Professional Documents
Culture Documents
Michał Stanek
słowa kluczowe:
sterowanie ruchem drogowym
przewidywanie natężeń ruchu drogowego
symulacja ruchu drogowego
optymalizacja ruchu drogowego
krótkie streszczenie:
W pracy omówiony jest kompleksowy system sterowania ruchem po-
jazdów. Zaproponowany został model przewidywania zmian natężenia
ruchu, opracowany został mechanizm symulacji ruchu w obrębie ośrod-
ków miejskich oraz zaproponowany został algorytm sterowania ruchem
w za pomocą optymalizacji planów sygnalizacji świetlnej.
Promotor:
............................................ ...................... .......................
imię i nazwisko ocena podpis
Wrocław 2006
Spis treści
Wstęp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Rozdział 1. Inżynieria ruchu drogowego . . . . . . . . . . . . . . . . . . . . . . . 4
1.1. Ruch pojazdów . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1. Podstawowe równanie ruchu . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2. Prędkość pojazdów . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3. Natężenie ruchu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.4. Przepustowość . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.5. Ocena warunków ruchu . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Modelowanie ruchu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3. Sieci transportowe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4. Sygnalizacja świetlna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1. Sygnalizacja stałoczasowa . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2. Sygnalizacja akomodacyjna . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.3. Kryteria stosowania sygnalizacji świetlnej . . . . . . . . . . . . . . . . 14
1.4.4. Tworzenie programu sygnalizacji świetlnej . . . . . . . . . . . . . . . . 15
1.5. Sterowanie ruchem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6. Istniejące rozwiązania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Rozdział 2. Predykcja parametrów ruchu . . . . . . . . . . . . . . . . . . . . . . 20
2.1. Charakterystyka ruchu drogowego . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2. Predykcja szeregu czasowego . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3. Zaproponowany model predykcji . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4. Weryfikacja modelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.1. Predykcja dla danych testowych . . . . . . . . . . . . . . . . . . . . . . 28
2.4.2. Predykcja dla danych rzeczywistych . . . . . . . . . . . . . . . . . . . 35
2.4.3. Dodatkowe badania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.5. Dyskusja wyników . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Rozdział 3. Symulacja ruchu drogowego . . . . . . . . . . . . . . . . . . . . . . . 45
3.1. Automaty komórkowe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2. Model Nagela-Schreckenberga . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3. Zastosowane rozszerzenie modelu . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.1. Kierowca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.2. Pojazd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
ii
3.3.3. Sieć transportowa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.4. Droga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.5. Skrzyżowanie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.6. Generatory oraz detektory ruchu . . . . . . . . . . . . . . . . . . . . . 54
3.3.7. Reguły ruchu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.8. Dyskusja modelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Rozdział 4. Optymalizacja pojedynczych skrzyżowań . . . . . . . . . . . . . . 61
4.1. Proces ewolucji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2. Budowa chromosomu oraz operatory . . . . . . . . . . . . . . . . . . . . . . . 62
4.3. Funkcja celu i metoda selekcji . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4. Uzyskane wyniki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5. Dyskusja wyników . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.6. Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Rozdział 5. Optymalizacja sieci skrzyżowań . . . . . . . . . . . . . . . . . . . . 71
5.1. Cel optymalizacji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2. Struktura chromosomu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3. Operatory oraz metoda selekcji . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.4. Funkcja celu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.5. Sieć transportowa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.6. Proces ewolucji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.7. Dyskusja wyników . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Dodatek A. Predykcja danych natężenia ruchu pojazdów ciężarowych . . . 86
Spis rysunków . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Bibliografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
iii
Streszczenie
Obecnie znaczenia nabiera odpowiednie przygotowanie oraz zarządzanie drogami,
co wymaga coraz bardziej wyrafinowanych narzędzi i metod. Mowa tutaj o drogo-
wych systemach informacyjnych, jak również o systemach sterowania sygnalizacją
świetlną. Przyszłość stanowią rozwiązania adaptacyjne, potrafiące automatycznie
dostosować się do aktualnie panujących warunków drogowych. W wielu krajach
systemy takie stają się coraz bardziej popularne, niestety, Polska pozostaje na
tym polu daleko w tyle. W pracy przedstawiona jest idea adaptacyjnego systemu
sterującego oświetleniem w obrębie jednego skrzyżowania oraz całej sieci. Zapro-
ponowano również model mikrosymulacji oraz predykcji natężenia ruchu, które
wykorzystywane są przez właściwy algorytm optymalizacji. Zaproponowane roz-
wiązanie opiera się na algorytmie genetycznym. Omówiono proces symulacji oraz
optymalizacji ruchu wraz z przedstawieniem funkcji celu. Przedstawiono otrzy-
mane wyniki oraz możliwości rozszerzenia metody.
Abstract
With the growth of modern cities and the reliance of many of their populations
on personal automobiles for the primary mode of transport, we need to use batter
traffic management systems. There are substantial benefits to be derived from
improved traffic flow. In this paper we study the optimization of traffic lights
controllers and present an adaptive approach based on genetic algorithm, mi-
crosimulation and prediction method. We focus on optimize traffic light plan on
one isolated intersection and whole intersections network. We present obtained
results and possible improvements.
iv
Wstęp
Nie sposób, nie docenić roli jaką w dzisiejszym społeczeństwie odgrywają samo-
chody. Samochód przestał stanowić oznakę statusu społecznego, a na jego posiadanie
może pozwolić sobie bardzo duża część społeczeństwa. W Polsce, podobnie zresztą
jak w krajach wysoko rozwiniętych(m.in. USA, Niemcy), liczba samochodów gwałtow-
nie rośnie i niedługo zbliżymy się do granicy kiedy jeden samochód przypadać będzie
średnio na 1.5 osoby. Ten nagły wzrost liczby pojazdów spowodował nasilające się
problemy komunikacyjne, a z bieżącym natężeniem ruchu nie radzi sobie już obecnie
istniejąca infrastruktura drogowa. W efekcie poświęcamy dziennie coraz więcej czasu
na dojazdu do pracy, domu, czy też na zakupy do hipermarketów. Podjęto co prawda
próby rozbudowy obecnej sieci dróg, powstają obwodnice miejskie, autostrady, jednak
są miejsca, gdzie dobudowa kolejnego pasa ruchu jest już niemożliwa. Mowa tutaj o za-
bytkowych centrach miejskich, w których infrastruktura komunikacyjna projektowana
była jeszcze w XVI, XVII wieku. Nie można sobie pozwolić na wyburzenie zabytkowych
budynków i należy szukać alternatywnych rozwiązań. Jedną z metod rozwiązania tych
problemów jest wprowadzenie systemów zintegrowanego zarządzania ruchem ulicznym,
pozwalającego na lepsze wykorzystanie istniejącej infrastruktury komunikacyjnej.
Celem niniejszej pracy jest opracowanie inteligentnej metody zarządzania ruchem
ulicznym. Metoda ta pozwalać musi na sterowanie ruchem pojazdów w taki sposób,
aby ich przejazd był efektywny zarówno ze względu wykorzystania istniejącej infra-
struktury komunikacyjnej, jak również, ze względu na gwarantowane warunki ruchu,
stanowiące subiektywny czynnik jakości podróży odbierany przez kierowców. Inteligen-
cja rozwiązania przejawiać się ma w dwóch aspektach, po pierwsze w sosobie realizacji
postawionego celu – wykorzystane zostaną metody oraz algorytmy wchodzące w skład
sztucznej inteligencji, po drugie – system ma dynamicznie reagować i dostosowywać
się do aktualnie panujących warunków ruchu, w taki sposób, że osiągniecie podobnego
rezultatu wymagałoby od człowieka sterującego pracą takiego systemu użycia umiejęt-
ności i zachowań powszechnie uważanych za inteligentne.
