Аналіз системи управління дорожнім рухом з перспективою розвитку нейронних мереж

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2019.160049

Ключові слова:

інтелектуальні транспортні системи, нейронні мережі, управління дорожнім рухом

Анотація

Метою роботи є дослідження питань, пов'язаних із системами керування дорожнім рухом, та представлення системи управління, яка використовує інтелектуальні транспортні системи та нейронні мережі. Використання інтелектуальних транспортних систем (ITС) – це засіб покращення транспортних систем, що робить його незалежним від розвитку відповідної інфраструктури. Атрибути нейронних мереж втілено з метою вирішення проблем оптимізації, які передбачають розробку оптимальних стратегій управління трафіком. Представлена система управління дорожньо-транспортним рухом, яка використовує ІТС та нейронні мережі, може бути застосована для прогнозування різноманітних ситуацій у сфері управління дорожнім рухом.

Представлені результати досліджень, метою яких була перевірка ефективності нейронних мереж в аспекті прогнозування обсягу перевезень на окремих національних дорогах, реалізованих на основі наукового пошуку та дискурсу логістичних аспектів управління дорожнім рухом, з особливим акцентом на інтелектуальні транспортні системи. Вищезгадані питання є надзвичайно важливими через необхідність виявлення очікуваного навантаження на маршрути. Важливими елементами інтенсивності руху є коливання трафіку, пов'язані з такими факторами, як час, рух, архітектура доріг і використання потужностей. Дослідження послужило перевірці ефективності чотирьох незалежних нейронних мереж, прогнозуючих обсяг трафіку, протягом тижня для визначених моментів часу. Емпіричні дані, використані в представлених дослідженнях, були отримані з датчиків руху, встановлених на вибраних національних дорогах, в певні проміжки часу. Це дозволило визначити перспективи розвитку нейронних мереж на основі досліджуваної моделі, що представляє собою набір елементів штучного інтелекту що керують обсягами транспортних засобів та вловлюють повторювані закономірності. Представлено результати використання авторської моделі впровадження алгоритму на основі нейронних мереж у транспортних мережах для виконання кількісного та якісного аналізу її діяльності, а також накопичення відповідних даних. Проаналізовано різні способи отримання даних для ефективного моделювання. Внаслідок виявлення різноманітних неточностей, системних недосконалостей або надмірних витрат були запропоновані альтернативні рішення, що можуть усунути такого типу проблеми. Авторами також були запропоновані підходи, що дозволяють обмежити появу таких проблем. Наведені результати досліджень обґрунтовують доцільність використання нейронних мереж для регулювання транспортних потоків. Представлені результати були отримані у ході фактичних спостережень й порівнювалися з результатами інших діючих систем. Авторами проаналізовано адекватність представленої моделі та можливості її вдосконалення

Біографії авторів

Anna Brzozowska, Czestochowa University of Technology J.H. Dabrowskiego str., 69, Czestochowa, Poland, 42-201

Doctor of Sciences in Economics, Professor

Department of Business Informatics

Dagmara Bubel, Czestochowa University of Technology Al. Armii Krajowej str., 36, Czestochowa, Poland, 42-200

Doctor of Sciences in Economics

Main Library

Antonina Kalinichenko, Institute of Technical Science University of Opole Dmowskiego str., 7-9, Opole, Poland, 45-759

