Управление городским транспортом на моделях нейронных сетей

Проблема организации дорожного движения является на сегодняшний день одной из самых острых. Важным фактором того, насколько вы доберетесь в городе до нужного места, является работа светофора. И зачастую, именно эго неэффективная работа является причиной городских пробок.
Решение данной проблемы возможно двумя способами:
реконструкция уличной дорожной сети
введение эффективных методов организации дорожного движения
Введение

На сегодняшний день существует множество специальных систем для моделирования и управления транспортными потоками, например, TRANSIMS, PARAMICS, EMME/2, SATURN и др. Существующие подходы к моделированию могут быть классифицированы в зависимости от уровня детальности моделируемого процесса:
Модели макро-уровня описывают транспортный поток как целое, совокупность всех транспортных средств.
Модели микро-уровня характеризуются описанием отдельных транспортных средств и взаимодействий между ними.
Способы организации движения

Одиночные пробки
Серия пробок
Классификация фаз потока
Причина затора — геометрические особенности дороги
Задержки транспортных средств
Множественные устойчивые состояния и хаос
Транспортные заторы

Рассматривается один перекресток не учитываются соседние
Большинство существующих практических систем предназначено для построения и исследования моделей микро-уровня.
Недостатки существующих моделей

Разработать алгоритм работы системы управления городским транспортом на основании нечеткой логики
Создание структуры базы знаний
Рассчитать методом нечеткой нейронной сети ANFIS (используя данные о количестве проходящих машин на дорожных участках) существующую нагрузку на дорожных участках на примере одного из районов Киева.
Имея матрицу нагрузок дорожных участков оптимизировать работу светофоров.
Имея матрицу нагрузок дорожных участков и маршруты пассажирского транспорта выявить потенциально опасные маршруты.
Цель работы

ANFIS реализует систему нечеткого вывода Сугено в виде пятислойной ней­ронной сети прямого распространения сигнала. Назначение слоев следующее:
первый слой - термы входных переменных;
второй слой - антецеденты (посылки) нечетких правил;
третий слой - нормализация степеней выполнения правил;
четвертый слой - заключения правил;
пятый слой - агрегирование результата, полученного по различным правилам.
Нейронная сеть ANFIS

Предлагаемая структурная схема управления городским транспортом

Данный алгоритм берет присоединенные дороги к текущему светофору и определяет самую нагруженную группу. На основе полученных данных корректирует соотношение красного и зеленого цвета для улучшения сложившейся ситуации на дороге.
Алгоритм получении информации о светофоре

Алгоритм получение информации о маршруте
Алгоритм пробегает по всем участкам маршрута. И если хоть один участок в текущий период времени является опасным. Маршрут относит себя к опасным. Имея эту информацию можно скорректировать работу транспорта так, что бы минимизировать риск попадание городского транспорта в пробки. Что увеличит комфорт перевозок, КПД работ городского транспорта, уменьшит общее количество рейсов, и разгрузит опасные отрезки дорог.

Синим цветом показано количество отказов при работе светофора РСТ типа
Сиреневым – при работе нечеткого светофора
Количество машин, не успевших проехать за некоторое количество циклов