вероятность, что и все остальные системы сработают в его пользу. Сбиваются те, кто попадает в конец очереди перед светофором, а затем старается нагнать впереди едущие машины. В этом случае лучше, наоборот, сбавить скорость и попытаться попасть на следующий перекресток в первых рядах ожидающих нового цикла.
Можно ли просчитать цикл заранее
На большинстве трасс ситуацию программирует динамическая транспортная модель, которую сейчас на нескольких основных магистралях заменяют работой оператора в ручном режиме. В ноябре 2015 года власти провели такой эксперимент на Щелковском шоссе в Москве. Это позволило адаптировать светофоры под скорость потока машин в режиме реального времени. При этом водителей информировали по радио, сообщая об оптимальной скорости движения по выбранному участку дороги. За две недели внедрения новой системы скорость движения на дороге выросла в среднем на 12%. Вывод: попасть в «Зеленую волну» можно, но сложно: для этого необходимо строго следовать рекомендациям, придерживаться равномерной скорости движения на всем участке пути и попасть на начало светофорной цепи на трассе.
«Умные» светофоры, датчики в асфальте. Как технологии борются с пробками и нарушителями
Беспилотные авто, электромобили, дроны над суперскоростными трассами — это визуальный символ «умного» мегаполиса будущего. Что-то из этого вы наверняка представляете, когда слышите, что технологии изменят дороги. Сегодня инновации, которые реально меняют их, не столь кинематографичны. Зато они умеют решать кучу других проблем. Уже существуют алгоритмы, умеющие находить ворованные авто, предсказывать заторы и подсказывать, как их «разрулить». А еще загаджетованные светофоры и датчики (вы даже не представляете, как их много), которые следят за всем, что происходит на дороге. Рассказываем подробно, где и каким образом они применяются.
Что такое «умный» светофор? Как он работает?
Это светофор, связанный с компьютером. Им управляет программа, которая позволяет ему как самому принимать решения, так и «советоваться» с другими светофорами и действовать синхронно с ними. В Москве более 40 тыс. светофоров. Из них 2,5 тыс. — такие «умные» объекты. Для них есть несколько режимов управления.
На эту тему
- Локальный режим. Светофоры работают по заранее заложенной в них программе отдельно от других светофорных объектов. Как правило, это такие сценарии, как утренний час пик, вечерний час пик и день.
- Координированное управление. В этом режиме светофоры работают в координации, т.е. объекты связаны между собой. Как правило, это применяется на вылетных магистралях.
«По такой программе светофоры связаны между собой и работают синхронно, чтобы пропускать определенное количество автомобилей и поддерживать определенную интенсивность на участке. В Москве такая программа работает на сотне участков. Например, на Алтуфьевском, Варшавском шоссе, Ленинском проспекте», — говорит Дмитрий Горшков, заместитель руководителя ЦОДД
- Адаптивный режим. Такие светофоры на основании поступающих к ним данных самостоятельно определяют дорожную ситуацию и адаптируются к ней. Информацию о транспортном потоке они получают с помощью индукционных петель или датчиков, вмонтированных в дорожное полотно на перекрестке. Такое оборудование позволяет определять не только плотность потока, но и тип автомобиля, подъезжающего к перекрестку, в том числе выделять из потока общественный транспорт. Эту информацию адаптивные светофоры также передают в центр управления.
«В таком режиме светофоры работают на пересечении Чонгарского и Симферопольского бульваров, в Зеленограде, при проезде тоннелей между улицами Иловайская — Шоссейная и Батайская — Курская. В асфальт вмонтированы датчики, они распознают появление городского транспорта — автобусов, трамваев — и позволяют сразу включать зеленый свет для их приоритетного проезда. Для автомобилистов такая схема тоже удобна, потому что они останавливаются только тогда, когда нужно пропустить общественный транспорт», — рассказал Горшков.
- Централизованное управление из ситуационного центра.
«Круглосуточно у нас работает дежурная смена. Специалисты постоянно взаимодействуют с ГИБДД, МЧС и другими городскими службами. При необходимости они вмешиваются в работу светофоров и с помощью ручного управления увеличивают фазы для наиболее загруженных направлений», — добавил представитель ЦОДД.
Кстати, эти «умные» светофоры производят в России, на предприятиях Ростеха. Оборудование поставляется не только в Москву, но и в другие регионы — Санкт-Петербург, Ярославскую и Кемеровскую область.
Где стоят датчики? А видеокамеры?
На эту тему
На московских дорогах больше 3 тыс. различных датчиков, которые собирают информацию о машинах и загруженности дорог. Эти датчики повсюду — на перекрестках, на трассах… Есть те, что «закапываются» в асфальт, — это индукционные петли. Они выполняют роль невидимого регулировщика. Когда трамвай подъезжает к перекрестку, они «включают» ему зеленый свет. Обычно все такие датчики умеют измерять, сколько машин, по какой полосе, в какой промежуток времени проехали.
Также в Москве примерно 2 тыс. комплексов фотовидеофиксации. Они работают в местах с высокой аварийностью. И позволяют следить за дорожной обстановкой в режиме реального времени.
«Комплексы фотовидеофиксации стоят не только только над дорогами, но и на бортах подвижного состава. Собранные данные используются для дорожной аналитики. Сейчас в день обрабатывается порядка 50 млн проездов», — продолжает Дмитрий Горшков. Еще, по его словам, само появление на каком-либо участке фиксаторов снижает аварийность. «Количество погибших в авариях на дорогах Москвы сократилось почти на 10% за полгода, а с 2010 года удалось сократить количество погибших на 39%», — приводят цифры в ЦОДД.
Как подсвеченные столбы влияют на безопасность
Вы обращали внимание на то, что сейчас во многих местах «светятся» не только сами светофоры, но и опоры, на которых они стоят? Казалось бы, такое простое решение, трудно назвать его инновационным. Но, по данным холдинга Швабе (входит в состав корпорации «Ростех» и обслуживает ИТС Москвы), эти подсвеченные столбы помогают повысить безопасность.
На эту тему
«Водитель отвлекается на рекламные щиты, вывески, и другую световую информацию, — говорит Иван Ожгихин — замгендиректора холдинга «Швабе». — Светофор не всегда выделяется на фоне, но освещение опоры решило эту проблему. Теперь даже при дожде или тумане водитель видит сигнал светофора и успевает остановиться перед пешеходным переходом. В первую очередь выбирают места, где по невнимательности водителей происходит много ДТП. Устройства на наиболее аварийных участках оснащены светодиодными лентами. Кроме того, мы доработали технологию, ранее использовались только светодиодная лента и знаки с внутренней подсветкой. А на новых переходах мы еще установили прожектор, который подсвечивает пешехода на переходе, а также зоны ожидания на тротуаре».
«Подсвечивать» столбы начали в 2016 году, сейчас 87 светофоров выглядят так. Помимо этого в Москве лампами освещают зебры на пешеходных переходах.
Как «поумнеют» дороги до конца года
На эту тему
До конца 2019 года в Москве сделают «умными» еще порядка сотни перекрестков. Алгоритмы-регулировщики с помощью датчиков будут выделять из общего потока автобусы и трамваи и включать для них зеленый сигнал светофора.
«Такая система внедрена на перекрестке Чонгарского и Симферопольского бульваров, — рассказали в пресс-службе ЦОДД. — Среднее время прохождения трамвая сократилось на 24%, а троллейбуса — на 45%. За две минуты через перекресток проходит минимум четыре единицы городского транспорта. До реализации этого проекта — была одна. Еще недавно на примере Зеленограда мы отработали прием, позволяющий автомобилистам не стоять на пустых перекрестках в ночное время. Водителям всегда горит «зеленый», если нет движения на примыканиях».
Изменение алгоритма работы светофора. Електронні петиції — Офіційне інтернет-представництво Президента України
1.
Бандура Олексій Олегович
30 січня 2018
2.
Каділкіна Ольга Миколаївна
24 січня 2018
3.
Янченко Надiя Григорiвна
21 січня 2018
4.
Мірошникова Юлія Олексіївна
16 січня 2018
5.
Миронюк Андрій Ігорович
06 січня 2018
6.
Манько Виталий Викторович
19 грудня 2017
7.
Фролов Ігор Вадимович
06 грудня 2017
8.
Ваховська Олена Олександрівна
02 грудня 2017
9.
Іванов Віталій Сергійович
01 грудня 2017
10.
Курило Вячеслав Михайлович
30 листопада 2017
11.
Кондратьєва Ірина Олександрівна
30 листопада 2017
12.
Спіцак Катерина Пантелеймонівна
29 листопада 2017
13.
Сокіл Ігор Васильович
28 листопада 2017
14.
Санін Олександр Юрійович
27 листопада 2017
15.
Гуменюк Андрій Павлович
25 листопада 2017
16.
Вовденко Андрій Володимирович
24 листопада 2017
17.
Марків Андрій Васильович
24 листопада 2017
18.
Петровський Михайло Вікторович
18 листопада 2017
19.
Катюха Наталя Вячеславівна
17 листопада 2017
20.
Кудімова Олена Петрівна
12 листопада 2017
21.
Ергин Сергей Алексеевич
09 листопада 2017
22.
Бойко Анатолій Миколайович
09 листопада 2017
23.
