246_Млшва_Плцна_Тмфа

Международная научно-техническая конференция «Информационные системы и технологии»
ИСТ-2014
СЕКЦИЯ 5.1 ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА (СИСТЕМЫ ОБРАБОТКИ ИНФОРМАЦИИ)
ТИМОФЕЕВА О.П. (к.т.н., доцент), МАЛЫШЕВА Е.М (магистрант),
ПАЛИЦЫНА С.С. (студент)
(Нижегородский государственный технический университет им. Р.Е. Алексеева)
МОДЕЛИРОВАНИЕ СИСТЕМЫ «УМНЫХ СВЕТОФОРОВ»
В настоящее время в мире существует острая проблема организации дорожного движения
транспортных средств. Система управления светофорами в Нижнем Новгороде не является
полностью автоматической и все еще зависит от оператора. Целью данной работы является
создание системы «умных светофоров». Подобные системы уже используются в США и в
некоторых городах России.
Оптимальное распределение трафика на перекрестках относится к классу задач эвристики.
Из известных алгоритмов решения эвристических задач наиболее подходящим является алгоритм,
основанный на использовании искусственной нейронной сети, т.к. только нейронная сеть имеет
возможность самообучения, что необходимо для работы «умных светофоров».
Первым этапом построения нейросетевых моделей является отбор входных данных,
влияющих на ожидаемый результат. Основными показателями загруженности дороги могут быть:
скорость, с которой машины проезжают через линию замера (когда светофор включен) и время
простоя машин на перекрестке (когда светофор выключен). Так же при работе нейронной сети
можно использовать статистику загруженности дорог в данное время суток, в данный день недели.
Следующий этап моделирования выбор архитектуры нейронной сети. Каждому
светофору на перекрестке поставим в соответствие сенсорный нейрон, получающий входные
данные, и распространяющий их далее по нейронной сети. На перекрестке располагается
множество светофоров, поэтому, кроме задачи увеличения пропускной способности дороги, нам
предстоит решить задачу управления потоками машин, так, чтобы не создавать аварийных
ситуаций. Таким образом, требуется нейронная сеть, решающая комбинированную задачу
оптимизации и кластеризации. Широко распространенные модели нейронных сетей
предназначены для решения лишь одной конкретно поставленной задачи (либо задачи
оптимизации, либо задачи кластеризации). Для решения каждой из этих задач построим свою
нейронную сеть, а затем объединим их в одну систему. Эффективность решения поставленной
задачи на основе нейронной сети определяется оптимальным в данных условиях подбором
параметров сети. Этот процесс называется обучением нейронной сети.
Следующим, и основным, шагом моделирования является обучение полученных
нейронных сетей в отдельности и системы в целом.
Сеть, решающая задачу кластеризации, легко обучается по алгоритму «с учителем».
Обучающий набор данных представляет собой множество наблюдений, для которых указаны
значения входных и выходных переменных. Мощность множества наблюдений будем определять
на основе известного ряда эвристических правил, увязывающих число необходимых наблюдений с
размерами сети. Простейшее из них гласит, что число наблюдений должно быть в десять раз
больше числа связей. На самом деле это число зависит также от заранее неизвестной сложности
того отображения, которое нейронная сеть стремится воспроизвести. Для большинства реальных
задач бывает достаточно нескольких сотен или тысяч наблюдений. Для очень сложных задач
может потребоваться еще большее количество, однако, очень редко может встретиться задача, где
хватило бы менее ста наблюдений. В процессе исследования данной проблемы, нами был
определен набор для обучения смоделированной сети, содержащий 192 наблюдения.
Нейронная сеть, отвечающая за оптимальное решение, не может быть обучена «с
учителем», т.к. точный результат ее работы неизвестен, известно лишь, что он должен привести к
улучшению дорожной ситуации (скорость, с которой машины проезжают через линию замера,
максимизируется, а время простоя минимизируется). Поэтому, ее обучение будет производиться
по методу Кохонена (обучение «без учителя»). Оно требует более длительного времени и
большого количества входных данных. В настоящий момент ведется работа по обучению этой
части сети и настройка взаимодействия обеих частей как единой системы.
E-mail: katyamalish@mail.ru
246