Прогнозирование и управление пропускной способностью полосы на регулируемом перекрестке
Автор: Шепелев Владимир Дмитриевич, Городокин Владимир Анатольевич, Слободин Иван Сергеевич, Хазюков Кирилл Владимирович
Рубрика: Логистика и управление транспортными системами
Статья в выпуске: 2 т.15, 2021 года.
Бесплатный доступ
Точное прогнозирование параметров транспортного потока в режиме реального времени является основой для принятия решения о динамическом управлении полосой движения, которое играет важную роль в уменьшении заторов. Существующие методы не способны запоминать долгосрочные зависимости для получения точного результата предсказания последовательности. В нашем исследовании мы сконцентрировались на разработке алгоритма по адаптивной настройке циклов светофорного регулирования, обеспечивающего проезд всех групповых транспортных средств на основе применения нейронных сетей R-CNN и YOLOv4. В исследовании для прогнозирования потока трафика мы использовали уличные камеры с большим углом обзора. В процессе обучения адаптированы долгосрочная кратковременная память и рекуррентная нейронная сеть. В алгоритмах обучения нейронных сетей учитываются динамические габариты транспортных средств; дискретные параметры очереди перед перекрестком и длительность цикла. Результатом исследования стала разработка алгоритма по адаптивной настройке продолжительности разрешающего такта светофорного объекта с учетом параметров транспортного потока в задачах устранения или минимизации возможности возникновения заторной ситуации.
Нейронные сети, компьютерное зрение, пропускная способность перекрестка, умный светофор
Короткий адрес: https://sciup.org/147233909
IDR: 147233909 | DOI: 10.14529/em210220
Список литературы Прогнозирование и управление пропускной способностью полосы на регулируемом перекрестке
- Grents A., Varkentin V., Goryaev N. Deter-mining vehicle speed based on video using convolu-tional neural network. Transportation Research Procedia, 2020, vol. 50, pp. 192–200.
- Shepelev V., Glushkov A., Almetova Z., Mavrin V. A study of the travel time of intersections by vehicles using computer vision. 6th International Conference on Vehicle Technology and Intelligent Transport Systems. Prague, Czech Republic, 2020.
- Prasad D., Kapadni K., Gadpal A., Visave M., Sultanpure K. HOG, LBP and SVM based Traffic Density Estimation at Intersection. IEEE Pune Section International Conference. Pune, India, 2019.
- Khazukov K., Shepelev V., Karpeta T., Shabiev S., Slobodin I., Charbadze I., Alferova I. Re-al-time Monitoring of Traffic Parameters. Journal of Big Data, 2020, vol. 7 (1), no. 84.
- Shepelev V., Aliukov S., Nikolskaya K., Das A., Slobodin I. The Use of Multi-Sensor Video Sur-veillance System to Assess the Capacity of the Road Network, Transport and Telecommunication, 2020, vol. 21 (1), pp. 15–31.
- Jeff Ban X., Hao P., Sun Z. Real Time Queue Length Estimation for Signalized Intersections Using Travel Times from Mobile Sensors. Transportation Research Part C: Emerging Technologies, 2011, vol. 19 (6), pp. 1133–1156.
- Ramezani M., Geroliminis N. Queue Profile Estimation in Congested Urban Networks with Probe Data. Computer-Aided Civil and Infrastructure Engi-neering, 2015, vol. 30 (6), pp. 414–432.
- Li F., Tang K., Yao J., Li K. Real-Time Queue Length Estimation for Signalized Intersections Using Vehicle Trajectory Data. Transportation Research Record, 2017, vol. 2623 (1), pp. 49–59.
- Murat Y.S., Gedizlioglu E. A Fuzzy Logic Multi-Phased Signal Control Model for Isolated Junc-tions. Transportation Research Part C: Emerging Technologies, 2005, vol. 13 (1), pp. 19–36.
- Li J., Zhang H. Study on Optimal Control and Simulation for Urban Traffic Based on Fuzzy Logic. International Conference on Intelligent Computation Technology and Automation. Hunan, China, 2008.
