Michal Stanek-Inteligentne Systemy W Zarządzaniu Ruchem Drogowym

Wydział Informatyki i Zarządzania
kierunek studiów: Informatyka

specjalność: Inżynieria oprogramowania
Praca dyplomowa - magisterska
Inteligentne systemy w zarządzaniu

ruchem drogowym
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
4.6. 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
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
„(...) to, co znajduje się w ciągłym ruchu, jest nieśmiertelne”

Platon
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
ośrodków miejskich jest to jedna z najskuteczniejszych metod sterowania ruchem

pojazdów[10]. Celem modyfikacji planów sygnalizacji świetlnej może być zwiększenie
przepustowości badanego obszaru, zwiększenie użycia taboru pojazdów komunikacji
miejskiej lub też zapewnienie komfortowych warunków jazdy pojazdów osobowych.
Postawiony cel zrealizowany zostanie poprzez zaproponowanie czterech niezależnych
modułów, które po połączeniu stanowić będą kompletny system sterowania ruchem.
Jednym z wymaganych modułów jest moduł symulacji pozwalający określić parametry
ruchu pojazdów poruszających się w zarządzanym obszarze. Model ten dostarczać musi
informacje na temat warunków ruchu każdego pojazdu znajdującego się w badanym ob-
szarze. Dysponując tymi danymi skonstruować możemy algorytm optymalizacji pracy
sygnalizacji. Celem opracowania modułu zarządzającego oświetleniem jest minimali-
zacja strat czasu pojazdów oraz maksymalizacja przepustowości elementów badanego
obszaru. Niezbędne będzie skonstruowanie modułu sterującego oświetleniem w obrębie
izolowanego skrzyżowania drogowego oraz w obrębie sieci skrzyżowań. Optymalizacja
sieci skrzyżowań wymaga, poza dobraniem odpowiednich czasów poszczególnych faz
ruchu, zapewnienia odpowiedniej koordynacji pracy każdego ze skrzyżowań w stosunku
do innych skrzyżowań.
Optymalizacja ruchu jest procesem kosztownym obliczeniowo, dlatego ważne jest
aby po jej zakończeniu program pracy sygnalizatorów świetlnych był dostosowany
zmienionych warunków drogowych. Aby system mógł pracować skutecznie konieczne
jest opracowanie modelu predykcji danych natężenia ruchu pojazdów na wszystkich
drogach dojazdowych do badanego obszaru. Jeżeli estymowane wartości będą bliskie
rzeczywistym to zapewnią, że warunki ruchu dla których nastąpił proces optymalizacji
będą odpowiadać warunkom drogowym panującym zaraz po procesie optymalizacji.
Praca składa się z pięciu części. Rozdział 1 przedstawia wstęp teoretyczny. Omó-
wione w nim zostały podstawowe zagadnienia z dziedziny inżynierii ruchu drogowego,
takie jak natężenie, gęstość oraz przepustowość ruchu. Przedstawione zostało również
fundamentalne równanie ruchu oraz sposób oceny warunków drogowych. W rozdziale
poruszone są także zagadnienia dotyczące projektowania planów sygnalizacji świetlnej
w celach późniejszego procesu sterownia ruchem.
Rozdział 2 poświęcony jest zagadnieniu predykcji parametrów ruchu drogowego
i stanowi omówienie pierwszej części proponowanego systemu. Przedstawione w nim
zostały zależności rządzące rozkładem dobowym oraz tygodniowym natężenia ruchu
na drogach. Następnie zaproponowany został model predykcji wykorzystujący w swoim
działaniu sztuczną sieć neuronową. Rozdział zawiera analizę uzyskanych wyników dla
ruchu pojazdów osobowych przy różnych odstępach wykonywanych pomiarów.
W rozdziale 3 przedstawiony został proponowany model mikrosymulacji ruchu
drogowego. W pierwszej części rozdziału przedstawiona została koncepcja auto-
matów komórkowych, a następnie komórkowy model ruchu zaproponowany przez
Nagela–Schreckenberga. W dalszej części rozdziału omówione zostało proponowane roz-
szerzenie modelu w celu wierniejszej symulacji ruchu drogowego w obrębie ośrodków
miejskich. Przedstawiono elementy statyczne oraz dynamiczne rozszerzonego modelu.
Rozdział 4 jest pierwszym z dwóch rozdziałów poświęconych optymalizacji ruchu.
Przedstawione zostało adaptacyjne podejście umożliwiające dynamiczną zmianę planu
sygnalizacyjnego pojedynczego, izolowanego skrzyżowania z wykorzystaniem algorytmu
genetycznego. W rozdziale omówiony został sposób kodowania osobnika, operatory ge-
Wstęp 3
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
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.
1.1. Ruch 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
– ruch wymuszony, w którym prędkość pojazdu zależna jest od prędkości pojazdu