Sterowanie ruchem pojazdów osiągnięte zostanie poprzez sterowanie sygnalizacją
świetlną umieszczoną na skrzyżowaniach badanego obszaru. Przyjmuje się, że dla
Wstęp 2
netyczne, metoda selekcji oraz funkcja celu. Dyskusji poddane zostały również otrzy-
mane wyniki.
W rozdziale 5 zaprezentowane zostało podejście umożliwiające adaptacyjne ste-
rowanie grupą sygnalizatorów świetlnych znajdujących się w pewnych analizowanym
obszarze. Podobnie jak w przypadku optymalizacji pojedynczych skrzyżowań zastoso-
wany został algorytm genetyczny, jednak w celu lepszej koordynacji pracy sygnalizacji
niezbędne było wprowadzenie dodatkowych elementów zarówno do opisu grafu sieci
komunikacyjnej jak i modyfikacja parametrów pracy algorytmu. W końcowej części
rozdziału przedstawione i omówione zostały otrzymane wyniki.
Dodatek A zawiera wyniki predykcji szeregu czasowego dla pomiarów 1 godzinnych
oraz 10 minutowych ruchu pojazdów ciężarowych.
Rozdział 1
Inżynieria ruchu drogowego jest dziedziną inżynierii zajmującą się zarówno „ba-
daniami procesów ruchu drogowego jak i praktycznymi zastosowaniami wiedzy o ru-
chu w planowaniu, projektowaniu, realizacji, i eksploatacji systemów transportu oraz
urządzeń komunikacyjnych, a zwłaszcza organizacją i sterowaniem ruchem. Podsta-
wowym celem inżynierii ruchu drogowego jest zapewnienie bezpiecznego, sprawnego,
i ekonomicznego przemieszczania osób i towarów przy ograniczeniu ujemnego wpływy
transportu na środowisko [10].” Jednym z najbardziej powszechnych przejawów prak-
tycznego zastosowania inżynierii ruchu jest zmiana organizacji ruchu na drogach. W
rozdziale omówione zostały podstawowe pojęcia definiujące ruch pojazdów. Przedsta-
wiony został podział modeli ruchu drogowego oraz sposób reprezentacji sieci transpor-
towej. Wyjaśnione zostały metody sterowania ruchem drogowym za pomocą sygnaliza-
cji świetlnej. Końcowa część rozdziału poświęcona jest omówieniu obecnie istniejących
rozwiązań w dziedzinie sterowania ruchem potoku pojazdów.
Pomimo, że ruch pojazdów cechuje duży stopień losowości, prędkość z jaką porusza
się kolumna pojazdów uwarunkowana jest następującymi czynnikami [10, 23]:
– parametry techniczne pojazdów,
– warunki drogowe (ukształtowanie geometryczne drogi, rodzaj nawierzchni, itp.),
– warunki atmosferyczne,
– stan psychowizyczny kierowcy,
– warunki ruchu (gęstość ruchu).
W wielu przypadkach na prędkość pojazdu ma wpływ kilka z wyżej wymienionych
czynników (np. samochód na porusza się na wzniesieniu podczas opadów deszczu).
Ze względu na warunki ruchu, ruch pojazdów podzielić możemy na:
– ruch swobodny, w którym prędkość pojazdu nie jest uzależniona od prędkości
poruszania się innych uczestników ruchu. Maksymalna wartość prędkości w ruchu
swobodnym determinowana jest stanem technicznym pojazdu oraz warunkami
atmosferycznymi i drogowymi;
Rozdział 1. Inżynieria ruchu drogowego 5
Rys. 1.1. Rozkład prędkości pojazdów w zależności od zmiany natężenia ruchu. Źródło
[23].
.
Q = v · k, (1.1)
gdzie Q oznacza natężenie ruchu pojazdów [P/h], v określa średnią prędkość ruchu
pojazdów wyznaczoną z średniego czasu przejazdu pojazdów przez badany przekrój
podłużny drogi [km/h], k jest gęstością ruchu [P/km].
Dla małych wartości natężenia ruchu (ruch swobodny), osiągnięta może być duża
średnia prędkość pojazdów. Kiedy zwiększa się natężenie ruchu, aż do maksymalnej
Rozdział 1. Inżynieria ruchu drogowego 6
wartości Nmax – prędkość ruchu maleje, osiągając ostatecznie wartość optymalną. Przy
dalszym zwiększaniu gęstości ruchu k, zarówno prędkość pojazdów jak i natężenie ruchu
maleje (rysunek 1.2), aż do całkowitego zatrzymania pojazdów będącego wynikiem
maksymalnego zatłoczenia drogi (korek drogowy). Pomiary ruchu wykazały, że każde
natężenie ruchu może zostać osiągnięte dla dwóch wartości średniej prędkości pojazdów.
Rys. 1.2. Zależność między prędkością, natężeniem i gęstością ruchu. Źródło [23]
Maksymalne natężenie ruchu Nmax osiągnięte jest w sytuacji, gdy wszystkie pojazdy
poruszają się z optymalną prędkością vopt . Należy podkreślić, że w ramach drogi każdy
pas ruchu może posiadać różną wartość prędkości optymalnej vopt . Badania wskazują,
że vopt na autostradach może wynosić nawet 80 [km/h], podczas gdy dla ulic miejskich
wynosi od 40 do 50 [km/h]. Największe osiągane wartości gęstości ruchu kmax , zawierają
się w przedziale od 150 do 175 [P/km] [23].
Znajomość zależności pomiędzy średnią prędkością pojazdów, natężeniem oraz gę-
stością ruchu (wzór 1.1) jest pomocna podczas rozwiązywania szeregu problemów trans-
portowych, między innymi:
– ocena warunków przepływu ruchu,
– ustalenie najlepszych objazdów w przypadku konieczności zamknięcia pewnych
węzłów komunikacyjnych,
– optymalizacja ruchu w ramach sieci drogowej.
Z fundamentalnego równania ruchu wynika, że w przypadku wprowadzenia auto-
matyzacji ruchu pojazdów indywidualnych, możliwe będzie zwiększenie przepustowość
układów komunikacyjnych, za sprawą zmniejszenia średnich odległości pomiędzy po-
jazdami poruszającymi się z dużą prędkością.
Definicja 1.1
Prędkość chwilowa, jest prędkością z jaką porusza się pojazd mijając przekrój pomia-
rowy, jest zależna od cech kierowcy, cech technicznych pojazdu i warunków drogowych
w obszarze przekroju pomiarowego [23].
Rozdział 1. Inżynieria ruchu drogowego 7
Definicja 1.2
Prędkość techniczna stanowi średnią prędkość jazdy pojazdu na badanym odcinku
z pominięciem zatrzymań.
Definicja 1.3
Prędkość podróżna jest to średnia prędkość jazdy na badanym odcinku z uwzględ-
nieniem czasu jazdy i czasu postoju pojazdu.
Przez natężenie ruchu pojazdów rozumiemy ilość samochodów jaka pokonuje pe-
wien przekrój poprzeczny drogi w pewnym zadanym odcinku czasu. Natężenie ruchu
najczęściej wyraża się w pojazdach na godzinę [P/h]. Badań natężenia ruchu dokonuje
się na skrzyżowaniach, węzłach oraz na odcinkach międzywęzłowych. Mogą one być
prowadzone ręcznie lub automatycznie w sposób ciągły, periodyczny lub wyrywkowy.
Od roku 1975 w Polsce prowadzi się pomiary ciągłe natężenia ruchu na odcinkach
międzywęzłowych wybranych dróg.
