кандидат технических наук;
candidate of technical sciences;
В статье описано применение искусственной нейронной сети для определения оптимальных параметров светофорного регулирования на основе интенсивности транспортного потока. На регулируемых перекрестках существует неравномерность интенсивности транспортного потока, из-за которой один режим работы светофоров на перекрестке может быть неэффективным. Цель исследования - разработка программного обеспечения по прогнозированию режимов работы светофорных объектов с учетом пространственной и временной неравномерности транспортного спроса. На основе имитационного моделирования транспортных потоков на одном регулируемом перекрестке были определены значения среднего времени задержки при разных режимах работы светофорах и интенсивностях транспортных потоков, в том числе поворачивающих. Искусственная нейронная сеть была обучена на данных из 16 тысяч имитаций и протестирована на четырех тысячах имитаций. Использование искусственной нейронной сети для расчета оптимального режима работы светофоров снижает время задержки на 20-50% для двух часов пик. Заранее обученная искусственная нейронная сеть за одну секунду может рассчитать оптимальный режим работы светофоров для конкретного регулируемого перекрестка. Разработанное программное обеспечение может быть применено для реализации интеллектуальной транспортной системы в автоматизированной системе управления дорожным движением.
The paper describes the use of an artificial neural network to determine the optimal parameters of traffic light regulation based on the intensity of traffic flow. At regulated intersections, there is an imbalance in the intensity of traffic flow, due to which one operation mode of traffic lights at an intersection may be ineffective. The study objective is to develop software for predicting the operating modes of traffic lights, taking into account the spatial and temporal unevenness of transport demand. Based on the simulation of traffic flows at one regulated intersection, the values of the average delay time were determined for different traffic light operating modes and traffic flow intensities, including turning ones. The artificial neural network was trained on data from 16 thousand simulations and tested on four thousand simulations. Using an artificial neural network to calculate the optimal operating mode of traffic lights reduces the delay time by 20-50% for two rush hours. A pre-trained artificial neural network can calculate the optimal operating mode of traffic lights for a specific regulated intersection in one second. The developed software can be used to implement an intelligent transport system in an automated traffic control system.