- Wu S., Bi Y., Wang G., Ma Y., Lu M., Xu K. Adaptive Fuzzy Logic Traffic Signal Control Based on Cuckoo Search Algorithm. Smart Innovation, Sys-tems and Technologies, 2019, vol. 127, pp. 107–117.
- Chowdhury M.F., Ryad Ahmed Biplob M., Uddin J. Real Time Traffic Density Measurement Us-ing Computer Vision and Dynamic Traffic Control. Joint 7th International Conference on Informatics, Electronics and Vision and 2nd International Confer-ence on Imaging, Vision and Pattern Recognition. Kitakyushu. Japan, 2018.
- Das A., Pai S., Shenoy V.S., Vinay T., Shylaja S.S. D2: Real-time Dehazing in Traffic Video Analytics by Fast Dynamic Bilateral Filtering. Ad-vances in Intelligent Systems and Computing, 2020, vol. 1024, pp. 127–137.
- Видеонаблюдение в г. Челябинск [Video-nablyudenie v g. Chelyabinsk [Video surveillance in Chelyabinsk]. Available at: https://cams.is74.ru/live (accessed 20.04.2021)
- Fedorov A., Nikolskaia K., Ivanov S. Shepelev V., Minbaleev A. Traffic Flow Estimation with Data from a Video Surveillance Camera. Journal of Big Data, 2019, vol. 6 (1), p. 73.
- Kim C, Li F, Ciptadi A, Rehg JM. Multiple Hypothesis Tracking Revisited. IEEE international conference on computer vision. Santiago, Chile, 2015.
- Barth V B de O, Oliveira R, de Oliveira M A, Nascimento V E. Vehicle Speed Monitoring Using Convolutional Neural Networks. IEEE Latin America Transactions, 2019, vol. 17(06), pp. 1000–1008.
- Bewley A, Ge Z, Ott L, Ramos F, Upcroft B. Simple Online and Real-time Tracking. IEEE interna-tional conference on image processing, Phoenix, AZ, USA, 2016.
- Li C, Dobler G, Feng X, Wang Y. TrackNet: Simultaneous Object Detection and Tracking and Its Application in Traffic Video Analysis. arXiv:1902.01466, 2019.
- Luo W, Yang B, Urtasun R. Fast and Furious: Real Time End-To-End 3D Detection, Tracking and Motion Forecasting with a Single Convolutional Net. IEEE/CVF conference on computer vision and pattern recognition. Salt Lake City, UT, USA, 2018.
- Ren S, He K, Girshick R, Sun J. Faster R-CNN: towards real-time object detection with region proposal networks. IEEE Trans Pattern Anal Mach Intell, 2017, vol. 39(6), pp. 1137–1149.
- Sang J, Wu Z, Guo P, Hu H, Xiang H, Zhang Q, Cai B. An Improved Yolov2 for Vehicle Detection. Sensors (Switzerland), 2018, vol. 18 (12).
- He K, Gkioxari G, Dollar P, Girshick R. Mask R-CNN. IEEE international conference on computer vision. Venice, Italy, 2017.
- Shreyas Dixit KG, Chadaga MG, Saval-gimath SS, Ragavendra Rakshith G, Naveen Kumar MR. Evaluation and evolution of object detection techniques YOLO and R-CNN. International Journal of Recent Technology and Engineering, 2019, vol. 8(3), pp. 824–829.
- He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. IEEE conference on computer vision and pattern recognition. – Las Vegas, NV, USA, 2016.
- Shepelev V., Aliukov S., Glushkov A., Shabiev S. Identification of distinguishing characteris-tics of intersections based on statistical analysis and data from video cameras. Journal of Big Data, 2020, vol. 7 (1), no. 46.
- Отраслевой дорожный методический до-кумент: методические рекомендации по проекти-рованию светофорных объектов на автомобильных дорогах. ОДМ 218.6.003-2011. М., 2013. [Otraslevoj dorozhnyj metodicheskij dokument. Metodiche-skie rekomendacii po proektirovaniyu svetofornyh ob"ektov na avtomobil'nyh dorogah [Industry road guidance document. Methodological recommenda-tions for the design of traffic light objects on mobile roads]. ODM 218.6.003-2011, 2013. Moscow, 2013.]