Automatyczne pomiary natężenia ruchu wykonuje się stosując urządzenia składa-
jące się z detektora (zainstalowanego w przekroju drogi) oraz urządzenia rejestrującego,
przy czym droga przekazywania sygnału nie jest sprecyzowana (elektryczna, pneuma-
tyczna, optyczna, akustyczna, mechaniczna). Stosowane w Polsce rejestratory (firmy
Golden-River) [10] pozwalają na zróżnicowanie kilku kategorii pojazdów, oraz na ba-
danie pomiaru nacisku na oś.
Celem badania natężenia ruchu na skrzyżowaniach jest określenie całkowitego na-
tężenia ruchu, oraz natężenia ruchu potoku pojazdów na każdym wlocie. Określona
zostaje również struktura kierunkowa oraz rodzajowa ruchu. Otrzymane wyniki służą
do analizy poprawności przyjętego rozwiązania geometrycznego oraz projektowania
sygnalizacji świetlnej. Wyniki pomiarów wykorzystywane są również podczas moder-
nizacji geometrii skrzyżowania w czasie jego przebudowy.
Zmienność natężenia ruchu w ciągu doby powoduje powstawanie godzin szczytu.
Natężenie ruchu pojazdów uzależnione jest również od dnia tygodnia. Dokładna analiza
danych dotyczących zmian natężeń ruchu podana jest w rozdziale 2. Przedstawiona w
nim została metoda estymacji przyszłych wartości natężenia ruchu na bazie szeregu
wcześniejszych pomiarów.
Rozdział 1. Inżynieria ruchu drogowego 8
1.1.4. Przepustowość
Przepustowość danego elementu drogowego określana jest jako maksymalna liczba
jednostek jakie mogą przekroczyć pewien jego przekrój w jednostce czasu. Tak zdefi-
niowane pojęcie jest na tyle ogólne, że wymaga dokładniejszego zdefiniowania.
Definicja 1.4
Poprzez przepustowość obiektu drogowego określa się takie natężenie ruchu pojaz-
dów, które może przenieść w określonych warunkach w jednostce czasu droga, jezdnia,
pas ruchu, skrzyżowanie lub węzeł drogowy [10].
Definicja 1.5
Przepustowość podstawowa określona jest jako przepustowość jednego pasa ruchu
w idealnych warunkach drogowych i ruchowych (jednakowa prędkość wszystkich pojaz-
dów). Przepustowość podstawowa jednego pasa ruchu wyznaczona została badawczo i
wynosi ok. 2000 pojazdów osobowych na godzinę [10].
Definicja 1.6
Przepustowość praktyczna określona jest natomiast jako największa liczba pojaz-
dów, które mogą przejechać w ciągu godziny dany przekrój drogi, jezdni, pasa ruchu lub
skrzyżowania (węzła), pod warunkiem, że ryzyko wypadków, opóźnienia, zatrzymania
i ograniczenia manewrowania nie są uciążliwe [10].
W przypadku osiągnięcia natężenia ruchu zbliżonego do przepustowości, większość
pojazdów w danej chwili jedzie ze zbliżoną prędkością, maleje możliwość osiągania
dowolnej prędkości oraz wyprzedzeń.
Aby osiągnąć maksymalną przepustowość dla pewnego odcinku drogi, wszystkie
znajdujące się na nim pojazdy muszą się poruszać z pewną prędkością vM AX (zazwyczaj
mała), a możliwości manewrowania są bardzo ograniczone. Stan takich warunków jazdy
oceniany jest zazwyczaj przez kierowców jako bardzo zły, dlatego nie projektuje się dróg
w celu zagwarantowania ich maksymalnych przepustowości.
Początkowo przepustowość dróg obliczano teoretycznie bazując na danych doty-
czących minimalnych odstępów pomiędzy poruszającymi się pojazdami. Bezpieczny
odstęp w potoku pojazdów poruszających się z zadaną prędkością v obliczany był ze
wzoru 1.2.
µ ¶
v2 1 1
lb = · − + v · tr + l1 , (1.2)
2 a2 a1
gdzie lb określa bezpieczny odstęp [m], v prędkość pojazdów [km/h], a1 opóźnienie
pierwszego pojazdu przy hamowaniu awaryjnym [m/s2 ], a2 opóźnienie drugiego po-
jazdu przy hamowaniu normalnym [m/s2 ], tr czas reakcji kierowcy drugiego pojazdu
[s], l1 długość pierwszego pojazdu.
Teoretyczna przepustowość jednego pasa ruchu określona jest wówczas wzorem 1.3
3600 · v
Ct = (1.3)
lb
Ct osiąga maksimum dla pewnej wartości prędkości vM AX . Wartość ta jest odpowied-
nikiem wartości vopt (przedstawionej na rysunku 1.2) i determinuje pewną optymalną
Rozdział 1. Inżynieria ruchu drogowego 9
przepustowość drogi. Niestety badania ruchu nie potwierdziły zbieżności wyników uzy-
skiwanych przy zastosowaniu wzoru 1.3 z danymi rzeczywistymi, a do wyznaczenia
rzeczywistej przepustowości drogi stosowane są dużo bardziej skomplikowane metody
np. HCM[10, 48].
skład sieci transportowej wchodzi zespół linii, węzłów i punktów transportowych będą-
cych elementami układu przestrzennego. Każdy z tych obiektów może posiadać pewien
charakterystyczny dla siebie zestaw cech. Poniżej podane zostały definicje określające
poszczególne elementy sieci transportowej.
Definicja 1.7
Punkty transportowe są miejscami w których rozpoczyna się lub kończy ruch osób
lub ładunków. Określają one również miejsca, w których następuje zmiana środka trans-
portu lub wykonywane są pewne czynności techniczne związane z obsługą pojazdów
lub przewozem osób i ładunków [23].
Definicja 1.8
Przez drogę transportową rozumiemy pewien obszar terenu przygotowany i dostoso-
wany do ruchu pojazdów (środków transportu). Linia transportowa natomiast okre-
śla trasę przemieszczania obiektów pewnym wybranym środkiem transportu i ustaloną
drogą transportową [23].
Definicja 1.9
Węzeł jest punktem transportowym, w którym spotykają się minimalnie 3 linie trans-
portowe [23].
(a) (b)
Suma wszystkich elementów macierzy X jest równa liczbie łuków (wzór 1.6). Suma
w każdym wierszy odpowiada liczbie połączeń wychodzących z danego wierzchołka,
natomiast suma w każdej kolumnie odpowiada ilości łuków dochodzących do danego
wierzchołka. n n XX
(xk,l = m) (1.6)
k=1 l=1
Macierz przyległościowa dla przykładowego grafu G podanego wcześniej przedsta-
wiona jest w tabeli 1.1.
A B C D E F
A 0 1 0 0 0 0
B 1 0 1 1 0 0
C 0 0 0 1 0 0
D 0 0 1 0 1 0
E 0 0 0 1 0 1
F 0 0 0 1 0 0
Tabela 1.1. Macierz incydencji grafu G sieci transportowej
wysyłającą sygnały zielone i czerwone. Niestety, już po kilku dniach nastąpił wybuch
gazu, co zniechęciło Brytyjczyków do stosowania tego typu urządzeń przez najbliższe
50 lat [23].
Właściwy rozwój sterowania ruchem rozpoczął się w 1914 roku w USA, po zain-
stalowaniu w Cleveland pierwszej elektrycznej sygnalizacji świetlnej (przypominającej
wersję londyńską – tzn. semaforowe ramiona z latarnią). Następnym krokiem było za-
stosowanie sygnałów trójkolorowych (w 1918 roku, w Nowym Jorku). W 1922 roku
zastosowano pierwszą koordynację sygnałów na sąsiednich skrzyżowaniach (Salt Lake
City), w 1928 pierwszą sygnalizację uzależnioną od sytuacji ruchu – akomodacyjną, re-
agującą na sygnał klaksonu samochodu (New Heaven – Baltimore), w 1932 – w Anglii
pierwsza sygnalizacja akomodacyjna w europie z czujnikiem przyciskowym (zamienio-
nym później na pneumatyczny), w 1933 – sygnalizację wzbudzaną przez pieszych, a w
1959 roku podjęto pierwsze próby sterowania komputerowego (Toronto) [10].