poprzedzającego, w krytycznym przypadku pojazd porusza się w kolumnie i nie
ma możliwości wyprzedzenia innych pojazdów;
– ruch częściowo zależny, występuje pomiędzy ruchem swobodnym, a ruchem wy-
muszonym.
Z badań amerykańskich wynika, że ruch swobodny występuje, gdy luki między poszcze-
gólnymi pojazdami przekraczają 9 sekund. Dla prędkości od 60 do 70 [km/h] odległości,
pomiędzy poszczególnymi pojazdami, muszą wynosić przynajmniej 150 metrów[23].
Wraz ze wzrostem natężenia ruchu, rośnie również wpływ pojazdów poprzedzają-
cych, zmniejszają się różnice prędkości pomiędzy pojazdami, a średnia prędkość ruchu
wszystkich pojazdów ulega obniżeniu (rysunek 1.1).
Rys. 1.1. Rozkład prędkości pojazdów w zależności od zmiany natężenia ruchu. Źródło
[23].
.
1.1.1. Podstawowe równanie ruchu

Podstawowymi parametrami służącymi określeniu warunków ruchu drogowego są:
natężenie, gęstość oraz prędkość jazdy pojazdów. Wzajemna zależność pomiędzy tymi
wielkościami, przedstawiona równaniem 1.1, określana została jest jako fundamentalne
równanie ruchu.
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
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.
1.1.2. Prędkość pojazdów

W ocenie warunków ruchu uwzględnia się następujące prędkości: chwilową, tech-
niczną, podróżną. Poniżej podane zostały ich definicje [23]:
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].
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.
Prędkość poruszania się pojazdów zależy od natężenia ruchu. Wraz ze wzrostem

natężenia ruchu następuje spadek średniej prędkości i maleje rozrzut obserwowanych
prędkości wokół wartości średniej. Wzrost natężenia ruchu powoduje spadek możliwości
swobodnego poruszania się pojazdów znajdujących się w kolumnie.
W małym zakresie natężenia ruchu prędkość pojazdu zależy w zasadzie od indy-
widualnych zachowań kierowcy i ograniczenia prędkości na danym odcinku drogi. Na
jezdniach jednokierunkowych wielopasmowych wartości średnich prędkości na poszcze-
gólnych pasach jezdni są różne. Rozkład prędkości zależy także od natężenia struktury
rodzajowej pojazdów.
1.1.3. Natężenie ruchu
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.
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
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].
1.1.5. Ocena warunków ruchu

Prędkość, gęstość oraz natężenie bardzo zgrubnie charakteryzują ruch drogowy i nie
pozwalają nam w pełni ocenić jego jakości. Konieczne staje się wprowadzenie dodatko-
wych miar, które posłużyć mogłyby następnie jako kryterium optymalizacji sterowania
[27].
Istnieją dwie grupy parametrów jakie mogą być brane pod uwagę. W pierwszej
grupie znajdują się wszystkie te czynniki, które odpowiadają za płynność ruchu, w
drugiej parametry odpowiadające za przepustowości układu. Parametry określające
płynność ruchu w ramach skrzyżowania określane mogą być za pomocą następujących
czynników: straty czasu poszczególnych pojazdów przejeżdżających przez skrzyżowanie,
liczba zatrzymań, długość kolejek na pasach dojazdowych.
Wiele z przedstawionych czynników uzyskanych może być jedynie za sprawą wy-
korzystania odpowiedniego modelu ruchu drogowego, ponieważ nie istnieją detektory
pozwalające śledzić zmiany ruchu wszystkich pojazdów poruszających się w pewnym
obszarze.
1.2. Modelowanie ruchu
Wraz z rozwojem motoryzacji powstało wiele teorii opisujących zjawiska wystę-