Костенко Валерий Васильевич
08 листопада 2017
24.
Лєдок Ольга Юріївна
08 листопада 2017
25.
Онишко Олексій Євгенович
07 листопада 2017
26.
Ємельянов Владислав Іванович
06 листопада 2017
27.
Бесп’ятова Вікторія Олександрівна
05 листопада 2017
28.
Кравченко Сергій Володимирович
05 листопада 2017
29.
Бортняк Любов Олексіївна
04 листопада 2017
30.
Куденко Олена Миколаївна
04 листопада 2017
как ЦОДД управляет потоками автомобилей столицы / Новости города / Сайт Москвы
Стоя у пешеходного перехода и ожидая зеленый сигнал светофора, мы не задумываемся, кто отвечает за его работу. А кто следит за тем, чтобы дорожная разметка соответствовала установленным знакам? Или как ответственные службы узнают о дорожно-транспортном происшествии в той или иной части города? Уже более 20 лет за дорожной ситуацией в столице наблюдают невидимые глаза Центра организации дорожного движения (ЦОДД).
По четкому алгоритмуВ ситуационном центре ЦОДД кипит работа. Дежурная смена, состоящая из 16–18 человек, круглосуточно следит за ситуацией на дороге. На огромные экраны выводятся данные с камер, установленных по всему городу. В системе «Безопасный город» их более 170 тысяч.
Действия сотрудников доведены до автоматизма:
— получаешь тревожный сигнал;
— видишь на камере происшествие;
— оцениваешь обстановку;
— информируешь оперативные службы;
— предупреждаешь людей;
— следишь за ситуацией до ее полного разрешения.
Очень важно сообщить москвичам о произошедшем. Используют для этого социальные сети, радио и даже табло на дорогах.
«Когда мы получаем первичный сигнал, то сотрудник дежурной смены находит нужную камеру и выясняет, что произошло. Если ДТП, а он не видит оперативную службу на месте, то на всякий случай дублирует сигнал в оперативные службы. Если они уже работают, то оценивается ситуация с точки зрения образования затора и принимается решение об изменении маршрутов транспорта или режима работы светофора. Мы стараемся нивелировать ситуацию, чтобы движение на дорогах столицы никогда не прерывалось», — рассказал Сергей Стоянов, начальник дежурной смены ситуационного центра ЦОДД.Камеры — глаза, сотрудники — руки
Работа центра не ограничивается реагированием на ДТП. Внутри дежурной смены есть несколько подразделений, которые отвечают за широкий спектр задач: разрешение внештатных ситуаций, организацию работы светофоров, контроль дорожных работ.
«У нас есть разные механизмы определения внештатных ситуаций: автоматический мониторинг заторов в нехарактерных местах, наблюдение за общественным транспортом, когда он останавливается и не двигается вне остановочных пунктов, получение информации о происшествиях от службы 112», — объясняет Сергей Стоянов.
Светофор мигает желтым или не работает вовсе? Как только в центр поступает информация о выходе из строя светофора, формируется заявка на ремонт. Параллельно с этим дежурная смена изучает место расположения объекта и выбирает способ реагирования.
«Если светофор вышел из строя на тихом перекрестке, где водители будут пропускать друг друга в соответствии со знаками приоритета, то заявка рассматривается в порядке очереди. Другой случай, если проблема возникла на оживленном участке. Например, на площади Тверская Застава, где нужно разъехаться трамваям, автобусам и автомобилям. В таком случае мы одновременно с созданием заявки направляем в эту точку регулировщика. Это может быть сотрудник ГИБДД или “Дорожного патруля”. Благодаря ему здесь не возникнет затор и не будет аварийных ситуаций», — подчеркивает Сергей Стоянов.
Для корректной и быстрой работы центр взаимодействует со службой «Дорожный патруль». Выезжая на патрулирование, экипаж «Дорожного патруля» передает информацию в дежурную смену, где каждая ситуация изучается подробно.
Отличным подспорьем в работе центра стал короткий номер 3210. Жители звонят на него, если замечают нарушения в работе светофоров или размещении дорожных знаков. Благодаря помощи москвичей удается быстро решить ту или иную проблему.
«Дорожный патруль»: чем сотрудники специальной транспортной службы помогают автомобилистам
Во время дождя и пандемииЛето — время дождей и поваленных деревьев. В этот период сотрудники ЦОДД уделяют большое внимание прогнозам погоды и сообщениям от МЧС. Сильный дождь зачастую приводит к закупорке ливневых стоков, что становится причиной подтопления дорог. Центр следит за ситуацией и как только видит, что есть опасность, обращается к коммунальным службам. Для помощи сотрудникам создан удобный инструмент — карта проблемных мест.
«Знаешь, что будет сильный дождь, — отправляй бригаду на место и звони коммунальным службам. От сезона к сезону задачи меняются, но цель остается одна — обеспечение движения в городе», — уверен начальник дежурной смены ситуационного центра ЦОДД.
Ситуационный центр не прекратил свою работу и с началом пандемии коронавируса. Часть сотрудников перевели на дистанционный режим работы. Из 2500 человек в привычном режиме продолжили работать около 400. Изменения не коснулись людей, которые входят в дежурные смены и задействованы в службе «Дорожный патруль».
«В период действия ограничительных мер мы много внимания уделяли соблюдению необходимых норм безопасности. Регулярно измеряли температуру, заполняли анкеты и наблюдали за самочувствием друг друга», — говорит Сергей Стоянов.
Сотрудники центра замечают, что в этот период сильно изменилось движение на дорогах. В первые недели пандемии индикатор пробок стоял на нуле, а длина заторов не превышала пяти километров. Такое обычно происходит 1 января. Но через несколько дней люди начали получать пропуска и выезжать из дома, движение в столице наладилось, а значит, работа центра вернулась в привычное русло.
Планы на будущееТранспортная система Москвы с каждым годом становится сложнее. Если 10–15 лет назад в систему общественного транспорта входили только автобусы, троллейбусы и трамваи, то сейчас появились Московское центральное кольцо и Московские центральные диаметры. Разрастается сеть дорог и метро, появляются новые маршруты.
Новые информационные системы облегчают управление таким большим механизмом. Появляются умные светофоры, которые могут «общаться» друг с другом. В межпиковые моменты они переключают сигналы так, чтобы автомобили могли двигаться быстрее.
У центра есть система контроля пассажирских перевозок — на карте в режиме реального времени отмечается движение автобусов и троллейбусов. Можно даже увидеть, сколько человек вошло в салон на той или иной остановке. Это меняет аналитику и качественно улучшает управление транспортом.
В БНТУ разрабатывают технологии и алгоритмы управления дорожным движением
На базе кафедры «Транспортные системы и технологии» автотракторного факультета (АТФ) в 1995 году был создан Научно-исследовательский центр дорожного движения, который занимается проведением научных исследований, направленных на сокращение потерь в дорожном движении, внедрением новых передовых технологий в транспортную отрасль и повышением ее эффективности. Мы пообщались со старшим научным сотрудником центра Василием Николаевичем Кузьменко и узнали о тенденциях развития подобных технологий, и чего ожидать на дорогах Минска в ближайшее время.
На АТФ существуют две специальности, тесно связанные с работой светофорных объектов: «Организация дорожного движения» и «Интеллектуальные транспортные системы», выпускники которых могут заниматься разработкой технологий и алгоритмов управления светофорными объектами.
Давайте разберемся, какой принцип работы светофорного объекта? Если посмотреть на типичный перекресток, то кажется, что на пересечении улиц находятся только светофоры. В действительности, система управления намного сложнее. Всеми сигналами светофоров управляет дорожный контроллер. Можно сказать, что это компьютер со специально разработанным программным комплексом, в котором заложены алгоритмы переключения сигналов светофора. В алгоритмах прописывается максимальное и минимальное время горения сигналов светофора, длительность мигания зеленого сигнала для пешеходов, время работы и переключения режимов управления и др.
Обычно контроллеры располагаются рядом с перекрестками и пешеходными переходами, оборудованными светофорами. Последние, в свою очередь, через кабельную канализацию подсоединены к дорожному контроллеру. Обычно в контроллерах предусмотрено несколько режимов управления светофорным объектом: для утреннего и вечернего часа пика, межпикового периода, ночного времени и выходного дня. Это минимальный набор алгоритмов, на базе которых должны работать абсолютно все светофорные объекты.
‒ В Минске порядка 700 светофорных объектов. За последние 5 лет на основе разработок сотрудников научно-исследовательского центра построено и реконструировано около 100 из них. Все новые строящиеся светофорные объекты в Минске оборудуются детекторами (датчиками) транспорта, которые позволяют измерять интенсивность движения транспортных потоков и изменять режимы управления светофорными объектами. Кроме этого, в Минске есть автоматизированная система управления дорожным движением, которая позволяет удаленно управлять или контролировать работу примерно 500 светофорных объектов.
Данная система может удаленно подавать сигналы в дорожный контроллер, который потом отправляет сигналы на светофоры. Другими словами, мы можем наблюдать, что если продолжительность горения зеленого сигнала для транспорта в обычном режиме составляет около 30 секунд, то в часы пика или в случае внештатных мероприятий она может быть увеличена для проезда большего количества автомобилей.
