МЕТОДИ ТА ЗАСОБИ КЕРУВАННЯ ДОРОЖНІМ РУХОМ
DOI:
https://doi.org/10.28925/2663-4023.2024.25.89102Ключові слова:
Адаптивний контроль, затори, дорожній рух, кіберфізична системаАнотація
У статті розглядаються причини та наслідки заторів, описується типова поведінка транспортного потоку та аналізуються різні засоби та методи вирішення проблеми заторів та затримок. Збільшення кількості транспортних засобів спричинило серйозні затори, затримки, збільшення кількості дорожньо-транспортних пригод та екологічні проблеми, особливо у великих містах. Затори поділяються на періодичні та неперіодичні. Близько половини всіх заторів є періодичними і виникають через недостатню пропускну здатність доріг та перехресть. Неперіодичні затори виникають через тимчасові та непередбачувані причини такі як негода або дорожньо-транспортна пригоди. На основі аналізу методів, використаних у відповідних роботах, наведено класифікацію світлофорних контролерів. Світлофорні контролери поділяються на світлофорні контролери постійного регулювання та адаптивного регулювання. Світлофорні контролери адаптивного регулювання, в свою чергу, поділяються на локальні та мережеві контролери. У статті також розглядаються існуючі кіберфізичні системи керування трафіком та основні технології які в них використовуються. Стаття представляє детальний огляд існуючих кіберфізичних систем керування дорожнім рухом, таких як SEA TCS, InSync і MASSTR. Також наведено порівняльну характеристику цих систем. На основі представленої класифікації світлофорних контролерів запропоновано метод вирішення проблеми заторів і затримок, який полягає у використанні алгоритму оптимізації мурашиної колонії для більш рівномірного розподілу навантаження між перехрестями. Розроблено експериментальну розподілену систему керування дорожнім рухом на основі використання алгоритму оптимізації мурашиної колонії який підвищує доступність і стійкість системи шляхом застосування кількох локальних міні-серверів замість одного віддаленого кластера та має потенціал для зменшення затримок трафіку на 10% і більше.
Завантаження
Посилання
REFERENCES (TRANSLATED AND TRANSLITERATED)
Abdou, A. A., Farrag, H. M., & Tolba, A. S. (2022). A Fuzzy Logic-Based Smart Traffic Management Systems. Journal of Computer Science, 18(11), 1085–1099. https://doi.org/10.3844/jcssp.2022.1085.1099
Wang, F., Tang, K., Li, K., Liu, Z., & Zhu, L. (2019). A Group-Based Signal Timing Optimization Model Considering Safety for Signalized Intersections with Mixed Traffic Flows. Journal of Advanced Transportation, 2019. https://doi.org/10.1155/2019/2747569
Buzachis, A., Celesti, A., Galleta, A., Fazio, M., Fortino, G., & Villari, M. (2020). A multi-agent autonomous intersection management (MA-AIM) system for smart cities leveraging edge-of-things and Blockchain. Information Sciences, (522), 148–163. https://doi.org/10.1016/j.ins.2020.02.059
Atta, A., Abbas, S., Khan, M. A., Ahmed, G., & Farooq, U. (2020). An adaptive approach: smart traffic congestion control system. Journal of King Saud University — Computer and Information Sciences, 32 (9), 1012–1019. https://doi.org/10.1016/j. jksuci.2018.10.011
Bailke, P., & Divekar, S. (2022). Real-time moving vehicle counter system using OpenCV and Python. International Journal of Engineering Applied Sciences and Technology, 6(11), 190–194. https://doi.org/10.33564/ijeast.2022.v06i11.036
Fastiuk, Y., Bachynskyy, R., & Huzynets, N. (2021). Methods of Vehicle Recognition and Detecting Traffic Rules Violations on Motion Picture Based on OpenCV Framework. Advances in Cyber-Physical Systems, 4(2), 105–111. https://doi.org/10.23939/acps2021.02.105
Hai, D. T., Manh, D. V., & Nhat, N. M. (2022). Genetic algorithm application for optimizing traffic signal timing reflecting vehicle emission intensity. Transport Problems, 17(1), 5–16. https://doi.org/10.20858/tp.2022.17.1.01
Liu, B., & Ding, Z. (2022). A distributed deep reinforcement learning method for traffic light control. Neurocomputing, (490), 390–399. https://doi.org/10.1016/j.neucom.2021.11.106
Liu, K., & Feng, T. (2023). Heterogeneous traffic flow cellular automata model mixed with intelligent controlled vehicles. Physica A: Statistical Mechanics and its Applications, (632). https://doi.org/10.1016/j.physa.2023.129316
Alkhatib, A. A. A., Maria, A. K., & AlZu`bi, S. (2022). Smart Traffic Scheduling for Crowded Cities Road Networks. Egyptian Informatics Journal, 23(4), 163–176. https://doi.org/10.1016/j.eij.2022.10.002
Wang, Y., Jiang, Y., Wu, Y., & Yao, Z. (2024). Mitigating traffic oscillation through control of connected automated vehicles: A cellular automata simulation. Expert Systems with Applications, (235). https://doi.org/10.1016/j.eswa.2023.121275
Yao, Z., Li, L., Liao, W., & Wang, Y. (2024). Optimal lane management policy for connected automated vehicles in mixed traffic flow. Physica A: Statistical Mechanics and its Applications, (637). https://doi.org/10.1016/j.physa.2024.129520
Noaeen, M. M., Naik, A., Goodman, L., & Crebo, J. (2022). Reinforcement learning in urban network traffic signal control: A systematic literature review. Expert Systems with Applications, 1 (8), 16830. https://doi.org/10.1016/j.eswa.2022.116830
Zhao, X. M., Chen, Y. H., & Zhao, H. (2018). Robust approximate constraint following control for autonomous vehicle platoon systems. Asian J. Control, 20 (4), 1611–1623. https://doi.org/10.1002/asjc.1676
Wang, H., & Zhang, X. (2021). Real‐time vehicle detection and tracking using 3D LiDAR. Asian Journal of Control. https://doi.org/10.1002/asjc.2519
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Андрій Данилюк, Олександр Муляревич
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.