W Polsce, pierwsza sygnalizacja świetlna pojawiła się w 1926 roku w Warszawie
na skrzyżowaniu Alei Jerozolimskich i Marszałkowskiej. Po drugiej wojnie światowej
nieomal równocześnie z odbudową miast i ich układów komunikacyjnych instalowano
sygnalizacje świetlne na szerszą skalę. Pierwsza w Polsce sygnalizacja wzbudzana przez
pieszych pojawiła się w 1967 roku w Warszawie przy ul. Grójeckiej, a rok później
pojawił się pierwszy system skoordynowanego sterowania na ciągu Alej Jerozolimskich
i ulicy Marszałkowskiej. Pierwsza w pełni akomodacyjna sygnalizacja wielofazowa zo-
stała uruchomiona w roku 1974 [10, 23].
Obecnie wyróżnić można następujące generacje systemów sygnalizacji świetlnej:
1. stałoczasowa, w której selekcja planów sygnalizacyjnych dokonywana jest na pod-
stawie z góry zdefiniowanego harmonogramu,
2. selekcja planów, której dokonuje komputer na podstawie danych z detektorów,
3. tworzenie planów w czasie rzeczywistym, jako najbardziej optymalnych dla wa-
runków ruchu, dla których dane zostały przekazane z detektorów,
4. obliczanie metodą mikrosymulacji komputerowej programów sygnalizacji dla każ-
dego skrzyżowania oraz planów poszczególnych połączeń.
pojazdów z któregokolwiek potoku ruchu powyżej 3 minut, oraz tworzenie się kolejki
na dowolnym wjeździe skrzyżowania przekraczającej 10 pojazdów.
Sygnalizacja świetlna może być zastosowana w obrębie danego skrzyżowania w jeżeli
liczba kolizji do jakich dochodziło w obrębie danego skrzyżowania przekracza pewną
krytyczną wartość (brany pod uwagę jest okres od ostatnich 12 miesięcy – zalecana
jest jednak analiza ostatnich 36 miesięcy).
Definicja 1.10
Program sygnalizacji projektowany dla sterowników sygnalizacji świetlnej składać
się musi z trzech parametrów: czasu trwania cyklu, struktury oraz splity.
Definicja 1.11
Plan sygnalizacji jest harmonogramem pracy programów sygnalizacyjnych. Plan sy-
gnalizacji konstruowany jest dla sieci skrzyżowań, w których oświetlenie na każdym
skrzyżowaniu jest skoordynowane.
Definicja 1.12
Cykl sygnalizacji T [s] określa czas jaki potrzebny jest na wyświetlenie pełnej sekwen-
cji sygnałów świetlnych w ramach danego skrzyżowania. Sekwencja sygnałów świetl-
nych stanowi minimalny uporządkowany oraz powtarzalny zbiór sygnałów w programie
sygnalizacji, który gwarantuje, że każdy uczestnik ruchu znajdujący się na dowolnym
wlocie skrzyżowania otrzyma w pewnej chwili czasu sygnał zielony, zezwalający mu na
jazdę.
Definicja 1.13
Split sygnalizacji stanowi stosunek trwania każdego sygnału w programie sygnalizacji
do czasu trwania całego cyklu sygnalizacji.
Definicja 1.14
Faza ruchu następuje wówczas, gdy przynajmniej jeden z potoków ruchu (pieszych
lub pojazdów) w ramach danego skrzyżowania ma dozwolony przejazd lub przejście
przez skrzyżowanie.
Rozdział 1. Inżynieria ruchu drogowego 16
Definicja 1.15
Faza sygnalizacyjna jest czasem obejmującym wszystkie sąsiadujące ze sobą prze-
działy sygnalizacyjne, w których dla pewnego z góry określonego zestawu strumieni
ruchu pojazdów nadawany jest w tej samej chwili czasu sygnał zielony.
Definicja 1.16
Grupa sygnalizacyjna definiuje zestaw sygnalizatorów świetlnych w obrębie danego
skrzyżowania, które w programie sygnalizacyjnym wyświetlają identyczne sygnały.
Definicja 1.17
Czas międzyzielony tm [s] określa czas w którym kończy się i zaczyna sygnał zielony
dla dwóch wzajemnie kolizyjnych potoków ruchu.
Definicja 1.18
Punkt przełączeń określa czas w którym następuje zmiana przynajmniej jednego z
nadawanych sygnałów świetlnych.
Stworzony plan sygnalizacyjny powinien zapewniać, aby każdy strumień ruchu, co
najmniej raz na cykl otrzymał sygnał zezwalający na ruch lub sygnał jazdy warunkowej
(sygnalizacja cykliczna). W sygnalizacji acyklicznej wymagane jest aby potoki ruchu
nie poddawane detekcji otrzymywały sygnał zezwalający na jazdę przynajmniej raz na
2 minuty. Minimalny czas fazy ruchu dla obu typów sygnalizacji nie może być krótszy
niż 9 sekund dla potoku pojazdów osobowych oraz 8 sekund dla pojazdów komunikacji
miejskiej [10].
Rys. 1.6. Schemat systemu sterowania ruchem drogowym na autostradzie. Źródło [30]
Rozdział 1. Inżynieria ruchu drogowego 19
samochodów osobowych sytuacja ta zmienia się w dni wolne od pracy (na rysunku
przerywane linie).
Rys. 2.1. Średnie dobowe natężenie ruchu pojazdów. Źródło danych [1]
Rys. 2.2. Średnie tygodniowe natężenie ruchu pojazdów. Źródło danych [1]
się w pewnych przedziale. Jak możemy zauważyć na rysunkach od 2.4 do 2.7 rozkład
prędkości może być bardzo różny, a uzależniony jest w głównej mierze od parametrów
technicznych drogi oraz od obowiązujących w jej obszarze ograniczeń ruchu.
Rys. 2.4. Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla
Estakady Gądowianka
Rozdział 2. Predykcja parametrów ruchu 24
Rys. 2.5. Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla
Mostu Milenijnego
Rys. 2.6. Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla
Węzeł Lotnicza
Rozdział 2. Predykcja parametrów ruchu 25
Rys. 2.7. Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla
Węzła Sobieskiego
Przyjmuje się, że dla predykcji krótko okresowych błąd szacowanych wartości z warto-
ściami rzeczywistymi powinien być stosunkowo mały, podczas gdy dla predykcji dłu-
gookresowej, tolerowana jest nawet znaczna rozbieżność na rzecz zachowania ogólnego
trendu danych.
Predykcja w szeregu czasowym bazuje na wartościach z przeszłości w celu próby
oszacowania wartości w kolejnych punktach czasu (rysunek 2.8). Dane z przeszłości na
podstawie których stara się przewidzieć kolejną wartość szeregu stanowią okno czasowe.
Okno czasowe może obejmować wszystkie dotychczas zebrane dane, lub też możemy
ograniczyć je tylko do N ostatnich pomiarów. Decyzja o wyborze szerokości okna da-
nych podyktowana może być wynikami wstępnej analizy występujących w szeregu za-
Rozdział 2. Predykcja parametrów ruchu 26
danych, oraz max - maksymalna wartość w zbiorze danych. Parametry min oraz max
określają minimalną oraz maksymalną wartość jaka może wystąpić w zbiorze danych.
