10.14489/vkit.2024.08.pp.021-026

DOI: 10.14489/vkit.2024.08.pp.021-026

Панасенко С. С., Старков К. Н., Скоробогатченко Д. А.
ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РАЗРАБОТКИ ОПТИМАЛЬНЫХ ПРОГРАММ УПРАВЛЕНИЯ СВЕТОФОРНЫМИ ОБЪЕКТАМИ
(pp. 21-26)

Аннотация. Внедрение автоматизированных систем управления дорожным движением – одно из ключевых направлений развития интеллектуальных транспортных сетей. Особое внимание уделяется эффективному управлению светофорами, представляющими важный элемент автоматизированных систем управления дорожным движением. Представлена разработка автоматизированной системы, направленной на составление оптимальной программы сигналов светофора на определенном участке дорожной сети. В качестве средства моделирования был выбран пакет моделирования трафика SUMO (Simulation of Urban Mobility), в качестве алгоритма оптимизации – BFGS (Broyden – Fletcher – Goldfarb – Shanno). Для машинного обучения использовался метод «градиентный бустинг». Результаты практических исследований показывают, что разработанная система способна быстро и эффективно оптимизировать параметры фаз и длительности светофорных циклов, что значительно улучшает управление трафиком на соответствующем участке дорожной сети.

Ключевые слова: машинное обучение; пробка; светофор; дорожный поток; моделирование дорожной сети; SUMO.

Panasenko S. S., Starkov K. N., Skorobogatchenko D. A.
DEVELOPMENT OF THE OPTIMAL TRAFFIC LIGHT CONTROL PROGRAMS USING MACHINE LEARNING TECHNOLOGIES
(pp. 21-26)

Abstract. One of the key directions in the development of intelligent transport networks is the introduction of automated traffic management systems. In the context of these systems, special attention is paid to the effective management of traffic lights, which are an important element of automated traffic management systems. The development of an automated system aimed at compiling an optimal program of traffic light signals on a certain section of the road network is presented. The development of an application that includes modules for modeling traffic flows, machine learning, and optimization of traffic light parameters is described. The Simulation of Urban Mobility (SUMO) traffic simulation package was chosen as a modeling tool, the BFGS (Broyden – Fletcher – Goldfarb – Shanno) optimization algorithm was used, and gradient boosting was used as a machine learning method. The results of practical research show that the developed system is capable of quickly and effectively optimizing the parameters of phases and duration of traffic light cycles, which significantly improves traffic management on the corresponding section of the road network. The proposed approach allows solving the problems of traffic flow management in conditions of limited availability of data on the road situation, which makes it promising for practical application, since currently for adaptive traffic light control systems the presence of expensive sensors and equipment is required, which is often impossible in real urban conditions.

Keywords: Machine learning; Traffic jam; Traffic light; Traffic flow; Modeling of the road network; SUMO.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

С. С. Панасенко, К. Н. Старков, Д. А. Скоробогатченко (Волгоградский государственный технический университет, Волгоград, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

S. S. Panasenko, K. N. Starkov, D. A. Skorobogatchenko (Volgograd State Technical University, Volgograd, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Рейтинг городов с самыми большими пробками 2023: топы по миру и в России [Электронный ресурс]. URL: https://top-rf.ru/avto/558-rejting-gorodov-po-probkam.html (дата обращения: 20.04.2024).
2. Скоробогатченко Д. А. Моделирование адаптивных систем управления городским трафиком // Системный анализ в науке и образовании. 2022. № 2. С. 1–10.
3. Технологии для управления дорожным движением: роль искусственного интеллекта [Электронный ресурс]. URL: https://apni.ru/article/7761-tekhnologii-dlya-upravleniya-dorozhnim-dvizh (дата обращения: 20.04.2024).
4. Ossama Y., Nader M. Employing Cyber-Physical Systems: Dynamic Traffic Light Control at Road Intersections // IEEE Internet of Things Journal. 2017. V. 4, No. 6. P. 2286–2296.
5. Swapnil M. S. Adaptive Traffic Light Control System // International Conference on Intelligent Systems and Information Management (ICISIM). 2017. P. 300–306.
6. Aditya F., Nasution S., Virgono A. Traffic Flow Prediction using SUMO Application with K-Nearest Neighbor (KNN) Method // International Journal of Integrated Engineering. 2020. V. 12, No. 7. P. 98–103.
7. Automatic Pavement Damage Predictions using Various Machine Learning Algorithms: Evaluation and Comparison / R. Nyirandayisabye, H. Li, Q. Dong, et al. // Results in Engineering. 2022. V. 16. P. 100567.
8. SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python / P. Virtanen, R. Gommers, T. E. Olip¬hant et al. // Nature Methods. 2020. V. 17. P. 261–272.

Eng

1. Rating of cities with the biggest traffic jams 2023: tops around the world and in Russia. Retrieved from https://top-rf.ru/avto/558-rejting-gorodov-po-prob-kam.html (Accessed: 20.04.2024). [in Russian language]
2. Skorobogatchenko D. A. (2022). Modeling of adaptive city traffic control systems. Sistemniy analiz v nauke i obrazovanii, (2), 1 – 10. [in Russian language]
3. Technologies for traffic control: the role of artificial intelligence. Retrieved from https://apni.ru/article/7761-tekhnologii-dlya-upravleniya-dorozhnim-dvizh (Accessed: 20.04.2024). [in Russian language]
4. Ossama Y., Nader M. (2017). Employing Cyber-Physical Systems: Dynamic Traffic Light Control at Road Intersections. IEEE Internet of Things Journal, 4(6), 2286 – 2296.
5. Swapnil M. S. (2017). Adaptive Traffic Light Control System. International Conference on Intelligent Systems and Information Management (ICISIM), 300 – 306.
6. Aditya F., Nasution S., Virgono A. (2020). Traffic Flow Prediction using SUMO Application with K-Nearest Neighbor (KNN) Method. International Journal of Integrated Engineering, 12(7), 98 – 103.
7. Nyirandayisabye R., Li H., Dong Q. et al. (2022). Automatic Pavement Damage Predictions using Various Machine Learning Algorithms: Evaluation and Comparison. Results in Engineering, 16.
8. Virtanen P., Gommers R., Oliphant T. E. et al. (2020). SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature Methods, 17, 261 – 272.

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

DOI: 10.14489/vkit.2024.08.pp.021-026

Скопируйте DOI статьи и перейдите по ссылке https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

В комментарии к заказу обязательно укажите DOI статьи.

Eng

This article is available in electronic format (PDF).

DOI: 10.14489/vkit.2024.08.pp.021-026

Copy the article DOI and follow the link https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

Please specify the article DOI in the order comments.