– Может быть и такая ситуация, что по улице движется автомобиль экстренных служб, и если от них поступает запрос, то система управления способна удаленно переключить сигнал светофора, включить определенную фазу для проезда нужного транспортного потока или остановить движение на всем перекрестке (в случае необходимости).
Последнее, что сейчас реализовывается и предлагается специалистами Научно-исследовательского центра БНТУ – применение детекторов для переключения сигналов светофоров с целью оптимизации работы светофорных объектов. Есть несколько типов детекторов: магнитные, радиолокационные, видеодетекторы, индуктивные рамки. К примеру, на регулируемом пешеходном переходе на улице Якуба Коласа (около 17 корпуса) заложены беспроводные детекторы транспорта магнитного типа, которые измеряют интенсивности движения транспорта. Беспроводные детекторы помещаются в покрытие, покрываются специальной смолой и через точки доступа, установленные на опорах освещения, передают данные в контроллер.
– Так как ЦУП (центральный управляющий пункт) работает с 7:00 до 23:00, то всеми светофорными объектами, которые подключены к нему, управляет именно он (дистанционно). В ночное время светофорные объекты, которые оснащены детекторами, могут работать в адаптивном режиме (без контроля центра). Они могут работать как по жесткому графику (к примеру, строго 20 секунд зеленого сигнала транспорту), так и в адаптивном режиме, когда длительность зеленого сигнала зависит от информации, поступающей от детекторов транспорта. В основном детекторы особенно эффективны на участках улиц, где значительно изменяется интенсивность движения транспорта в течение суток, например, постоянно включать левоповоротную секцию для направления (полосы), на которой нет транспорта, не эффективно, потому что затрачивается время, которое можно было бы использовать для встречного нагруженного потока. Поэтому если на перекрестке специализированная полоса для поворота налево оборудована детектором, то при отсутствии машин стрелка светофора для левого поворота просто-напросто не включается, и сэкономленное время предоставляется другим транспортным направлениям или пешеходам.
Та же технология используется и для пересекаемых направлений. К примеру, есть основная дорога и выезд с пересекаемой улицы: если с пересекаемой улицы на главную никто не выезжает, то датчик не срабатывает, тем самым на главной улице / проспекте всегда будет гореть зеленый сигнал. Опять же, можно привести пример пешеходного перехода около 17 корпуса БНТУ, только в этом случае пешеходы не наступают на детектор, а прикладывают руку к сенсору, который и передает сигнал контроллеру для переключения сигнала.
В Европе уже существуют системы, которые различают разные виды автотранспорта: общественный транспорт, машины скорой помощи, пожарные машины и др.
– Если скорая подъезжает к перекрестку, а там не включен зеленый сигнал для ее направления движения, то дорожный контроллер включает зеленый свет для нужного направления. Конечно, это крайне дорогостоящее оборудование, ведь им нужно обеспечить не только светофорные объекты, но и непосредственно специализированные автомобили и общественный транспорт, а их в Минске достаточно большое количество.
Научно-исследовательским центром дорожного движения уже внесены предложения по применению данных алгоритмов для пропуска общественного транспорта, в частности трамваев. Возможно, в скором времени они будут внедрены на улично-дорожной сети Минска, что позволит сэкономить время для движения в общественном транспорте.
– Вообще, наш научно-исследовательский центр занимается разработкой технологий и применением оптимальных алгоритмов управления работой светофорных объектов. В случае устройства светофорных объектов с детекторами транспорта рассчитываем оптимальный вариант: какой детектор целесообразнее поставить на данном участке улицы и как правильно его использовать, остальное – дело вкуса и бюджета.
В Минске по адресу улица Каменногорская, 116 находится один из немногих светофорных объектов, оборудованных детекторами транспорта, который работает в адаптивном режиме в течение всего времени суток. Разработчиком выступал Центр дорожного движения БНТУ.
Недавно в сети появились фотографии необычной специальной подсветки на улицах Минска, повторяющей сигналы светофоров. Они произвели настоящий фурор среди водителей. Светофорный объект со специальной подсветкой, повторяющей световой сигнал ‒ тоже разработка Центра дорожного движения БНТУ.
– Первый такой светофорный объект со специальной подсветкой был разработан сотрудниками центра и реализован для Гомеля, где инициатором выступала ГАИ Гомельского облисполкома. Рядом с проектируемым торговым центром «Корона» располагался достаточно сложный, с точки зрения водителей, перекресток, где и потребовалось применение подобных технологий. В этом году данные светодиодные ленты, которые дублируют сигналы светофоров, по заказу ГАИ были разработаны и установлены на улице Притыцкого в Минске.
С точки зрения обеспечения безопасности движения, для определенных участков улиц, особенно с высокими скоростями движения, на плохо освещенных участках улиц, сложных перекрестках с плохой видимостью, по словам Василия Николаевича, это хорошее решение. Однако в большинстве случаев проблемы можно решить и другими способами.
Именно благодаря технологиям, разрабатываемым в БНТУ, наш город становится комфортнее не только для автомобилистов, но и пешеходов.
Берегите себя и соблюдайте правила дорожного движения!
Эффективный алгоритм динамического планирования светофора с учетом транспортных средств экстренной помощи для интеллектуальных транспортных систем
Пандит, К., Гхосал, Д., Чжан, Х. М., и Чен-Ни, К. (2013). Адаптивное управление сигналом дорожного движения с помощью специальных автомобильных сетей. Транзакции IEEE по автомобильным технологиям, 62 (4), 1459–1471.
Артикул Google Scholar
Бани Юнес, М., Букерче, А.(2014). Интеллектуальный алгоритм планирования светофора через VANET. На 39-й конференции IEEE, в семинарах по локальным компьютерным сетям (LCN workshops) (стр. 637–642).
Бани Юнес, М., Букерче, А. (2015). Интеллектуальные алгоритмы управления светофорами с использованием автомобильных сетей. В транзакциях IEEE по автомобильной технике (том № 99, стр. 1–1).
Юнес, М. Б., Букерче, А., и Роман-Алонсо, Г. (2014). Протокол интеллектуальных рекомендаций пути (ICOD) для сетей VANET. Computer Networks, 64, 225–242.
Артикул Google Scholar
Пожарная служба США. (2014). Инициатива по обеспечению безопасности транспортных средств в экстренных случаях , FA-336 / февраль 2014 г.
Министерство транспорта США. (2012). ФАКТЫ О БЕЗОПАСНОСТИ ДВИЖЕНИЯ 2012 .
Ли, Л., Вэнь, Д. и Яо, Д. (2014). Обследование управления движением автомобильной связью. Транзакции IEEE в интеллектуальных транспортных системах, 15 (1), 425–432.
MathSciNet Статья Google Scholar
Чен Б. и Ченг Х. Х. (2010). Обзор применения агентских технологий в дорожных и транспортных системах. Транзакции IEEE в интеллектуальных транспортных системах, 11 (2), 485–497.
Артикул Google Scholar
По, Г., и Ската, Г. (2014). Интеллектуальное управление перекрестками светофоров с помощью беспроводных сенсорных сетей. WSEAS транзакции по связи, 14, 2224–2864.
Google Scholar
Халил, Ю. М., Аль-Караки, М. Н., и Шатнави, А. М. (2010). Интеллектуальная система управления светофором с использованием сетей беспроводных датчиков. Журнал информатики и инженерии, 26 (3), 753–768.
Google Scholar
Гаффариан, Х., Фати, М., и Сорьяни, М. (2012). Автомобильные сети ad hoc позволили диспетчеру отключать светофоры на изолированных перекрестках на основе целочисленного линейного программирования. Интеллектуальные транспортные системы, 6 (2), 115–123.
Артикул Google Scholar
Аскерзаде, И. Н., и Махмуд, М.(2010). Управляйте временем продления светофора на одном перекрестке с помощью нечеткой логики. Международный журнал электрических и компьютерных наук IJECSIJENS, 10 (2), 48–55.
Google Scholar
Азимирад Э., Париз Н. и Систани М. (2010). Новая нечеткая модель и управление единичным перекрестком в городской транспортной сети. Системный журнал IEEE, 4 (1), 107–111.
Артикул Google Scholar
Энрике Д., Маррангелло Н. и Дамиани Ф. (2014). Оптимизация времени светофоров и определение маршрутов на основе генетических алгоритмов с использованием модели городского транспортного потока Петри. Всемирный конгресс, 19 (1), 11326–11331.
Google Scholar
Вундерлих Р., Эльханани И. и Урбаник Т. (2007). Стабильный алгоритм планирования первого сигнала самой длинной очереди для изолированного перекрестка. На международной конференции IEEE по автомобильной электронике и безопасности (стр.1–6).
Гарка-Ньето, Дж., Альба, Э., и Оливера, А. К. (2012). Swarm Intelligence для планирования светофора: применение в реальных городских районах. Инженерные приложения искусственного интеллекта, 25 (2), 274–283.
Артикул Google Scholar
Коллотта, М., и Пау, Г. (2015). Новые решения на основе беспроводных сетей для динамического управления светофорами: сравнение IEEE 802.15. 4 и блютуз. Transport and Telecommunication Journal, 16 (3), 224–236.