Określenie ich nie powinno być trudne, ponieważ, jeżeli dysponujemy szeregiem po-
miarów z dość długiego okresu czasu, założyć możemy, że wartość pomiaru nigdy nie
będzie większa, niż maksymalna archiwalna wartość powiększona o 10% swojej warto-
ści. Minimalną ilością mierzonych pojazdów zawsze będzie liczba zero.
Jeżeli dane wejściowe poddajemy procesowi normalizacji, wyjście sieci należy zde-
normalizować, zgodnie z poniższym wzorem:
Rys. 2.12. Wyniki predykcji funkcji sinusoidalnej y = sin(x) + a dla błędu uczenia 0.1
Rozdział 2. Predykcja parametrów ruchu 31
Rys. 2.13. Wyniki predykcji funkcji sinusoidalnej y = sin(x)+a dla błędu uczenia 0.01
Rozdział 2. Predykcja parametrów ruchu 32
Posiadane szeregi czasowe pomiarów podzielone zostały na szereg uczący oraz te-
stowy w stosunku około 3 : 1, a następnie przeprowadzone zostały badania.
Pomiary 1 godzinne
Właściwości predykcji sieci neuronowej przebadane zostały dla szeregu czasowego
pomiarów wykonanych w odstępach jednogodzinnych. Wykres części szeregu stanowią-
cego ciąg uczący sieci przedstawiony został na rysunku 2.18, natomiast na rysunku 2.19
umieszczony został ciąg testowy. Wyniki predykcji krótkoterminowej dla błędu sieci w
procesie uczenia 0.8, 0.5, 0.1 oraz 0.01 przedstawione zostały na rysunkach od 2.20 do
2.23.
Rozdział 2. Predykcja parametrów ruchu 36
Rys. 2.20. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 1 godzinnego
oraz błędu 0.8
Rys. 2.21. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 1 godzinnego
oraz błędu 0.5
Rozdział 2. Predykcja parametrów ruchu 38
Rys. 2.22. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 1 godzinnego
oraz błędu 0.1
Rys. 2.23. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 1 godzinnego
oraz błędu 0.01
Rozdział 2. Predykcja parametrów ruchu 39
Pomiary 10 minutowe
Kolejne testy wykonane zostały dla szeregu czasowego pomiarów wykonanych w
odstępach 10 minutowych. Szereg uczący oraz testowy przedstawiony został na rysunku
2.24. Następnie wykonano proces nauki sieci dla błędu na poziomie 0.8, 0.5, 0.1, 0.01,
a uzyskane wyniki przedstawiono odpowiednio na rysunkach od 2.25 do 2.25.
Rys. 2.24. Szereg uczący i testowy 10 minutowych pomiarów natężenia ruchu pojazdów
osobowych
Rozdział 2. Predykcja parametrów ruchu 40
Rys. 2.25. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.8
Rys. 2.26. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.5
Rozdział 2. Predykcja parametrów ruchu 41
Rys. 2.27. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.1
Rys. 2.28. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.01
Rozdział 2. Predykcja parametrów ruchu 42
(a) Pojazdy osobowe pomiary 1 godzinne (b) Pojazdy ciężarowe pomiary 1 godzinne
(c) Pojazdy osobowe pomiary 10 minutowe (d) Pojazdy ciężarowe pomiary 10 minutowe
Rys. 2.30. Zmiana wartości błędu sieci neuronowej w czasie procesu nauki
testów wykorzystany został szereg czasowy zawierający pomiary 1 godzinne ruchu po-
jazdów osobowych, przyjęta szerokość okna danych wynosiła 10, natomiast pożądany
błąd pracy sieci wynosił 0.01. Na rysunku 2.31 przedstawione zostały uśrednione wyniki
z 5 badań. Zaobserwować można, że istnieje pewna optymalna wartość współczynnika
uczenia, która powoduje, że ilość epok uczących jest najmniejsza. W badanym przy-
padku minimalną ilość epok uczących udało się uzyskać dla współczynnika uczenia
wynoszącego 0.5. Dla zbyt małych wartości współczynnika uczenia ilość epok uczących
rośnie bardzo gwałtownie. Jeżeli natomiast współczynnik nauki jest zbyt duży, w na-
szym przypadku kiedy wynosił 2, może się zdarzyć, że algorytm nie będzie zbieżny [24]
i sieć nigdy nie osiągnie pożądanego błędu.
Przeprowadzone zostało również badanie mające na celu określenie ilości epok nie-
zbędnych do osiągnięcia zadanego błędu sieci neuronowej. W badaniu po raz kolejny
wykorzystany został szereg czasowy pomiarów jednogodzinnych ruchu pojazdów oso-
bowych. Przyjęty w teście współczynnik uczenia wynosił 0.25, a szerokość okna danych
wynosiła 10 pomiarów. Wyniki przedstawione na rysunku 2.32, wskazują że im mniejszy
pożądany błąd sieci neuronowej tym większa niezbędna ilość epok uczących, przy czym
zależność ta ma charakter wykładniczy.
Rozdział ten poświęcony jest mikrosymulacji ruchu drogowego, jako narzędzia oceny
oraz predykcji warunków ruchu pojazdów w pewnym symulowanym obszarze. W pierw-
szej części rozdziału przedstawiona jest definicja automatu komórkowego, a następnie
proponowane jego zastosowanie do symulacji ruchu drogowego. W następnej kolejno-
ści zaproponowany zostanie rozszerzony model automatu komórkowego, którego celem
jest oddanie wierniejszych warunków ruchu pojazdów w obrębie aglomeracji miejskich.
Omówione zostaną również reguły automatu pozwalające symulować ruch pojazdów
na drogach jedno oraz wielopasmowych.
3.3.1. Kierowca
W proponowanym modelu wprowadzony został zupełnie nowy element jakim jest
kierowca. Dzięki jego uwzględnieniu uzyskujemy możliwość wpływu na dwa nowe czyn-
niki determinujące charakter jazdy samochodów.
Rozdział 3. Symulacja ruchu drogowego 48
3.3.2. Pojazd
Wyróżnienie pojazdu jako osobnego elementu symulacji pozwoliło wprowadzić
pewną jego charakterystykę. Określone zostały następujące cechy:
◦ długość pojazdu – L,
◦ maksymalna prędkość pojazdu – vmax ,
◦ maksymalne przyspieszenie pojazdu – amax .
Dodatkowo wartość aktualnej prędkości zapisana jest za pomocą liczby rzeczywistej, a
przyspieszenie pojazdu jest funkcją aktualnej prędkości i wraz z jej wzrostem maleje w
sposób przedstawiony na rysunku 3.3.
Ilość komórek w jakiej będzie się on znajdował określona jest poniższym wzorem (wzór
3.2): » ¼
L
xL = , (3.2)
lc
gdzie xL jest minimalną ilością komórek niezbędną do reprezentacji danego pojazdu
w automacie, L - to długość pojazdu wyrażona w metrach, a lc to długość przekroju
podłużnego drogi [m] reprezentowanej przez jedną komórkę automatu.
Aktualna prędkość pojazdu wyrażona w liczbie komórek o jakie nastąpi przesunięcie
danego pojazdu wyrażone jest poniższym wzorem (wzór 3.3):
µ ¶
vr
v = round , (3.3)
lc
gdzie v to prędkość pojazdu wewnątrz automatu komórkowego (liczba całkowita), vr to
aktualna prędkość pojazdu w [m/s] (liczba rzeczywista), a lc to długość przekroju
podłużnego drogi [m] reprezentowanej przez jedną komórkę automatu, a round to naj-
bliższe przybliżenie liczby rzeczywistej liczbą całkowitą.
