مهندسی ترافیک

مهندسی ترافیک

زمان‌بندی چراغ‌های ترافیکی با استفاده از ترکیب شبکه‌های عصبی بازگشتی، یادگیری تقویتی و روش‌های بهینه‌سازی

نوع مقاله : مقاله پژوهشی

نویسندگان
اسحاق جهانبخشی 1
فاطمه شهبازی 2
1 گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
2 گروه مهندسی کامپیوتر، واحد کرمانشاه، دانشگاه علمی و کاربردی جهاد دانشگاهی، کرمانشاه، ایران
چکیده
ازدحام ترافیک یک مسئله جدی است که زندگی مردم را در سراسر جهان تحت تأثیر قرار داده است. حل این مسئله نیاز به راه‌حل‌هایی دارد که بتواند با محیط‌های ترافیکی در حال تغییر سازگار شود و تراکم ترافیک را نه‌تنها در تقاطع‌های محلی، بلکه در سراسر شبکه جاده‌ای کاهش دهد. برنامه‌های زمان‌بندی سیگنال ناکارآمد یکی از دلایل اصلی کاهش کار آیی سیگنال‌های ترافیکی در جریان‌های شهری است. استراتژی‌های موجود برای کنترل ترافیک نمی‌توانند با پویایی دنیای واقعی سازگار شوند. طراحی کنترل‌کننده‌های تطبیقی بر مبنای روش‌های هوش مصنوعی که قادر به رسیدگی به شرایط ترافیکی غیرقابل‌پیش‌بینی هستند، از محبوبیت بالایی برخوردار شده‌است. در این تحقیق، با بهره‌گیری از قدرت شبکه‌های عصبی بازگشتی و یادگیری تقویتی در مقابله با پویایی ترافیک و انتخاب زمان‌بندی بهینه فاز سبز با استفاده از ترکیب روش‌های‌ بهینه‌سازی، یک مدل زمان‌بندی سیگنال‌های ترافیکی کارآمد با رویکرد کاهش تأخیر و افزایش گذردهی تقاطع‌ها‌ ارائه شده است. برای این هدف، با استفاده از شبکه عصبی خود رمزنگار (AE)، الگوی ترافیکی جامعه بر اساس تقاضاهای تردد در سطوح روزانه، هفتگی و ماهانه و با لحاظ کردن مناسبت‌ها و وقوع رخدادهای خاص اجتماعی پیش‌بینی می‌شود. در ادامه با بهره‌گیری از شبکه عصبی U-net به تخمین ترافیک ورودی به یک تقاطع بر اساس ترافیک خروجی از تقاطع‌های همجوار پرداخته می‌شود. پس از فرموله سازی مسئله زمان‌بندی سیگنال ترافیکی به‌عنوان یک مسئله بهینه‌سازی، زمان‌بندی بهینه فازهای سبز چراغ‌های راهنمایی و رانندگی با استفاده از ترکیب تکنیک‌های فرا ابتکاری ژنتیک (GA) و عقاب طلایی (GEO) محاسبه می‌شود. همچنین با استفاده از روش یادگیری تقویتی، وزن اهمیت شاخص‌های تابع هدف روش بهینه‌سازی به‌روزرسانی می‌گردد. درنهایت اثر وقوع رخدادهای انسدادی (تصادف، تعمیرات و...) در زمان‌بندی نهایی اعمال می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی حتی با وجود افزایش نرخ جریان ورودی به عملکرد مطلوب‌تری نسبت به روش‌های مرسوم دست یافته است و با کاهش زمان بیکاری در تقاطع‌ها، بهره‌وری فاز سبز تقاطع‌ها را افزایش داده است.
کلیدواژه‌ها
زمان‌بندی سیگنال‌های کنترلی
گذردهی
زمان انتظار
شبکه عصبی خود رمزنگار
بهینه‌سازی
  • Eom, BI. Kim, 2020, The traffic signal control problem for intersections: a review. European transport research review, 12, pages 1-20.

 

  • S. S. M. Qadri, M. A. Gökçe, E. Öner, 2020, State-of-art review of traffic signal control methods: challenges and opportunities. European transport research review, 12, pages 1-23.

 

  • Dobrota, N. Mitrovic, S. Gavric, & A. Stevanovic, 2022. Comprehensive data analysis approach for appropriate scheduling of signal timing plans. Future transportation, 2(2), pages 482-500.

 

  • Alshayeb, A. Stevanovic, N. Mitrovic, E. Espino, 2022. Traffic Signal Optimization to Improve Sustainability: A Literature Review. Energies, 15(22), 8452.