Артикул Google Scholar
Тесса, Т., Киллат, М., Хартенштейн, Х., Луз, Р., Хаусбергер, С., и Бенц, Т. (2010). Влияние связи между светофором и автомобилем на расход топлива и выбросы. В IEEE в Интернете вещей (IOT) (стр. 1–8).
Ferreira, M., & d’Orey, P.(2012). О влиянии виртуальных светофоров на снижение выбросов углерода. Транзакции IEEE в интеллектуальных транспортных системах, 13 (1), 284–295.
Артикул Google Scholar
Пасин М., Шойерманн Б. и Моура Р. (2015). Контроль пересечения на основе VANET с компромиссом между пропускной способностью и справедливостью. В 2015 8-я конференция IFIP по беспроводным и мобильным сетям (WMNC) (стр. 208–215), IEEE.
Тунг Л., Мена Дж., Герла М. и Соммер К. (2013). Кластерная архитектура для предотвращения столкновений на перекрестках с использованием гетерогенных сетей. В специальном семинаре по сетевым технологиям (MED — HOC — NET), 12-м ежегодном Средиземноморском , 2013 г. (стр. 82–88). IEEE.
Беллависта П., Фошини Л. и Заманьи Э. (2014). Протоколы V2x для низкой скорости проникновения и совместной оценки трафика. На конференции по автомобильным технологиям (VTC Fall), 2014 IEEE 80th (стр.1–6), IEEE.
Бериш М., Бикер Л., Эрдманн Дж. И Крайзевич Д. (2011). SUMO моделирование городской мобильности: обзор. В: Третья международная конференция по достижениям в системном моделировании (SIMUL) (стр. 63–68).
Сетевой симулятор нс-2. http://www.isi.edu/nsnam/ns/.
(PDF) Интеллектуальный алгоритм планирования светофора через VANET
Интеллектуальный алгоритм планирования светового потока
Через VANET
Марам Бани Юнес
PARADISE Research Laboratory
DIVA
Центр стратегических исследований Канады
Центр стратегических исследований DIVAЭлектронная почта: mbani047 @ uottawa.ca
Azzedine Boukerche
PARADISE Research Laboratory
Центр стратегических исследований DIVA
Университет Оттавы, Канада
Электронная почта: [email protected]
Краткое содержание: дорожные сигналы необходимы для обеспечения безопасного вождения на
перекрестки. Однако они нарушают и сокращают трафик
из-за задержки очереди при каждом потоке трафика. В этой работе
мы представляем алгоритм интеллектуального управления освещением
(ITLC).Этот алгоритм учитывает в реальном времени характеристики движения
каждого транспортного потока, который намеревается пересечь интересующий перекресток дороги
, при планировании временных фаз каждого светофора
. Введенный алгоритм направлен на увеличение пропускной способности движения
за счет уменьшения времени ожидания проезжающих транспортных средств
на сигнальных перекрестках. Кроме того, он направлен на увеличение на
количества транспортных средств, пересекающих перекресток дорог в секунду.
Мы сообщаем о производительности ITLC и сравниваем ITLC с предыдущими алгоритмами
в этой области для различных смоделированных сценариев.
Из экспериментальных результатов мы делаем вывод, что ITLC уменьшает задержку в очереди
и увеличивает пропускную способность на 25% по сравнению с
с предыдущими графиками светофоров. Кроме того, ITLC
увеличивает пропускную способность каждого сигнального перекрестка дорог на
30%.
I. ВВЕДЕНИЕ
Светофоры используются с 1868 года, чтобы планировать и
контролировать конкурирующие транспортные потоки на каждом перекрестке дорог
, используя графики светового цикла.Они обеспечивают безопасное планирование, согласно которому
позволяет всем транспортным потокам делить перекресток дорог [6]. Задержка в очереди
на каждом перекрестке дорог снижает пропускную способность движения
, а затем снижает эффективность движения по всей дорожной сети
. Чтобы повысить эффективность трафика
, несколько исследователей разработали интеллектуальные алгоритмы
, предназначенные для планирования времени светофора [10],
[11], [18].Оптимальный график каждого светофора сводит к минимуму
задержку движущихся транспортных средств на сигнальных перекрестках.
Многие исследователи рассматривали изолированное светофор
на перекрестке, где фазы светового потока устанавливаются как
в соответствии с движением окружающих потоков в реальном времени [13], [14]
и [15] . Управление движением на каждом светофоре представлено
циклом фазирования с переменной последовательностью, который представляет временной график
каждого транспортного потока, который намеревается проехать такой перекресток
[16].Было рассмотрено несколько параметров
для планирования циклов фазы последовательности на каждом перекрестке
, включая: количество транспортных средств, скорость движения и объем движения
каждого потока, чтобы упомянуть несколько. Чем меньше средняя задержка
на каждом перекрестке дорог и чем выше пропускная способность
перекрестка дорог, тем эффективнее становится алгоритм планирования
.
В этой статье мы предлагаем алгоритм троллинга Intelligent Traf ‑ Light Con-
(ITLC).Введенный алгоритм нацелен на
уменьшить время ожидания на каждом перекрестке дорог
и увеличить его пропускную способность. Сначала планируется движение потока с максимальной плотностью движения
, без превышения максимально допустимого времени зеленого света
для этой фазы. Мы определили зону
вокруг сигнального перекрестка дорог, где автомобили
готовы пересечь перекресток, как зону готовности. Зона готовности составляет
, предложенная для обеспечения справедливого разделения перекрестка дорог с выходом
за пределы максимально допустимого зеленого времени.Из экспериментальных результатов
мы можем сделать вывод, что предложенный нами алгоритм
минимизирует задержку в очереди на каждом светофоре по сравнению с
с ранее предложенными алгоритмами планирования в этой области на
25%. Кроме того, большее количество транспортных средств пересекает перекресток с сигнализацией
в секунду; большая пропускная способность —
, полученная с использованием ITLC.
Остальная часть этого документа организована следующим образом: в разделе II
мы исследуем характеристики изолированных светофоров
.Мы обсуждаем алгоритмы, механизмы и протоколы, которые
были ранее предложены в этой области в Разделе III. Фазы
алгоритма ITLC подробно описаны в Разделе IV. После
, Раздел V иллюстрирует оценки производительности алгоритма ITLC
по сравнению с другими механизмами и алгоритмами интеллектуального управления светофором
. Наконец, Раздел VI завершает статью
.
II. ЗАКРЫТЫЕ ТРЕБОВАНИЯ ISO
Перед тем, как исследовать наш алгоритм и вклад
по сравнению с ранее предложенными механизмами в этой области, мы
представим определение и основные характеристики изолированного трафика
в эта секция.Изолированный светофор управляет трафиком
на каждом перекрестке дорог отдельно, без учета
соседних перекрестков с сигнализацией [6]. Например, на рис. 1
показан типичный перекресток с 4 участками дороги; перекресток с 4 участками дороги
разделяет восемь транспортных потоков, в любой момент два
из этих потоков могут проходить одновременно. Светофор на
на таком перекрестке контролирует и планирует последовательность
различных фаз, одновременно освещая конфликт между
различными движущимися потоками [6], [8].На каждом светофоре временные переменные
, включая длину цикла, фазы, интервалы
и параметры смещения, устанавливаются в соответствии с трафиком в реальном времени
10-го международного семинара IEEE по производительности и управлению беспроводными и мобильными сетями P2MNET 2014 , Эдмонтон, Канада
978-1-4799-3784-4 / 14 / $ 31,00 © 2014 IEEE 637
Traffic071012.dvi
% PDF-1.6 % 1 0 объект > / OCGs [410 0 R] >> / Тип / Каталог >> эндобдж 499 0 объект > поток 2007-10-14T21: 45: 18Здвипс (к) 5.95b Copyright 2005 Radical Eye Software 2007-10-23T20: 21: 59 + 08: 002007-10-23T20: 21: 59 + 08: 00AFPL Ghostscript 8.11application / pdf
Система оценки алгоритмов светофора
COLOMBO: Результат 5.3; 2014-11-10
52
[FHWA, 2008] Министерство транспорта США, Федеральное управление шоссейных дорог (издатель):
Суррогатная модель оценки безопасности (SSAM). Techbrief, FHWA-HRT-08-049, 05/2008,
http://www.fhwa.dot.gov/publications/research/safety/08049/, последний доступ 09.11.2014.
[Fietsberaad 2004] Fietsberaad: De fietsvriendelijkheid van verkeersregelinstallaties, публикация 4,
Utrecht, 2004. http://www.fietsberaad.nl/library/repository/bestanden/nPublicatie_41.pdf
[FSV, 2013] Österreichische Forschungsgesellschaft Straße — Schiene — Verkehr: Evaluierung von
Verkehrslichtsignalanlagen, RVS 05.04.35, Вена, 2013.
[Охотник: оценка трафика, 2010 г.] перекрестки для всех
путешественников, магистерская работа, TU Дармштадт, 2010.
[INFRAS, 2014] INFRAS, Справочник по факторам выбросов для автомобильного транспорта 3.2, Берн, доступен
на сайте http://www.hbefa.net
[Киттлсон и Ресс, 2001] Киттлсон, У., и Р. П. Ресс: Анализ пропускной способности автомагистралей после
Руководство по пропускной способности11 2000. Отчет об исследованиях в области транспорта, Vol. 1776, 2001, с. 10-16.