3.3.4. Droga
3.3.5. Skrzyżowanie
Jak już zostało wspomniane wcześniej, aby analizować ruch w obrębie ośrodków
miejskich bardzo ważne jest aby model skrzyżowania dostarczał wyników porównywal-
nych z rzeczywistością. W modelu Nagela–Schreckenberga, wielkość komórki uniemożli-
wiała prawidłową analizę. Stworzony został specjalny model skrzyżowania pozwalający
uwzględnić złożone procesy ruchu odbywające się w jego wnętrzu.
Aby lepiej zrozumieć elementy składające się na model skrzyżowania przeanalizować
należy model rzeczywistego skrzyżowania. Na rysunku 3.6 widać, że wewnątrz struktury
skrzyżowania skrzyżowania występują pewne charakterystyczne punkty. Punkty włą-
czenia określają miejsca wewnątrz skrzyżowania, w których spotykają się pojazdy róż-
nych potoków ruchu. Punkty wyłączeń określają miejsca w których pojazdy wyłączają
się z aktualnego potoku ruchu, natomiast punkty przecięcia to miejsca w przestrzeni
w których spotkać się mogą pojazdy różnych potoków ruchu. Miejsca włączeń oraz
przecięć potoków ruchu stanowią punkty kolizyjne, gdzie może dojść do ewentualnych
wypadków. Liczba punktów kolizyjnych nk dla skrzyżowania o nw wlotach podana jest
wzorem 3.6 [10].
1
· (nw − 1) · (nw − 2) · nw 2
nk = (3.6)
6
Wszystkie możliwe manewry jakie może wykonać pojazd w ramach przejazdu przez
skrzyżowanie zostały zebrane na rysunku 3.7.
(c) Przecięcia
1 foreach(pojazd) do
2 begin
3 if (rand(100) < P_a) then
4 t_i <- min (v_i_max, v_i(t) + a(v_i(t)), kierowca_i(v_d));
5 else
6 t_i <- v_i(t);
12 przesunPojazdy()
Aby pojazd dokonał zmiany pasa ruchu niezbędne jest spełnienie dwóch warunków,
z których pierwszy określa warunki dla których dalsze poruszanie się aktualnym pasem
ruchu jest nieefektywne, a drugi warunek bezpieczeństwa określający, czy zmiana pasa
jest w ogóle możliwa. Warunek po spełnieniu którego pojazd zmienia pas z prawego na
lewy, czyli zjeżdża w kierunku środka jezdni określony jest równaniem 3.7.
x
∀x ∈ T.OdlegloscZa > vmax , (3.9)
x
gdzie T to zbiór wszystkich typów symulowanych pojazdów, a vmax jest maksymalną
prędkością pojazdu określonego typu.
Optymalizacja pojedynczych
skrzyżowań
odpowiadają liczbie sekund, na jakie zostanie zapalone światło zielone dla danej fazy.
Oczywiście wartości te spełniają zależność:
Przez Tmin oraz Tmax oznaczamy odpowiednio minimalną oraz maksymalną długość
trwania światła zielonego.
Długość cyklu sygnalizacji świetlnej (definicja 1.12) wynosi wówczas:
NF
X
T = ti , (4.3)
i=1
ti
Si = (4.4)
T
4.6. Podsumowanie
Wykonane zostały badania zaproponowanej metody optymalizacji pracy sygnaliza-
cji świetlnej dla izolowanego skrzyżowania. Otrzymane rezultaty dały satysfakcjonujące
wyniki, a utworzone plany sygnalizacyjne zwiększyły przepustowość optymalizowanego
skrzyżowania oraz poprawiły warunki ruchu pojazdów. Dodatkową zaletą rozwiązania
jest krótki czas znajdowania rozwiązania optymalnego lub bliskiego rozwiązaniu opty-
malnemu, co jest cechą umożliwiającymi wykorzystanie go w adaptacyjnych systemach
sterowania ruchem w czasie rzeczywistym.
Otrzymane rezultaty pozwalają sądzić, że algorytm genetyczny jest w stanie zopty-
malizować ruch pojazdów również w obrębie sieci dróg. W kolejnym rozdziale omówione
zostaną niezbędne modyfikacje zaproponowanego rozwiązania, tak aby możliwa była
optymalizacja ruchu pojazdów dla sieci ulic.
Rozdział 5
Po procesie krzyżowania dla każdego z dzieci operator mutacji stosowany jest z rów-
nym prawdopodobieństwem Pm dla każdego genu w chromosomie. Zastosowanie ope-
ratora mutacji polega na wylosowaniu pewnej wartości ∆s z dozwolonego przedziału
[∆min , ∆max ]. Przedział ten określany jest odrębnie dla każdej zmiennej, tak aby po
zastosowaniu operatora mutacji zmienna spełniała nałożone na nią ograniczenia (wzory
od 5.3 do 5.8). Wartość ∆min i ∆max w kolejnych pokoleniach ekspotencjalnie dąży do
zera (osiągając je w ostatnim pokoleniu Np ), tak aby w końcowych pokoleniach zmiany
dokonywane przez mutacje były niewielkie i służyły raczej dostrojeniu znalezionych
rozwiązań (rysunek 5.4).
Po każdorazowym zastosowaniu operatora mutacji sprawdzane jest czy osob-
nik spełnia ograniczenia nałożone na wszystkie geny (wzory 5.3 do 5.8), jeżeli
nie jest on naprawiany. Każdorazowa zmiana j-tego splitu i-tego skrzyżowania
(i)
(sj , gdzie 1 ≤ j ≤ G(i)) o wartość ∆s, wymaga równomiernej modyfikacji
pozostałych wartości splitów, tak aby suma ich czasów była równa długości cyklu.
Rozdział 5. Optymalizacja sieci skrzyżowań 75
gdzie i oznacza numer skrzyżowania, a j numer splitu który został zmodyfikowany przez
operator mutacji o wartość ∆s. Ponieważ do zakodowania każdej wartości splitu użyto
reprezentacji całkowitej, zdarzyć się może, że naprawiając osobnika zgodnie ze wzo-
rem 5.9, nie spełniony jest warunek 5.5. W takim przypadku wartość modyfikowanego
wcześniej splitu j, ponownie jest zmieniana o niezbędną wartość (równanie 5.10)
G(i)
(i) (i) X (i)
sj ← sj + 100 − sl . (5.10)
l=i
gdzie NG podobnie jak we wzorze 5.12 jest całkowitą liczbą detektorów, a Nv (i) jest
całkowitą liczbą pojazdów zarejestrowanych przez i–ty detektor. NG jest ilością gene-
ratorów występujących w optymalizowanej sieci, a Ng (i) ilością pojazdów wygenerowa-
nych przez i–ty generator. Ponieważ liczba zarejestrowanych pojazdów zawsze będzie
mniejsza bądź równa liczbie pojazdów wygenerowanych (wzór 5.14), wartości funkcji
J(conf ) należą do zakresu [0, 1].
ND
X NG
X
(i)
Nv ≤ Ng (j) (5.14)
i=1 j=1
Stosunkowo niska ocena najgorszego osobnika w każdym pokoleniu dla obu sieci
transportowych, nasuwa wniosek, że nawet niewielkie zmiany konfiguracji parametrów
planów sygnalizacyjnych mogą mieć bardzo duże znaczenie dla warunków ruchu. Wy-
nika to z faktu, iż wiele z tych parametrów jest ze sobą wysoce skorelowanych i nawet
niewielkie ich zmiany mogą mieć bardzo znaczący wpływ na koordynację ruchu w całej
sieci.