Doctor of Sciences in Agriculture, Professor 

Посилання

  1. Faye, S., Chaudet, C. (2016). Characterizing the Topology of an Urban Wireless Sensor Network for Road Traffic Management. IEEE Transactions on Vehicular Technology, 65 (7), 5720–5725. doi: https://doi.org/10.1109/tvt.2015.2465811
  2. Konatowski, S., Gołgowski, M. (2017). Koncepcja systemu monitorowania ruchu pojazdów drogowych. Przegląd Elektrotechniczny, 1 (10), 66–70. doi: https://doi.org/10.15199/48.2017.10.15
  3. Skowron-Grabowska, B. (2014). Business models in transport services. Przegląd Organizacji, 1, 35–39.
  4. Zlocki, A., Rösener, C., Klaudt, S., Eckstein, L. (2018). Ganzheitliche Werkzeugkette für die Entwicklung und Bewertung des automatisierten Fahrens. ATZextra, 23 (S5), 16–21. doi: https://doi.org/10.1007/s35778-018-0046-3
  5. Strubbe, T., Thenée, N., Wieschebrink, C. (2017). IT-Sicherheit in Kooperativen Intelligenten Verkehrssystemen. Datenschutz Und Datensicherheit – DuD, 41 (4), 223–226. doi: https://doi.org/10.1007/s11623-017-0762-7
  6. Naumann, M., Orzechowski, P. F., Burger, C., Şahin Taş, Ö., Stiller, C. (2017). Herausforderungen für die Verhaltensplanung kooperativer automatischer Fahrzeuge. AAET Automatisiertes und vernetztes Fahren. Braunschweig, 287–307.
  7. Torbacki, W. (2017). Evaluation of exploitation factors in fleet vehicles management using fuzzy logic. Autobusy: technika, eksploatacja, systemy transportowe, 18 (6), 1104–1107.
  8. Rajak, S., Parthiban, P., Dhanalakshmi, R. (2016). Sustainable transportation systems performance evaluation using fuzzy logic. Ecological Indicators, 71, 503–513. doi: https://doi.org/10.1016/j.ecolind.2016.07.031
  9. Gauda, K. (2016). The role of genetic algorithms in the process of optimization determining driving routes. Autobusy: technika, eksploatacja, systemy transportowe, 17 (11), 54–57.
  10. Karakatič, S., Podgorelec, V. (2015). A survey of genetic algorithms for solving multi depot vehicle routing problem. Applied Soft Computing, 27, 519–532. doi: https://doi.org/10.1016/j.asoc.2014.11.005
  11. Stiller, C., Burgard, W., Deml, B., Eckstein, L., Flemisch, F. (2018). Kooperativ interagierende Automobile. At – Automatisierungstechnik, 66 (2), 81–99. doi: https://doi.org/10.1515/auto-2017-0129
  12. Dougherty, M. (1995). A review of neural networks applied to transport. Transportation Research Part C: Emerging Technologies, 3 (4), 247–260. doi: https://doi.org/10.1016/0968-090x(95)00009-8
  13. Karlaftis, M. G., Vlahogianni, E. I. (2011). Statistical methods versus neural networks in transportation research: Differences, similarities and some insights. Transportation Research Part C: Emerging Technologies, 19 (3), 387–399. doi: https://doi.org/10.1016/j.trc.2010.10.004
  14. Brzozowska, A. (2010). Organization of Transport. Theoretical Approach. Economical and Organizational Aspects of Transportation Processes. Częstochowa: Wydawnictwo Wydziału Zarządzania Politechniki Częstochowskiej, 7–22.
  15. Drechny, M., Kolasa, M. (2016). Sztuczna sieć neuronowa wspomagająca sterowanie oświetleniem ulicznym. Rynek Energii, 2 (123), 90–95.
  16. Kumar, K., Parida, M., Katiyar, V. K. (2013). Short Term Traffic Flow Prediction for a Non Urban Highway Using Artificial Neural Network. Procedia – Social and Behavioral Sciences, 104, 755–764. doi: https://doi.org/10.1016/j.sbspro.2013.11.170
  17. Pamuła, T. (2012). Classification and Prediction of Traffic Flow Based on Real Data Using Neural Networks. Archives of Transport, 24 (4). doi: https://doi.org/10.2478/v10174-012-0032-2
  18. Chan, K. Y., Dillon, T. S., Singh, J., Chang, E. (2012). Neural-Network-Based Models for Short-Term Traffic Flow Forecasting Using a Hybrid Exponential Smoothing and Levenberg–Marquardt Algorithm. IEEE Transactions on Intelligent Transportation Systems, 13 (2), 644–654. doi: https://doi.org/10.1109/tits.2011.2174051
  19. Lorenzo, M., Matteo, M. (2013). OD Matrices Network Estimation from Link Counts by Neural Networks. Journal of Transportation Systems Engineering and Information Technology, 13 (4), 84–92. doi: https://doi.org/10.1016/s1570-6672(13)60117-8
  20. Park, J., Murphey, Y. L., McGee, R., Kristinsson, J. G., Kuang, M. L., Phillips, A. M. (2014). Intelligent Trip Modeling for the Prediction of an Origin–Destination Traveling Speed Profile. IEEE Transactions on Intelligent Transportation Systems, 15 (3), 1039–1053. doi: https://doi.org/10.1109/tits.2013.2294934
  21. Naranjo, J. E., Jiménez, F., Serradilla, F. J., Zato, J. G. (2012). Floating Car Data Augmentation Based on Infrastructure Sensors and Neural Networks. IEEE Transactions on Intelligent Transportation Systems, 13 (1), 107–114. doi: https://doi.org/10.1109/tits.2011.2180377