[Lämmer and Däumler, 2014] Lämmer, S., and Däumler, M .: Ansätze zur statistischen
Modellierung von Nachfrageschwankungen auf Stunden- und Minutenskalen im
StadtUREßKA8000, StadtUREENVERGKER, 2014, 2014 , 2006] Мартин А. Факторы, влияющие на безопасность пешеходов: обзор литературы, TRL Limited,
2006.
[Müllner, 2013] Müllner, D .: fastcluster: быстрые иерархические, агломеративные процедуры кластеризации для
R и Python, журнал статистического программного обеспечения 53 (2013), нет. 9, 1–18,
http://www.jstatsoft.org/v53/i09/, последний доступ: 09.11.2014
[Niebel, 2013] Niebel, W. Light Optimized
Speed Advisory (GLOSA), In: Communications in Computer and Information Science, 395, pp.
313-320.Springer-Verlag Berlin Heidelberg, 2013. ISBN 978-3-642-41646-0. ISSN 1865-0929.
[Pinkofsky, 2006] Pinkofsky, L. (2006) Typisierung von Ganglinien der Verkehrsstärke und ihre
Eignung zur Modellierung der Verkehrsnachfrage, Ph.D. Диссертация, Технический университет
Брауншвейг, Брауншвейг.
[PRESTO, 2009] Консорциум проектов PRESTO: Дайте велосипеду толчок: информационный бюллетень о реализации,
Публикация проекта, 2009-2012 гг.
[Pulugurtha and Kusam, 2011] Pulugurtha, S.С. и П. Р. Кусам: Оценка уровня обслуживания мультимодальных перевозок
как показатель эффективности для сигнализируемых перекрестков, Ежегодное собрание TRB
2011, Вашингтон, округ Колумбия
[Rexeis and Hausberger, 2008] Rexeis, M., Hausberger, S., Тенденция уровней выбросов транспортных средств до
2020 — Прогноз на основе текущих измерений транспортных средств и будущего законодательства о выбросах,
Атмосферная среда (2008), DOI: 10.1016 / j.atmosenv.2008.09.034
[Schiller et al., 2011] Шиллер, К., Циммерманн, Ф., Боле, Вольфганг: Hochrechnungsmodell von
Stichprobenzählungen für den Radverkehr, Schlussbericht, FE 77.495 / 2008, TU Dresden.
[Smart et al., 2014] Смарт, М., Макканн, Х. и М. Брозен: Что такое проходной балл? Обобщение
и обзор 4 показателей эффективности мультимодальных уличных перевозок, Ежегодное собрание TRB 2014 г.,
Вашингтон, округ Колумбия
[TRB, 2010] Совет по исследованиям в области транспорта: Руководство по пропускной способности автомагистралей HCM2010, ISBN 978-0-
309-16077-3 , Вашингтон Д.C.
[VSS, 1999] VSS: Leistungsfähigkeit, Verkehrsqualität, Belastbarkeit; Grundlagennorm, Norm,
SN640 017a, Швейцарская ассоциация профессионалов дорожного движения и транспорта (VSS), Цюрих.
Интеллектуальная система светофоров, использующая обнаружение объектов и эволюционный алгоритм для уменьшения загруженности дорог в Гонконге
Получено 29 февраля 2020 г., принято 17 мая 2020 г., доступно онлайн 16 июня 2020 г.
1. ВВЕДЕНИЕ
В развитии города хорошая инфраструктура и управление дорогами позволят гражданам эффективно перемещаться из одного места в другое, особенно в часы пик, чтобы улучшить впечатления от путешествия и насладиться безопасным путешествием.Разработка интеллектуальной системы светофоров (ITLS), которая на 100% удовлетворяет требованиям города, является критически сложной задачей для губернаторов и заинтересованных сторон.
Пробки на дорогах — серьезная проблема, затрагивающая не только граждан, но и снижающая интересы бизнеса. Хотя никакие статистические данные не отражают экономический ущерб от заторов на дорогах в Гонконге, но есть некоторые доказательства из Соединенных Штатов и европейских стран, что заторы на дорогах привели к серьезным экономическим потерям.В США в 2014 г. опубликован отчет [1] о том, что 124 миллиарда долларов США было израсходовано в год из-за заторов на дорогах. В Европейском союзе заторы на дорогах обходятся примерно в 1% ВВП [2]. Это показывает, что заторы на дорогах приведут к огромным экономическим потерям.
Помимо экономической проблемы, пробки на дорогах нанесут вред здоровью людей. Хотя многие автомобили используют экологическое топливо, например сжиженный нефтяной газ, который выделяет меньше загрязняющих веществ, некоторые транспортные средства общественного транспорта, такие как автобусы, грузовики и другие тяжелые транспортные средства, используют дизельное топливо в качестве топлива, поэтому выделяются оксиды азота и большое количество твердых частиц.Эти загрязнители легко улавливаются в городах, потому что загрязненный воздух не может рассеиваться многими высокими зданиями и интенсивным использованием дорог. Следовательно, плохое качество воздуха вызывает множество заболеваний, в основном в дыхательной системе. Шарпен и Кайо [3] доказали, что PM2,5, оксиды азота и связанные с ними загрязнители вызывают у людей носовые аллергические реакции и легко усугубляют другие респираторные заболевания, такие как астма, риносинусит и болезнь среднего уха. Кроме того, психическое заболевание, такое как синдром дорожного стресса, может быть вызвано, когда люди оказываются в узком месте с длинными очередями.
Пробки на дорогах Гонконга — обычное дело. Однако, по сравнению с другими городами, система светофоров с фиксированным циклом движения (FCTL) в настоящее время используется уже много лет. Без учета условий дороги в реальном времени для поддержания подходящей схемы движения пешеходы и транспортные средства обычно имеют конкурентоспособный статус при использовании поперечной стороны, поэтому легко могут возникнуть опасные ситуации, потому что оба они не хотят ждать на перекрестке. . Се и Ю [4] предложили схему применения эволюционного алгоритма в управлении порядком посетителей выставочных залов в музее.Схема успешно реализовала управление потоками в музее, чтобы все посетители были максимально удобными. Как и в случае с управлением движением, транспортные средства могут рассматриваться как посетители, входящие в выставочный зал, а перекрестки — это выставочные залы, которые могут наилучшим образом управлять движением. Для уменьшения перегрузок на дорогах была разработана ITLS с применением алгоритма обнаружения объектов и эволюционного алгоритма. Классификация и определение ситуаций в реальном времени, снятых на камеру, установленную на стыках, осуществлялись путем обнаружения объектов.Данные были проанализированы, а затем выполнено стратегическое расположение светофоров с помощью эволюционного алгоритма, который направлен на сокращение времени ожидания транспортных средств и пешеходов на перекрестке для повышения эффективности использования дороги.
2. ОБЗОР ЛИТЕРАТУРЫ
2.1. Текущая ситуация с управлением дорожными сигналами в Гонконге
2.1.1. Светофор с фиксированным циклом
Система использует только фиксированное время цикла при переключении светофора на каждом перекрестке, которое не учитывает текущее состояние соответствующего перекрестка, например количество транспортных средств и пешеходов на перекрестке.И он не заботится об их потребностях, особенно о времени ожидания и времени прохождения. Даже правительство выполнило исследовательский проект о продлении времени пересечения для пожилых людей [5], результаты испытаний на месте могут не отражать фактические условия движения, поскольку почти из них размещены в старых районах или недостаточно насыщенных перекрестках.
2.1.2. Система управления движением участка
Система зонального управления дорожным движением (ATC)применяется в Гонконге с 1977 года и представляет собой первую компьютеризированную адаптивную систему управления дорожным движением [6].В системе были задействованы две различные технологии адаптивного управления движением, а именно, метод оптимизации смещения разбиения цикла (SCOOT) и Сиднейская координированная адаптивная система движения (SCATS) [7], в которой сигнал светофора контролировался путем определения количества транспортных средств и расчета их скорости, когда они прошли через детекторные петли, установленные на полосах движения транспортных средств. Затем данные передаются на сервер управления для настройки параметров адаптивного алгоритма управления, что приводит к оптимальной продолжительности зеленого света для освобождения транспортных средств, тем самым уменьшая заторы на дорогах.Тем не менее, система фокусируется на управлении транспортными средствами, проезжающими через перекресток, но жертвует преимуществами пешеходов, которые сокращают время перехода для пешеходов, что увеличивает риск для людей, пытающихся перейти дорогу, когда красный свет идет на пешеходов. Кроме того, Ref. [7] заявили, что SCOOT и SCATS не могут быстро реагировать на колебания движения на различных перекрестках.