Zmiana wartości kluczowych parametrów ruchu rejestrowanych w czasie procesu
ewolucji dla najlepszego osobnika w każdym pokoleniu przedstawiona jest na rysunku
5.8. Można zauważyć, że już w pierwszych pokoleniach następowała bardzo szybka ich
poprawa. Zmniejszeniu uległ średni czas oczekiwania (rysunek 5.8 b), który bezpośred-
nio przekłada się na liczbę oraz czas zatrzymań pojazdów. Przez kierowców parametr
ten odczuwany jest jako płynność jazdy. Ostatecznie udało się ją poprawić niemalże
o połowę. Średnia prędkość techniczna pojazdów, która w tym przypadku nie jest
skorelowana z czasem postoju, również uległa poprawie (rysunek 5.8 a). Wartość tego
parametru decyduje również o komforcie jazdy, jednak nie jest to czynnik o kluczowym
Rozdział 5. Optymalizacja sieci skrzyżowań 79
Rys. 5.8. Zmiana kluczowych parametrów ruchu w trakcie procesu ewolucji dla najlep-
szego osobnika w pokoleniu
Rozdział 5. Optymalizacja sieci skrzyżowań 81
Rys. 5.12. Średnia liczba zarejestrowanych pojazdów dla pozostałych osobników w po-
pulacji
Rys. 5.13. Średnia liczba wygenerowanych pojazdów dla pozostałych osobników w po-
pulacji
Rys. A.1. Szereg uczący dla pomiarów 1 godzinnych natężenia ruchu pojazdów cięża-
rowych
Dodatek A. Predykcja danych natężenia ruchu pojazdów ciężarowych 87
Rys. A.2. Szereg testowy dla pomiarów 1 godzinnych natężenia ruchu pojazdów cięża-
rowych
Rys. A.3. Predykcja natężenia ruchu pojazdów ciężarowych dla pomiarów 1 godzinnych
Dodatek A. Predykcja danych natężenia ruchu pojazdów ciężarowych 88
Rys. A.4. Szereg uczący i testowy dla pomiarów 10 minutowych natężenia ruchu po-
jazdów ciężarowych
Rys. A.5. Predykcja natężenia ruchu pojazdów ciężarowych dla pomiarów 10 minuto-
wych
Spis rysunków
89
2.22 Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 1 godzinnego oraz
błędu 0.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.23 Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 1 godzinnego oraz
błędu 0.01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.24 Szereg uczący i testowy 10 minutowych pomiarów natężenia ruchu pojazdów
osobowych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.25 Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.26 Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.27 Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.28 Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.29 Zestawienie błędu predykcji na danych testowych w zależności od przyjętego
błędu sieci w procesie uczenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.30 Zmiana wartości błędu sieci neuronowej w czasie procesu nauki . . . . . . . . . . 43
2.31 Ilość epok uczących w zależności od współczynnika uczenia . . . . . . . . . . . . 43
2.32 Ilość epok uczących w zależności od porządanego błędu wyjściowego . . . . . . . 44
4.1 SchematOptymalizacji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2 Budowa chromosomu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3 Błąd oceny rozwiązania w zależności od liczby przeprowadzonych symulacji . . . 64
4.4 Przejazd wahadłowy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5 Ewolucja przejazdu wahadłowego zestawem parametrów 1 . . . . . . . . . . . . . 66
4.6 Ewolucja przejazdu wahadłowego zestawem parametrów 2 . . . . . . . . . . . . . 66
4.7 Skrzyżowania typu T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.8 Proces ewolucji dla skrzyżowania typu T . . . . . . . . . . . . . . . . . . . . . . 67
4.9 Skrzyżowanie czterowlotowe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.10 Proces ewolucji dla optymalizacji skrzyżowania czterowlotowego . . . . . . . . . 68
4.11 Porównanie zmian wydajności systemu adaptacyjnego i stałoczasowego . . . . . 69
90
5.1 Schemat procesu optymalizacji . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2 Struktura chromosomu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3 Krzyżowanie osobników . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.4 Zmiana zakresu mutacji w trakcie procesu ewolucji . . . . . . . . . . . . . . . . . 75
5.5 Struktura optymalizowanej sieci transportowej . . . . . . . . . . . . . . . . . . . 77
5.6 Prawdopodobieństwo wyboru trasy przejazdu w ramach skrzyżowania . . . . . . 77
5.7 Proces ewolucji populacji w trakcie optymalizacji sieci skrzyżowań . . . . . . . . 78
5.8 Zmiana kluczowych parametrów ruchu w trakcie procesu ewolucji dla najlepszego
osobnika w pokoleniu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.9 Zależność pomiędzy zmianami poszczególnych parametrów w trakcie procesu
ewolucji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.10 Średnia prędkość techniczna pozostałych osobników w populacji . . . . . . . . . 81
5.11 Średni czas postoju pozostałych osobników w populacji . . . . . . . . . . . . . . 81
5.12 Średnia liczba zarejestrowanych pojazdów dla pozostałych osobników w populacji 82
5.13 Średnia liczba wygenerowanych pojazdów dla pozostałych osobników w populacji 82
A.1 Szereg uczący dla pomiarów 1 godzinnych natężenia ruchu pojazdów ciężarowych 86
A.2 Szereg testowy dla pomiarów 1 godzinnych natężenia ruchu pojazdów ciężarowych 87
A.3 Predykcja natężenia ruchu pojazdów ciężarowych dla pomiarów 1 godzinnych . . 87
A.4 Szereg uczący i testowy dla pomiarów 10 minutowych natężenia ruchu pojazdów
ciężarowych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
A.5 Predykcja natężenia ruchu pojazdów ciężarowych dla pomiarów 10 minutowych . 88
Bibliografia
[1] Aina S., Smith. A. Transport statistics bulletin: road traffic statistics 2001 (statistics
report sb (02) 23). Department for Transport, Great Minster House, 2001.
[2] Andersson L., Ĺsa Rönnbom. Intelligent agents – a new technology for
future distributed sensor systems. Master’s thesis, Department of Infor-
matics, School of Economies and Commercial Law, Göteborg University,
http://citeseer.ist.psu.edu/andersson99intelligent.html, 1999.
[3] Architecture Development Team. National ITS Architecture – ITS Vision Statement.
U.S. Department of Transportation, Federal Highway Administration, Washington D.C.,
October 2003.
[4] Architecture Development Team. National ITS Architecture – Mission Definition. U.S.
Department of Transportation, Federal Highway Administration, Washington D.C.,
October 2003.
[5] Architecture Development Team. National ITS Architecture Logical Architecture —
Volume I Description. U.S. Department of Transportation, Federal Highway Admini-
stration, Washington D.C., October 2003.
[6] Architecture Development Team. National ITS Architecture Logical Architecture —
Volume II Process Specification. U.S. Department of Transportation, Federal Highway
Administration, Washington D.C., October 2003.
[7] Architecture Development Team. National ITS Architecture Logical Architecture —
Volume III Data Dictionary. U.S. Department of Transportation, Federal Highway
Administration, Washington D.C., October 2003.
[8] Basile F., Carbone C., Chiacchio P., Boel R. K., Avram C. C. A hybrid model for urban
traffic control. In SMC (2), pages 1795–1800, 2004.
[9] Bullock D., Urbanik T. Traffic signal systems – addressing diverse technologies.
http://citeseer.ist.psu.edu/426985.html.
[10] Datka S., Suchorzewski W., Tracz M. Inżynieria ruchu. Wydawnictwa Komunikacji i
Łączności, Warszawa, 1999.
92
[11] Davol A. Modeling of traffic signal control and transit signal priority strategies in a
microscopic simulation laboratory. Massachusetts Institute Of Technology, 2001.
[12] Erol K., Levy R., Wentworth J. Application of agent technology to traffic simulation.
http://www.tfhrc.gov/advanc/agent.htm, Apr. 2003.
