7 منبع برتر حل ترافیک و طرح ترافیکی
64 صفحه با فرمت ورد
به همراه اسلاید ارایه و منابع جامع
طرح ترافیک
کامل ترین منبع برای نوشتن مقاله ترافیک
برگزیده اختراعات و ابتکارات تهران
استفاده از روشهای داده کاوی برای تحلیل حوادث ترافیک
APPLYING DATA MINING TECHNIQUES FOR
TRAFFIC INCIDENT ANALYSIS
چکیده
ابزار شبیهسازی و تجسم مبتنی بر کامپیوتر در ارزیابی الگوریتم های جدید برای تشخیص حادثه و استراتژی مدیریت حادثه کمک کرده اند. کاربردهای چنین ابزارهایی کاربران را قادر به ارزیابی راه حل هایی سریع تر از زمان واقعی[1] می کنند. با این حال، به نظر می رسد که هنوز هم حوزه ای برای بررسی بهتر شرایطی همانند حوادث ترافیکی و مطالعه اثرات آن ها، به طور کامل با استفاده از روش های مانند داده کاوی وجود دارد. داشتن درک درستی از تاثیرات یک حادثه کمک می کند تا تحلیلگران استراتژی های مدیریت حادثه مناسب تری را طراحی کنند. اگرچه از داده کاوی به میزان چشمگیری در زمینه هایی مثل تجارت و علوم فضایی استفاده شده است کارهای کمی با استفاده از داده کاوی در ترافیک و تحقیقات مربوط به حمل و نقل انجام شده است. در این مقاله، چگونگی بررسی یک حادثه با استفاده از داده کاوی انجام شده و شرح داده می شود، و در نتیجه فرصت هایی که داده کاوی می تواند برای درک بهتر این وضعیت ارائه دهد نشان داده می شود. داده های مورد استفاده برای تحقیقات با استفاده از شبیه سازی در PARAMICS به دست آمده و ابزار به کار گرفته شده برای داده کاوی DataScope می باشد.
مقدمه
حوادث در مناطق شهری بر روی 50 تا 60٪ از کل تاخیر تراکم (FHWA، 2000) تاثیر دارد. با اینکه مدیریت یک حادثه به طور موثر یکی از چالش های اصلی است که مقامات مدیریت بر ترافیک به صورت روزانه با آن روبرو هستند، استفاده موثر از پیشرفت در فن آوری ارتباطات و محاسبات بطور موفقیت آمیزی منجر به مدیریت حوادث با اثرات کمتر می شود. فرصت هایی که در حال حاضر بر اساس نرم افزار شبیه سازی مبتنی بر کامپیوتر برای تجزیه و تحلیل شرایط حادثه ارائه می شود هرگز بهتر از قبل نبوده اند. بسیاری از محققان برای ارزیابی الگوریتم های تشخیص حادثه و استراتژی های مدیریت حادثه از شبیه سازی استفاده کرده اند (فیلیپو و همکاران، 2001؛ شیو و همکاران، 2000؛ ساوایا و همکاران، 2000). برخی از ابزار شبیه سازی میکروسکوپی مشهور شامل CORSIM، INTEGRATION، PARAMICS، VISSIM، AIMSUN و DRACULA می باشند. برنامه های کاربردی از این ابزار به تحلیلگران کمک می کند تا بطور سریع تر، حتی تند تر از راه حل های بیدرنگ کار کنند.
[1] Real time
کنترل چراغ راهنمایی در محیطهای غیرثابت براساس یادگیری-Q چند عاملی
Traffic Light Control in Non-stationary Environments based on Multi
Agent Q-learning
چکیده
در بسیاری از مناطق شهری که در آنجا تراکم ترافیک دارای الگوی اوج نیست، روشهای زمانبندی چراغهای معمولی باعث کنترل موثری نمیشود. یک روش جایگزین این است که یادگیری نحوه تنظیم چراغ بر اساس وضعیت ترافیک توسط کنترلرهای سیگنال ترافیکی میسر شود. با اینحال، این امر باعث ایجاد یک محیط غیرثابت کلاسیک میشود زیرا هر کنترلر تغییرات ناشی از دیگر کنترلرها را تطبیق میدهد. در یادگیری چند عاملی، این کار به احتمال زیاد ناکارآمد بوده و دارای پیچیدگیهای محاسباتی است، یعنی با افزایش تعداد عاملها (کنترلرها)، بازده کاهش مییابد. در این مقاله، یک شبکه ترافیکی نسبتا بزرگ را بصورت سیستم چند عاملی مدلسازی میکنیم و از تکنیکهای یادگیری تقویتی چند عاملی استفاده میکنیم. بطور خاص، یادگیری-Q به کار گرفته شده است، که در آن طول متوسط صف درلینکهای نزدیک شونده به منظور برآوردحالتها استفاده میشود. یک بیان پارامتری از فضای عمل، این روش را قابل توسعه به انواع مختلفی از تقاطعها کرده است. نتایج شبیهسازی نشان میدهد که یادگیری-Q پیشنهادی عملکرد بهتری نسبت به روش زمان ثابت تحت نیازهای ترافیکی متفاوت دارد.
- مقدمه
کنترل ترافیک در خصوص استفاده از روشهای محاسباتی در جهان واقعی مساله چالش برانگیزی است. توسعه مکانیزمهای کارآمد برای کنترل چراغ ترافیک لازم است، زیرا تعداد وسایل نقلیه در شبکه مناطق شهری به سرعت در حال افزایش است. هدف ازکنترل سیگنال افزایش ظرفیت تقاطع، کاهش تاخیر، و در همان زمان، تضمین ایمنی بازیگران ترافیک است. علاوه بر این، میتوان مصرف سوخت و تولید گازهای گلخانهای را کاهش داد.
کنترل سیگنال یکی از حوزههای مورد نظر درکل تحقیق است که تحت عنوان سیستمهای حمل و نقل هوشمند (ITS) شناخته میشود. میتوان ITS را توسط برخی از تکنیکها پیادهسازی کرد. در این مقاله حاضر، از سیستمهای چندعاملی و یادگیری ماشین برای توسعه یک مکانیزم کنترل نورترافیک استفاده میکنیم.
برای سیستمهای حمل و نقل، ممکن است از مفاهیم عاملهای هوشمند در قسمتهای مختلف سیستم از قبیل چراغهای ترافیکی [1]، وسایل نقلیه [2]، و پیادهها [3]، و همچنین برای مدلسازی رفتار سیستم ترافیکی به منظور توصیف نقض هنجار و تشخیص وضعیت بحرانی[4] استفاده کنیم.
به منظورمدیریت افزایش حجم ترافیک، کنترل چراغهای ترافیک با روشهای هوش مصنوعی (AI) بسیار مهمتر شده است. برخی روشها کنترل چراغهای راهنمایی را توسط سیستم مبتنی بر قواعد از پیش تعریف شده [5]، قوانین فازی [6]،و تکنیکهای متمرکز انجام میدهند [7].
سیستمهای چندعاملی زیر شاخه AI هستند که هدف آن ارائه اصول برای ساخت سیستمهای پیچیده شامل عوامل متعدد است. سیستمهای چندعاملی بدلیل توانایی آنها درمدلسازی و حل مسائل پیچیده دنیای واقعی دارای اهمیت هستند.
7 منبع برتر حل ترافیک و طرح ترافیکی