2.1.3. Умная светофорная система
Интеллектуальная система светофоров, установленная для дороги Тай Там (участок плотины), была разработана и внедрена Ченгом и его исследовательской группой в Китайском университете Гонконга в 2018 году [8].Тип транспортного средства будет обнаружен с помощью восьми комплектов камер, установленных на уличных фонарях на Тай Там Роуд. Затем он рассчитает время зеленого сигнала в соответствии с данными, полученными всеми камерами, анализирующими очередь движения с каждой стороны плотины и наличие тяжелых транспортных средств в линии, что приводит к эффективному расположению света, чтобы избежать заторов на плотине. потому что конструкция плотины не может вместить два тяжелых автомобиля, таких как двухэтажный автобус и пожарную машину, параллельно.Эта система является пионером в Гонконге и применяет технологию видеоаналитики путем сбора данных о трафике в реальном времени для оптимизации управления трафиком. Он предоставляет много ценной информации другим исследователям для эффективной разработки адаптивной системы управления дорожным движением. На дороге Тай Там (участок плотины) существуют определенные условия движения, и меньше дорожных ситуаций возникает из-за отсутствия систем управления движением для выполнения оптимизации времени сигнала на перекрестках в городских округах, особенно в Центральном, Монг Коке и Цим Ша. Цуй в Гонконге.На основе доступных открытых данных, таких как камеры наблюдения, выходящие на улицу, и навигационные приложения, такие как функция просмотра улиц в Google Maps, можно в реальном времени определять количество транспортных средств и плотность пешеходов, ожидающих или переходящих дорогу на конкретном перекрестке. осуществленный. Эта информация более четко описывает условия движения на перекрестках дорог в режиме реального времени, что может быть полезным ресурсом для разработки интеллектуального управления сигналами дорожного движения в городах.
2.2. Обзор современных технологий
2.2.1. Обнаружение объектов технологии машинного обучения
Из исх. [8], в которых обнаружение объектов применялось для классификации типа транспортного средства, когда транспортное средство проезжает через контрольно-пропускные пункты на Тай Там Роуд, обнаружение объекта применимо для определения типа объекта, а также определения его местоположения путем указания ограничивающей рамки вокруг него. Кроме того, он также представляет информацию об обнаруженном объекте на однажды классифицированном изображении [9].Следовательно, обнаружение объектов хорошо используется для обнаружения транспортных средств и пешеходов в реальном сценарии путем установки камер на перекрестках.
2.2.2. Симулятор
Симуляция — это имитация модели, основанной на реальной системе. Имитационная модель может изменять различные параметры, а затем выполнять тестирование системы, строительство которой является дорогостоящим или сложным. Имитационная модель может использоваться для исследования различных состояний [10].
Среда моделирования может быть создана для демонстрации сценария с использованием нового приложения светофора по сравнению с текущей системой FCTL.Более того, с помощью нового приложения он может моделировать работу в различных условиях дорожного движения.
2.3. Обзор существующих решений
Смит и др. . [11] в 2013 году предложили масштабируемую систему управления городским движением, которая отслеживает количество транспортных средств в режиме реального времени путем установки детекторов на перекрестках путем сканирования датчиков, установленных в транспортных средствах. Собираются данные о дорожном движении, которые передаются в систему управления дорожным движением для создания запланированной схемы, а затем применяются к перекресткам.Чаван и др. . [12] предложил интеллектуальный контроллер светофора с использованием встроенной системы в 2009 году. Водитель получает предложения маршрута в качестве ссылки на пункт назначения блоком обработки, который соединяется с анализом данных о транспортном потоке, поступающих от набора датчиков перекрестков. Не [13] разработал интеллектуальную систему светофоров, использующую обнаружение объектов для определения количества транспортных средств на перекрестке с помощью камер. Затем настройте переключение светофора по результатам плотности трафика.Хотя эти системы работали хорошо, они отказались от других жизненно важных элементов, таких как точность обнаружения неправильной очереди транспортных средств контейнеровозом. Кроме того, они могут быть дорогостоящими, особенно в Ref. [11], который требует установки дополнительных компонентов на транспортных средствах, что означает, что система не может работать, если транспортные средства проезжают по дороге без установки датчиков.
В соответствии со старыми приложениями, которые не могут удовлетворить требования в современных городах, Emami et al .[14] предположили, что технология машинного обучения — это способ решения проблемы. Применение к управлению трафиком повышает эффективность обработки большого количества данных, в то время как данные о дорожных условиях представляют собой наборы изображений. Кроме того, с помощью глубокого обучения можно получить более точную информацию, такую как тип и скорость транспортного средства. Нечеткие экспертные системы представлены Хави и др. . [15] в 2015 году, и они заявили, что контроллер нечеткой логики, предложенный Khiang et al .путем реализации нечеткой логики, начатой Заде [16]. Фахми [17] представил другую систему под названием FLATSC, в которой время ожидания использовалось в качестве критерия при управлении круговыми перекрестками с четырьмя перекрестками. Кроме того, Hawi et al . также продемонстрировали беспроводные сенсорные сети, предложенные Yousef и др. . [18] в 2010 г., что данные о дорожном движении распределяются между перекрестками для оптимизации транспортного потока. Несмотря на то, что нечеткая логика и беспроводные технологии широко используются в решении проблем такого типа, основная проблема так и не решена.То есть для поддержания обнаружения требуются датчики; следовательно, потребуются гораздо большие затраты из-за хорошо развитой транспортной сети, такой как Гонконг. Кроме того, для обмена данными между перекрестками также необходима огромная мощность для поддержки обмена данными.
Несмотря на то, что тестирование на месте может быть запрещено в Гонконге, моделирование может виртуально работать в различных условиях, что не повлияет на реальный трафик, особенно в районах с интенсивным движением.Симулятор SUMO [19] применяется для генерации фактического сценария в Mong Kok. Создает дорожную карту по онлайн-картам. Затем создается транспортный поток, который импортируется в симулятор. Хотя SUMO может очень хорошо генерировать поток трафика, он не может удовлетворить потребности этого документа. Карта движения не может быть изменена после создания, поэтому существует препятствие для внесения изменений в дорогу в соответствии с быстрым строительством или вводом новых объектов.
Таким образом, датчики часто используются в различных решениях для определения условий дорожного движения.Однако ограниченный сбор данных и обслуживание этих устройств усложняются [13]. В улучшении управления трафиком технология обнаружения объектов становится более гибкой и практичной.
3. МЕТОДОЛОГИЯ
3.1. Обзор методологии
В этом документе применяется методология тестирования сборки для проектирования решения и оценки. Для проектирования решения разработана система интеллектуального светофора для автоматического управления сигналом светофора на основе машинного обучения с распознаванием объектов по количеству транспортных средств и пешеходов, проезжающих через перекресток дорог в Гонконге.
Для оценочного проекта моделирование продемонстрировало сравнение между текущей системой FCTL и предлагаемой ITLS.
3.2. Дизайн решения
На рисунке 1 показано пять компонентов конструкции. Видео для различных условий движения были сняты на перекрестке. Приложение для обнаружения объектов проанализировало видеозаписи. Данные проанализированных видеоматериалов были использованы для построения моделей дорожного движения. Модели движения использовались для моделирования ситуации, так что текущая система FCTL и предлагаемая ITLS были реализованы на перекрестке.Наконец, симуляция визуально отображала модели трафика.
Рисунок 1Схема продукта системы.
3.3. Видео о дорожном движении
Видео для различных условий движения были записаны в качестве источников для приложения обнаружения объектов. Камеры были установлены в местах, где хорошо виден транспортный поток на перекрестке. Отснятый материал использовался для приложений обнаружения объектов.
3.4. Приложение для обнаружения объектов
В системе применяется технология обнаружения объектов с использованием Tensorflow [20] для анализа видеозаписи.Как показано на рисунке 2, система может распознать тип объекта, появившегося в видеоряде. Его можно использовать для расчета количества транспортных средств и пешеходов возле перекрестка за определенный период времени.
3.5. Модель движения FCTL
Эта модель движения имитировала транспортный поток текущего FCTL на перекрестке. После моделирования модель дорожного движения сгенерировала среднее время ожидания пешеходов и транспортных средств на перекрестке. Данные были сохранены для разработки и тестирования алгоритмов.
3,6. Модель интеллектуального светофора
Перекресток был смоделирован с помощью ITLS. Моделирование было основано на количестве пешеходов и транспортных средств, оцененных с помощью приложения для обнаружения объектов. Сигнал светофора будет переключаться динамически из-за различных условий движения. Эта модель движения направлена на повышение эффективности системы светофоров, используемых в настоящее время в Гонконге.
3,7. Симулятор
Приложение pygame визуально моделирует указанные выше модели трафика.Он использовал данные о моделях трафика для построения симуляции, которая визуализировала концепцию светофорной системы, как показано на рисунке 3.
Рис. 3. СимуляторPygame, представляющий транспортный поток на перекрестке.
Было несколько функций для улучшения реалистичной ситуации модели трафика:
Количество пешеходов и транспортных средств было установлено в соответствии с выходными данными приложения для обнаружения объектов.
Метод переключения сигналов светофора основан на анализируемых данных с видеозаписи.
Дорожная карта была нарисована в соответствии с фактическим перекрестком на улице Принца Эдуарда в Коулуне, Гонконг.
Скорость движения пешеходов и транспортных средств смоделирована для реальной ситуации. Также была вероятность того, что человек будет ходить медленнее, чем в среднем, чтобы имитировать движения пожилых людей.
Движение автотранспорта. Автомобиль замедлился, если он подошел слишком близко к движущемуся впереди автомобилю. Транспортное средство остановилось либо светофор красный, либо был вынужден остановиться, когда был обнаружен барьер, например, другой автомобиль или пешеход был обнаружен спереди от него.