[13] Esser J., Schreckenberg M. Microscopic simulation of urban traffic based on cellular
automata. Int. J. Mod. Phys. C, forthcoming,
http://citeseer.ifi.unizh.ch/esser97microscopic.html.
[14] Hegyi A., M. van den Berg, B. De Schutter, Hellendoorn J. A macroscopic traffic model
for integrated control of freeway and urban traffic networks. Technical report 03-002,
Delft Center for Systems and Control, Delft University of Technology, December 2003.
[15] Hernández J., Cuena J., Molina M. Real-time traffic management through knowledge-
based models: The trys approach.
[16] Hewage K. N., Ruwanpura J. Y. Optimization of traffic signal light timing using simu-
lation. In Winter Simulation Conference, pages 1428–, 2004.
[17] Hoogendoorn S. Fuzzy perspectives in traffic engineering. Delft University of Technology,
2000.
[18] Horiguchi R., Katakura M., Akahane H., Kuwahara M. A development of
a traffic simulator for urban road networks: Avenue. VNIS Proceedings,
http://www.transport.iis.u-tokyo.ac.jp/PDFs/1994/1994-007.pdf, 1994.
[19] Jamroza K. Systemy sterowania ruchem ulicznym. Wydawnictwa Komunikacji i Łącz-
ności, Warszawa, 1984.
[20] Kirschfink H., Engels J., Boero M., Barcelo J. Scenario analysis for traffic management
using frame based reasoning. Heusch/Boesefeldt Gmbh, 1999.
[21] Kirschfink H., Hernández J., Boero M. Intelligent traffic management models.
http://citeseer.ist.psu.edu/690143.html, ESIT Germany, September 2000.
[22] Klar A., Kuehne R., Wegener R. Mathematical models for vehicular traffic.
http://citeseer.ist.psu.edu/klar96mathematical.html, 1996.
[23] Komar Z., Wolek C. Inżynieria ruchu drogowego: wybrane zagadnienia. Wydawnictwo
Politechniki Wrocławskiej, Wrocław, 1994.
[24] Kosiński R. A. Sztuczne sieci neuronowe : dynamika nieliniowa i chaos. Wydawnictwa
Naukowo-Techniczne, Warszawa, wyd. 2. edition, 2004.
[25] Krauß S. Towards a unified view od microscopic traffic flow theories. 27(5):719–735,
2001, http://citeseer.ist.psu.edu/wahle99cellular.html.
[26] Krystek R. Komputerowe systemy sterowania ruchem ulicznym i drogowym: przykłady
zastosowań. Wydawnictwa Komunikacji i Łączności, Warszawa, 1984.
[27] Krystek R. M., Szczuraszek T., Hoppe L., Chodur J., Gondek S., Tracz M., Rakiewicz
M., Molisz W., Sosin J., Kaczmarek M., Barne B., Urbański A. Symulacja ruchu potoku
pojazdów – wybrane zagadnienia. Biblioteka drogownictwa. Wydawnictwa Komunikacji
i Łączności, Warszawa, 1980.
[28] Kwaśnicka H., Stanek M. Adaptacyjny system sygnalizacji Świetlnej oparty na algoryt-
93
mie genetycznym. Inżynieria Wiedzy i Systemy Ekspertowe, materiały konferencyjne,
2006.
[29] Kwaśnicka H., Stanek M. Genetic approach to optimize traffic flow by timing plan
manipulation. Intelligent Systems Design and Applications, artykuł zgłoszony, 2006.
[30] Leśko M., Guzik J. Sterowanie ruchem drogowym: sterowniki i systemy nadzoru ruchu.
Wydawnictwo Politechniki Śląskiej, Gliwice, 2000.
[31] Mensebach W. Podstawy inżynierii ruchu drogowego. Wydawnictwa Komunikacji i
Łączności, Warszawa, 1978.
[32] Miaoqing F., Foong W. W. Investigate traffic flow using cellular automata. An USC3001
report 2003/2004.
[33] Michalewicz Z. Algorytmy genetyczne + struktury danych = programy ewolucyjne. Wy-
dawnictwa Naukowo-Techniczne, Warszawa, wyd. 3. edition, 2003.
[34] Miracki M., Dworak A. Modele komórkowe ruchu drogowego.
http://fatcat.ftj.agh.edu.pl/ mat/ksn/, 2005.
[35] Mirchandani P., Wang F.-Y. A real-time traffic signal control system: Architecture,
algorithms, and analysis. Transportation Research Part C, 9(6):415–432, 2001.
[36] Nagel K. Distributed intelligence in large scale traffic simulations on parallel computers.
http://citeseer.ist.psu.edu/nagel02distributed.html.
[37] Nagel K., Schreckenberg M. Traffic jam dynamics in stochastic cellular automata.
95ATS089, 1997.
[38] Nagel K., Simon P. M. Simpliffied cellular automaton model for city traffic. Phys. Rev.
E, 58:1286, 1997.
[39] Nagel K., Wolf D. E., Wagner P., Simon P. M. Two-lane traffic rules for cellular auto-
mata: A systematic approach. Phys. Rev. E, 58(2), Aug. 1998.
[40] Peytchev E. T., Bargiela A. Paralel simulation of city traffic flows using padsim :
Probabilistic adaptive simulation model. The Nottingham Trent University, 2002.
[41] Rechenberg I. Evolution strategy: Nature’s way of optimization. in bergmann, editor,
methods and applications, possibilities and limitations. Lecture notes in Engineering,
pages 106–126.
[42] Rickert M., Nagel K., Schreckenberg M., Latour A. Two lane traffic simulations using
cellular automats. Physica A, 231(4):534–550, 1996.
[43] Roozemond D., Rogier J. Agent controlled traffic lights.
http://citeseer.ist.psu.edu/678061.html, 2000.
[44] Sinha K., Patek S. D. Opiate: Optimization integrated adaptive traffic engineering.
Department of Systems and Information Engineering University of Virginia, 2002.
[45] Stanek M. Nowoczesne metody mikrosymulacji ruchu drogowego z wykorzystaniem
automatów komórkowych. IV Konferencja Naukowa Studentów: Referaty – Tom 2,
pages 55–60, 2006.
[46] Stanek M., Kupczyk P. Predykcja danych w szeregach czasowych na przykładzie pre-
94
dykcji cen akcji spółki giełdowej kghm polska miedź s.a. IV Konferencja Naukowa
Studentów: Referaty – Tom 1, pages 154–160, 2006.
[47] Tavladakis K., Voulgaris N. C. Development of an autonomous adaptive traffic control
system. In ESIT - The European Symposium on Intelligent Techniques, 1999.
[48] Tracz M., Chodur J., Gaca S., Gondek S., Kieć M., Ostrowski K. Metoda obliczania
przepustowości skrzyżowań z sygnalizacją świetlną. Wydawnictwo PiT, Warszawa, 2004.
[49] U.S. Department of Transportation. Manual on Uniform Traffic Control Devi-
ces – for Streets and Highways. Federal Highway Administration, Washington D.C.,
http://mutcd.fhwa.dot.gov, 2003.
[50] U.S. Department of Transportation Federal Highway Administration. Surrogate safety
measures from traffic simulation models. Final Report, January 2003.
[51] van Katwijk R., van Koningsbruggen P., De Schutter B., Hellendoorn J. Test bed for
multiagent control systems in road traffic management. Transportation Research Record,
(1910):108–115, 2005.
[52] Wahle J., Neubert L., Esser J., Schreckenberg M. A cellular automaton traffic
flow model for online simulation of traffic. Parallel Computing, 27(5):719–735, 2001,
http://citeseer.ist.psu.edu/wahle99cellular.html.
[53] Wiering M., van Veenen J., Vreeken J., Koopman A. Intelligent traffic light control.
http://citeseer.ist.psu.edu/wiering04intelligent.html.
95