  22. Deka, L., Quddus, M. (2014). Network-level accident-mapping: Distance based pattern matching using artificial neural network. Accident Analysis & Prevention, 65, 105–113. doi: https://doi.org/10.1016/j.aap.2013.12.001
  23. Durduran, S. S. (2010). A decision making system to automatic recognize of traffic accidents on the basis of a GIS platform. Expert Systems with Applications, 37 (12), 7729–7736. doi: https://doi.org/10.1016/j.eswa.2010.04.068
  24. Stuhr, R. (2018). Grundlagen zur Bilanzierung der Straßeninfrastruktur. Ansätze Zur Bilanzierung Des Staatlichen Straßeninfrastrukturvermögens, 25–78. doi: https://doi.org/10.1007/978-3-658-23609-0_2
  25. Ten Hompel, M., Henke, M. (2017). Logistik 4.0 – Ein Ausblick auf die Planung und das Management der zukünftigen Logistik vor dem Hintergrund der vierten industriellen Revolution. Handbuch Industrie 4.0 Bd.4, 249–259. doi: https://doi.org/10.1007/978-3-662-53254-6_13
  26. Haas, A. (2018). Intelligence Systeme in Transition zwischen Theorie und Praxis – ein Bezugsrahmen des Metamodells. Intelligence Systeme Im Logistik- Und Supply Chain Management, 93–198. doi: https://doi.org/10.1007/978-3-658-21466-1_3
  27. Matthaei, R., Reschka, A., Rieken, J., Dierkes, F., Ulbrich, S., Winkle, T., Maurer, M. (2015). Autonomes Fahren. Handbuch Fahrerassistenzsysteme, 1139–1165. doi: https://doi.org/10.1007/978-3-658-05734-3_61
  28. Winkle, T. (2015). Entwicklungs- und Freigabeprozess automatisierter Fahrzeuge: Berücksichtigung technischer, rechtlicher und ökonomischer Risiken. Autonomes Fahren, 611–635. doi: https://doi.org/10.1007/978-3-662-45854-9_28
  29. Kleen, P., Albrecht, J., Jasperneite, J., Richter, D. (2018). Funktionale Sicherheit von autonomen Transportsystemen in flexiblen I4.0 Fertigungsumgebungen. Echtzeit Und Sicherheit, 11–20. doi: https://doi.org/10.1007/978-3-662-58096-7_2
  30. Ulusay-Alpay, B. (2016). Informationstechnologie unter Erreichbarkeit –intelligentes Transportsystem: eine Studie für den Stadtverkehr in Istanbul. REAL CORP 2016–SMART ME UP! How to become and how to stay a Smart City, and does this improve quality of life? Proceedings of 21st International Conference on Urban Planning, Regional Development and Information Society. CORP–Competence Center of Urban and Regional Planning, 369–374.
  31. Winkle, T. (2015). Sicherheitspotenzial automatisierter Fahrzeuge: Erkenntnisse aus der Unfallforschung. Autonomes Fahren, 351–376. doi: https://doi.org/10.1007/978-3-662-45854-9_17
  32. Holland, H. (2018). Connected Cars. Dialogmarketing Und Kundenbindung Mit Connected Cars, 51–81. doi: https://doi.org/10.1007/978-3-658-22929-0_3
  33. Buttgereit, A. (2017). Prozessorientierte Qualitaetssicherung im kommunalen Strassenbau. Strasse und Autobahn, 68 (7), 507–514.
  34. Ebert, I. (2017). Automatisiertes Fahren aus Sicht der Versicherer. Autonome Systeme und neue Mobilität, 65–72. doi: https://doi.org/10.5771/9783845281667-65
  35. Witkowski, J. (2017). Globaland local logistics strategies in international supply chains. Nauki o zarządzaniu, 31, 4–11. doi: https://doi.org/10.15611/noz.2017.2.01
  36. Mesjasz-Lech, A. (2016). Cooperation in logistics networks – challenges and limitations. Zeszyty Naukowe Politechniki Śląskiej, 90, 81–96.
  37. Schäffer, S. (2017). Verkehrspolitik. Jahrbuch der Europäischen Integration 2017, 317–320. doi: https://doi.org/10.5771/9783845284897-316
  38. Krawczyk, S. (2009). Logistic controlling in transport networks. Prace Naukowe Politechniki Warszawskiej, 69, 89–100.
  39. Nogalski, B., Niewiadomski, P. (2017). Participation in the network as an innovation growth factor and the way towards a flexible organization. Management Forum, 5 (3), 20–30. doi: https://doi.org/10.15611/mf.2017.3.04
  40. Peddinti, V., Povey, D., Khudanpur, S. (2015). A time delay neural network architecture for efficient modeling of long temporal contexts. Sixteenth Annual Conference of the International Speech Communication Association. Dresden.
  41. Golowko, K., Zimmermann, V., Zimmer, D. (2017). Automatisiertes Fahren Einflüsse auf die Rückhaltesysteme. ATZ – Automobiltechnische Zeitschrift, 119 (7-8), 26–33. doi: https://doi.org/10.1007/s35148-017-0070-4
  42. Salman, Y., Ku-Mahamud, K., Kamioka, E. (2017). Distance measurement for self-driving cars using stereo camera. Proceedings of the 6th International Conference of Computing & Informatics. Sintok: School of Computing, 235–242.

##submission.downloads##

Опубліковано

2019-03-18

Як цитувати

Brzozowska, A., Bubel, D., & Kalinichenko, A. (2019). Аналіз системи управління дорожнім рухом з перспективою розвитку нейронних мереж. Eastern-European Journal of Enterprise Technologies, 2(3 (98), 16–24. https://doi.org/10.15587/1729-4061.2019.160049

Номер

Том 2 № 3 (98) (2019): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2019 Anna Brzozowska, Dagmara Bubel, Antonina Kalinichenko

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.