На перекрестке стояли машины разных типов.
3.8. Детальный проект алгоритмов
Алгоритмы управления светофором показаны на рисунках 4 и 5. Рисунок 4 показывает структуру алгоритма ITLS. На рисунке 5 показана текущая система FCTL, используемая в Гонконге. Условия определяют поток интеллектуального переключения светофора. «Порог» на рисунке — это пороговые значения параметров ITLS. Эти пороговые значения параметров определяют, как световые сигналы переключались в зависимости от различных ситуаций.
Рисунок 4Потоки переключения сигналов в интеллектуальной системе светофора (ITLS).
Рисунок 5Потоки переключения сигналов в светофоре с фиксированным циклом (FCTL).
Параметры порогов были
carMaxNumAtJunction — максимальное количество автомобилей на перекрестке.
carLightGreenMinTime — минимальное время, в течение которого должен длиться зеленый сигнал транспортного средства.
carMaxWaitingtimeAtJunction — максимальное время ожидания транспортного средства на перекрестке.
pedMaxNumAtJunction — максимальное количество пешеходов на перекрестке.
pedLightGreenMinTime — минимальное время действия зеленого сигнала пешехода.
pedMaxWaitingtimeAtJunction — максимальное время ожидания пешехода на перекрестке.
pedLightFlashLongerTime — Ограничение по времени для продления мигающего зеленого сигнала пешехода, когда пешеходы все еще переходят улицу.
Сигнал светофора по умолчанию для транспортных средств и пешеходов был зеленым и красным соответственно.Когда значение входных параметров было выше пороговых значений, срабатывают сигналы светофора для изменения. За три секунды светофор транспортного средства изменил цвет с зеленого на желтый и с желтого на красный, чтобы пешеходы могли переходить дорогу, переключив красный пешеходный свет на зеленый.
Время прохождения пешеходов также основывалось на параметрах. Прежде чем пешеходный светофор станет мигать зеленым, система будет продолжать проверять, меньше ли очередь транспортных средств порогового значения или количество ожидающих пешеходов больше порогового значения, тогда время зеленого пешеходного светофора будет увеличено.В противном случае светофор для пешеходов станет мигать зеленым.
Пока зеленый пешеходный светофор расширяется, система будет продолжать проверять, не превышает ли очередь транспортных средств пороговое значение, затем пешеходный светофор сразу же переходит в мигающий зеленый цвет, позволяя транспортным средствам двигаться быстрее.
Эволюционный алгоритм используется для поиска наилучшего набора пороговых значений параметров для системы с целью повышения производительности ITLS.
Перед использованием эволюционного алгоритма была построена регрессионная модель для прогнозирования результатов симулятора на основе набора параметров.Несколько прогонов моделирования показали среднее время ожидания пешеходов и транспортных средств. Данные моделирования использовались для обучения регрессионной модели для прогнозирования результатов моделирования, когда ITLS был реализован с различными наборами пороговых значений параметров.
После того, как регрессионная модель была построена, эволюционный алгоритм был использован для поиска оптимального набора пороговых значений параметров для достижения наилучшей пригодности с минимальным средним временем ожидания пешеходов и транспортных средств.
Наилучший параметр, установленный эволюционным алгоритмом, будет определяться следующими шагами:
Произвольно сгенерируйте набор пороговых значений параметров (как указано в разделе 3.8) для транспортных средств и пешеходов в качестве исходных значений.
Оцените приспособленность по среднему времени ожидания транспортных средств и пешеходов, используя коэффициент параметра. Каждый коэффициент является весовым коэффициентом для параметра, а значение устанавливается в диапазоне в соответствии с фактическими условиями на стыке.
Суммируйте все частичные значения периода ожидания различных пешеходов и транспортных средств, чтобы получить время ожидания для транспортных средств и пешеходов.
Сравните новое значение с текущим лучшим значением времени ожидания (пригодности), затем выберите набор параметров с целью минимизировать приспособленность.
Повторите шаги 2–4 для различных условий на перекрестке, чтобы выполнить подходящую тренировку.
4. РЕЗУЛЬТАТ ВЫПОЛНЕНИЯ
Цель ITLS заключалась в том, чтобы найти решение для уменьшения пробок на дорогах в Гонконге. Результат внедрения ITLS представлен в этом разделе.Он используется для оценки эффективности ITLS в повышении эффективности использования дорог.
Для оценки модели было записано несколько видеороликов о дорожной обстановке, включая периоды непиковой и пиковой нагрузки. Каждое видео записывало состояние дорожного движения на перекрестке между Prince Edward Road West и Embankment Road в Гонконге в течение одного часа для проведения моделирования.
Результаты представляли собой сравнение моделирования, в котором используется ITLS для управления движением, и система FCTL.Если ITLS сократила время ожидания автомобилей и пешеходов на перекрестках, эффективность использования дорожного пространства повысилась. Моделирование с использованием ITLS для управления регулярными часами движения проводилось много раз. Результаты изложены в разделах 4.1 и 4.2.
4.1. Результаты непиковых часов движения
В Гонконге непиковые часы трафика считаются периодами с 10:00 до 17:00 и с 20:00 до 07:00 (следующего дня) в рабочие дни.
В таблице 1 показаны результаты моделирования 4 тестовых примеров с разными временными интервалами.Благодаря применению ITLS в часы непиковой нагрузки среднее время ожидания всех участников дорожного движения во всех случаях сократилось с 50 до менее 30 секунд. В нем отражено, что эффективность пропускной способности дороги может быть увеличена с 44% до более 60% за счет использования ITLS. Тестовые случаи 2 и 3 привели к более низкому приросту эффективности, потому что случай 2 приходится на обеденный перерыв, когда на дороге, вероятно, больше пешеходов и транспортных средств. Причем время приближается к пригородному времени и времени окончания работы грузовиков для доставки грузов.
| Общее среднее время ожидания (в секундах) | ||||
|---|---|---|---|---|
| Корпус | Временной интервал | FCTL | ITLS | Эффективность, полученная ITLS (%) |
| 1 | 10: 30–11: 30 | 48 | 21 | 56,25 |
| 2 | 13: 00–14: 00 | 47 | 25 | 48.89 |
| 3 | 16: 00–17: 00 | 45 | 25 | 44,44 |
| 4 | 20: 30–21: 30 | 53 | 20 | 62,26 |
Результаты моделирования в часы непиковой нагрузки.
4.2. Результаты часов максимальной загрузки
Пиковые часы — это периоды с 07:00 до 10:00 и с 17:00 до 20:00 в рабочие дни.
В таблице 2 приведены результаты моделирования 4 периодов пиковой нагрузки в рабочие дни.Поскольку в часы пик на перекрестке дорог находится много автомобилей и пешеходов. ITLS значительно сократила общее время ожидания участников дорожного движения. Общая эффективность (с точки зрения сокращения общего времени ожидания) была увеличена с 54% до 57% для всех четырех случаев. Это отразило, что пропускная способность на перекрестке значительно увеличилась.
| Общее среднее время ожидания (в секундах) | ||||
|---|---|---|---|---|
| Корпус | Временной интервал | FCTL | ITLS | Эффективность, полученная ITLS (%) |
| 1 | 07: 30–08: 30 | 52 | 23 | 55.77 |
| 2 | 09: 00–10: 00 | 49 | 21 | 57,14 |
| 3 | 17: 30–18: 30 | 48 | 22 | 54,17 |
| 4 | 19: 00–20: 00 | 50 | 22 | 56,00 |
в часы пиковой нагрузки.
По результатам, полученным с помощью эволюционного алгоритма, показанного на рисунке 6, наблюдается тенденция к снижению среднего времени ожидания транспортных средств и пешеходов на перекрестке после каждого поколения эволюционного алгоритма.Общее время ожидания сократилось с 44% до более 60% с оптимальным набором пороговых значений параметров, который удовлетворяет требованиям как для пиковых, так и для непиковых часов.
Рисунок 6Прогресс эволюционных алгоритмов.
4.3. Оптимальный набор пороговых значений параметров
С использованием эволюционного алгоритма найден оптимальный набор пороговых значений параметров. Оптимальный набор работал как в часы пик, так и в часы непиковой нагрузки. Результаты показали, что даже водители или пешеходы ожидали в часы пик, время ожидания было близко к времени в часы непикового движения.В результате система повысила эффективность при переходе дороги или светофора.
При использовании оптимального набора параметров среднее время ожидания водителей составляло около 10 секунд, а среднее время ожидания пешеходов составляло около 13 секунд в часы непиковой нагрузки.
Среднее время ожидания водителей составляло около 10,81 секунды, а среднее время ожидания пешеходов составляло около 14 секунд в часы пиковой нагрузки.
По результатам моделирования был определен оптимальный набор пороговых значений параметров, как указано в таблице 3.
| Параметр | Значение |
|---|---|
| Максимальное количество автомобилей на развязке | 12 |
| Минимальное время, в течение которого должен длиться зеленый сигнал автомобиля | 21 |
| Максимальное время ожидания автомобиля на развязке | 12 |
| Максимальное количество пешеходов на развязке | 11 |
| Минимальное время действия зеленого сигнала для пешеходов | 40 |
| Максимальное время ожидания пешехода на развязке | 40 |
| Срок для продления пешеходного мигающего зеленого сигнала | |
| когда пешеходы переходят улицу | 5 |
Оптимальный набор пороговых значений параметров.