 

  • M. Madrigal Arteaga, J. R. Pérez Cruz, A. Hurtado-Beltrán, & J. Trumpold, 2022. Efficient Intersection Management Based on an Adaptive Fuzzy-Logic Traffic Signal. Applied Sciences, 12(12), 6024.

 

  • Aslani, M.S. Mesgari, M. Wiering, 2017. Adaptive traffic signal control with actor-critic methods in a real-world traffic network with different traffic disruption events. Transportation Research Part C: Emerging Technologies 85, pages 732-752.

 

  • Jiang, Y. Li, Y. Liu, C. Chen, 2017. Traffic signal light control model based on evolutionary programming algorithm optimization BP neural network. In Proceedings of the 2017 7th IEEE International Conference on Electronics Information and Emergency Communication (ICEIEC), Macau, China, 21–23 July 2017; pages 564–567.

 

  • Ge, Y. Song, C. Wu, J. Ren, G. Tan, 2019. Cooperative Deep Q-Learning with Q-Value Transfer for Multi-Intersection Signal Control. IEEE Access 2019, 7, pages 40797–40809.

 

  • C. Chiou, Y.F. Huang, 2013. Stepwise genetic fuzzy logic signal control under mixed traffic conditions. Journal of advanced transportation, 47(1), pages 43-60.

 

  • Du, et.al, 2023. Safelight: A reinforcement learning method toward collision-free traffic signal control. In Proceedings of the AAAI conference on artificial intelligence. 37(12), pages 14801-14810.

 

  • Shanmugasundaram, S. Bhatnagar, 2022. Robust Traffic Signal Timing Control using Multiagent Twin Delayed Deep Deterministic Policy Gradients. In ICAART (2), pages 477-485.

 

  • Ren, et.al, 2022. HD-RMPC: A Hierarchical Distributed and Robust Model Predictive Control Framework for Urban Traffic Signal Timing. Journal of Advanced Transportation.

 

  • Jiang, J. Zhang, B. Wang, 2022. Energy-efficient driving for adaptive traffic signal control environment via explainable reinforcement learning. Applied Sciences, 12(11), 5380.

 

  • Das, N. V. Altekar, & K. L. Head, 2023. Priority-based traffic signal coordination system with multi-modal priority and vehicle actuation in a connected vehicle environment. Transportation research record, 03611981221134627.

 

  • Alshayeb, A. Stevanovic, J. Stevanovic, N. Dobrota, 2023. Optimizing of Traffic-Signal Timing Based on the FCIC-PI—A Surrogate Measure for Fuel Consumption. Future Transportation, 3(2), pages 663-683.

 

  • Liu, J. Zhao, S. Hoogendoorn, M. Wang, 2022. A single-layer approach for joint optimization of traffic signals and cooperative vehicle trajectories at isolated intersections. Transportation research part C: emerging technologies, 134, 103459.

 

  • Maadi, S. Stein, J. Hong, R. Murray-Smith, 2022. Real-time adaptive traffic signal control in a connected and automated vehicle environment: optimisation of signal planning with reinforcement learning under vehicle speed guidance. Sensors, 22(19), 7501.

 

  • Cheng, Z. Qiao, J. Li, J. Huang, 2023. Traffic signal timing optimization model based on video surveillance data and snake optimization algorithm. Sensors, 23(11), 5157.

 

  • Shirke, N. Sabar, E. Chung, A. Bhaskar, 2022. Metaheuristic approach for designing robust traffic signal timings to effectively serve varying traffic demand. Journal of Intelligent Transportation Systems, 26(3), pages 343-355.

 

  • Zhang, et.al, 2022. Intersection signal timing optimization: A multi-objective evolutionary algorithm. Sustainability, 14(3), 1506.

 

  • K. An, et.al, 2022. Optimized Intersection Signal Timing: An Intelligent Approach-Based Study for Sustainable Models. Sustainability, 14(18), 11422.

 

  • Ronneberger, P. Fischer, T. Brox, 2015. U-Net: Convolutional Networks for Biomedical Image Segmentation. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18, pages 234-241.

 

  • Shelhamer, J. Long, T. Darrell, 2014. Fully Convolutional Networks for Semantic Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 39 (4), pages 640–651.

 

  • Mohammadi-Balani, M. D. Nayeri, A. Azar, M. Taghizadeh-Yazdi, 2021. Golden eagle optimizer: A nature-inspired metaheuristic algorithm. Computers & Industrial Engineering, 152, 107050.