5. ОЦЕНКА
5.1. Оценка модели обнаружения объектов
Набор данных был разделен на обучающий набор и тестовый набор для оценки. Пересечение над союзом (IoU) было применено для определения точности. Мы ссылались на фактическую ограничивающую рамку и предсказанную ограничивающую рамку и вычисляли перекрывающуюся площадь двух ограничивающих рамок. В таблице 4 показаны соответствующие результаты.
| AP | Точность (%) |
|---|---|
| 0.5 IoU для автомобиля | 56,78 |
| 0,5 IoU для пешехода | 15,48 |
Средняя точность (AP) транспортного средства и пешехода.
Средняя точность (AP) транспортного средства составила 56%, а для пешехода — 15%. Причина того, что AP пешеходов приводит к низкой точности, заключается в том, что ограничивающая рамка как наземной достоверности, так и предсказания является малой; поэтому они сталкиваются с проблемой высокого уровня перекрытия. Также, что касается подсчета объектов, а не IoU в реализации.Результат соответствует ожиданиям ITLS с дальнейшими улучшениями.
5.2. Оценка эволюционного алгоритма
Результат эволюционного алгоритма сокращает среднее время ожидания транспортных средств и пешеходов.
На рисунке 6 показаны результаты каждого поколения эволюционного алгоритма. Среднее время ожидания пешеходов и транспортных средств сокращалось с каждым поколением. Среднее время ожидания при совместном использовании пешехода и транспортного средства составило около 65 лет.92 секунды в первом поколении. Он стал ниже, примерно с 22,84 секунды в десятом поколении. Общее среднее время ожидания было сокращено на 65% за счет использования эволюционного алгоритма поиска оптимального набора пороговых значений параметров.
Эволюционный алгоритм инициализировал родительский набор параметров, а затем рассчитал соответствие среднего времени ожидания пешеходов и транспортных средств. После этого процесс определил набор параметров и рассчитал соответствие пороговых значений параметров.При сравнении текущей пригодности с наилучшим значением пригодности результат оптимизировал выбор набора параметров в каждом поколении. ITLS применила оптимальный набор пороговых значений параметров для моделирования условий движения в часы пик и непиковые часы при управлении потоком трафика.
6. ЗАКЛЮЧЕНИЕ
В этой статье была представлена ITLS на основе машинного обучения с обнаружением объектов и эволюционного алгоритма. Модель обнаружения объектов была построена для анализа видеозаписи дорожного движения.Он вывел количество автомобилей и пешеходов на видеозаписи. Моделирование было построено для сравнения между ITLS и текущей системой FCTL. В него включены функции для повышения реалистичности симуляции. Кроме того, был разработан эволюционный алгоритм для оптимизации пороговых значений параметров и управления лучшим методом переключения сигналов светофора для ITLS. Среднее время ожидания пешеходов и транспортных средств использовалось при нахождении оптимального набора пороговых значений с помощью эволюционного алгоритма.С использованием ITLS было показано, что эффективность использования дороги была улучшена, и, следовательно, проблема заторов может быть уменьшена.
КОНФЛИКТ ИНТЕРЕСОВ
Авторы не сообщали о потенциальном конфликте интересов.
ВЗНОСОВ АВТОРОВ
КомпанияNg разработала и выполнила эксперименты, построила модели и проанализировала данные. Квок подвел итоги и написал рукопись после консультации с Нг.
Отчет о финансированииЭтот проект не содержит финансовой поддержки.
БЛАГОДАРНОСТИ
Авторы хотели бы выразить нашу огромную признательность г-ну Юи-Чунг Фунгу, г-ну Чун-Юнг Со и г-ну Юен-Хо Ламу за сбор данных и проведение экспериментов в рамках этой исследовательской работы.
СПРАВОЧНАЯ ИНФОРМАЦИЯ
1.F. Геррини, «Пробки на дорогах обходятся американцам в 124 миллиарда долларов в год», — говорится в отчете Forbes, 2014. 3.D. Шарпен и Д. Кайо, Загрязнение воздуха и нос при хронических респираторных заболеваниях, К. Бахер, А. Бурден и П. Шанез (редакторы), Нос и носовые пазухи при респираторных заболеваниях (Монография ERS), Европейское респираторное общество, Шеффилд, Великобритания, 2017, стр.162-176. 7.А. Стеванович, К. Кергай и П.Т. Мартин, SCOOT и SCATS: более пристальный взгляд на их операции, на 88-м ежегодном собрании TRB, Транспортный исследовательский совет (Вашингтон, округ Колумбия, США), 2009. 14.P. Эмами, А. Рангараджан, С. Ранка и Л. Элефтериаду, Машинное обучение для интеллектуальных транспортных систем, на семинаре студентов Института информатики UF по анализу данных (Флорида, США), 2018. 19.M. Бериш, Л. Бикер, Дж. Эрдманн и Д. Крайзевич, SUMO-Моделирование городской мобильности: обзор, Think-Mind, in Proceedings of SIMUL 2011, Третья международная конференция по достижениям в системном моделировании (Барселона, Испания), 2011 г.20.М. Абади, П. Бархам, Дж. Чен, З. Чен, А. Дэвис, Дж. Дин и М. Кудлур, Tensorflow: система для крупномасштабного машинного обучения, в OSDI (Саванна, Джорджия, США), Vol. 16, 2016, с. 265-283.Подход глобальной оптимизации для решения проблемы синхронизации сигналов трафика
% PDF-1.4 % 1 0 объект > эндобдж 6 0 obj > эндобдж 2 0 obj > ручей application / pdfdoi: 10.1016 / j.sbspro.2012.09.841
Машинное обучение может сократить задержки из-за светофора — GCN
Машинное обучение может сократить задержки на светофоре
- Стефани Джонс
- 22 января 2021 г.
Светофоры на перекрестках управляются простыми компьютерами, которые назначают дорогу в неконфликтном направлении.Однако исследования, посвященные времени в пути в городских районах, показали, что задержки, вызванные перекрестками, составляют 12-55% ежедневных поездок, которые можно было бы сократить, если бы работа этих контроллеров была более эффективной.
Сегодня многие светофоры оснащены контроллерами сигналов, которые служат «мозгом» перекрестка. Они запрограммированы с различными настройками, чтобы сообщать дисплею трафика, когда менять цвет в зависимости от времени суток и движения транспорта. Это дает сигналам возможность справляться с колебаниями трафика в течение дня, чтобы минимизировать заторы на дорогах.
Недавние исследования показали, что алгоритмы обучения, основанные на концепции в психологии, называемой обучением с подкреплением, в которой вознаграждаются благоприятные результаты, могут использоваться для оптимизации сигнала контроллера. Эта стратегия позволяет контроллерам принимать ряд решений и узнавать, какие действия улучшают его работу в реальном мире. В этом случае результатом будет сокращение накопления задержек трафика.
Но Гуни Шарон, профессор кафедры информатики и инженерии Техасского университета A&M, отмечает, что эти оптимизированные контроллеры не будут практичными в реальном мире, потому что основная операция, которая контролирует процесс обработки данных, использует глубокие нейронные сети (DNN), который представляет собой тип алгоритма машинного обучения.Они обычно используются для обучения и обобщения политики срабатывания контроллера, которая представляет собой функцию принятия решений (или управления), которая определяет, какие действия он должен предпринять дальше, в зависимости от текущей ситуации. Он состоит из нескольких датчиков, которые предоставляют информацию о текущее состояние перекрестка.
Несмотря на свою мощь, DNN очень непредсказуемы и непоследовательны в принятии решений. Пытаться понять, почему они предпринимают одни действия в отличие от других, является обременительным процессом для инженеров по дорожному движению, что, в свою очередь, затрудняет их регулирование.
Чтобы преодолеть это, Шэрон и его команда определили и утвердили подход, который может успешно обучать DNN в реальном времени, передавая то, что они узнали из наблюдения за реальным миром, другой функции управления, которую могут понять и отрегулировать инженеры.
Используя моделирование реального перекрестка, команда обнаружила, что их подход был особенно эффективным при оптимизации интерпретируемого контроллера, что привело к сокращению задержки транспортного средства до 19,4% по сравнению с обычно используемыми контроллерами сигналов.
Несмотря на эффективность своего подхода, исследователи отметили, что, когда они начали обучать диспетчера, ему потребовалось около двух дней, чтобы понять, какие действия действительно помогли снизить заторы на дорогах со всех сторон.
«В нашей будущей работе будут изучены методы быстрого запуска процесса обучения контроллера путем наблюдения за работой развернутого в настоящее время контроллера, гарантируя при этом базовый уровень производительности и извлекая уроки из этого», — говорит Шэрон.
Результаты представлены в материалах Международной конференции по автономным агентам и многоагентным системам 2020 года. Дополнительные исследователи внесли свой вклад из Эдинбургского и Техасского университетов A&M.
Эта статья размещена на сайте Futurity.
Об авторе
Стефани Джонс — специалист по коммуникациям в Техасском университете A&M.