pujące w ruchu drogowym. Teorie te często były analogiami znanych zjawisk fizycz-
nych, np. przepływu cieczy, gazów lub ciepła. Opracowano również oryginalne modele
uwzględniające właściwości ruchu drogowego. Do chwili obecnej nie opracowano jed-
nak uniwersalnego modelu opisującego całą złożoność zjawisk drogowych, dlatego w
zależności od potrzeb stosuje się różne metody uwzględniające tylko pewne cechy rze-
czywistego zjawiska.
Modele ruchu podzielić można na makroskopowe, które analizują ruch całego po-
toku pojazdów oraz mikroskopowe w których analizie podlegają pojedyncze pojazdy.
Do grupy modeli mikroskopowych zalicza się między innymi modele jazdy za lide-
rem (car – following)[25, 10, 27], uwzględniające wzajemne oddziaływanie pojazdów na
siebie. Model jazdy za liderem stanowi bezpośredniego protoplastę modelu zbudowa-
nego z wykorzystaniem automatów komórkowych [34, 25]. Cechy modeli komórkowych
omówione zostały w rozdziale 3.
Modele makroskopowe opisują ruch grup pojazdów. Do opisu ruchu w modelach
makroskopowych stosuje się najczęściej równania różniczkowe cząstkowe lub równania
różnicowe określające zmianę natężenia ruchu w czasie i przestrzeni [22, 25]. W ujęciu
probabilistycznym stosuje się metody znane w teorii kolejek oraz prowadzi się adaptację
procesów i łańcuchów Markowa [23].
W ciągu ostatnich kilku lat pojawiły publikacje wyróżniające dodatkową grupę mo-
deli zwaną nanomodelami. W nanomodelach uwzględniane są czynniki psycho–fizyczne
związane z zachowaniem pojedynczych kierowców. Jednym z głównych przewidywanych

zastosowań nanomodeli jest analiza bezpieczeństwa ruchu pojazdów [50].
Modele ruchu drogowego podzielić możemy również w inny sposób, np. ze względu
na modele fizyczne oraz modele matematyczne (rysunek 1.3) [22]. Modele fizyczne to na
ogół modele systemów wykonanych w mniejszej skali (np. modele statków, budynków
itp.). Modele matematyczne określone są przez pewne zbiory zależności funkcyjnych,
opisujących sposób funkcjonowania i działania modelowanych elementów.
W ramach modeli fizycznych oraz matematycznych wyróżnić możemy również mo-
dele statyczne oraz dynamiczne. Modele statyczne, to takie których charakterystyka nie
zmienia się wraz z upływem czasu. Modele dynamiczne służą do modelowania systemów
zmiennych w czasie. Modele dynamiczne można następnie podzielić na analityczne oraz
numeryczne, w skład których wchodzą modele symulacyjne.
Rys. 1.3. Podział modeli symulacyjnych. Źródło [27].
Kolejnym możliwym podziałem istniejących modeli ruchu drogowego jest podział

na modele ciągłe, oraz modele dyskretne (rysunek 1.4). W modelach dyskretnych obli-
czane są jedynie stany układu w pewnych chwilach czasu. Chwile te mogą być od siebie
równo odległe lub też modelowaniu podlegać mogą pewne charakterystyczne sytuacje
(np. moment dojechania samochodu do skrzyżowania, itp.). W modelach ciągłych na-
leżących zazwyczaj do grupy modeli fizycznych, zjawisko przebiega w sposób ciągły w
czasie.
Rys. 1.4. Elementy pracy
1.3. Sieci transportowe

W teorii transportu występuje pojęcie sieci transportowej, która służy do opisu
układu przestrzennego i charakterystyk tras przemieszczeń osób i pojazdów [23]. W
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].
Matematyczny model opisu sieci transportowej musi umożliwiać opis struktury

przestrzennej, jednoznaczną identyfikację elementów składowych oraz przypisanie im
charakterystycznych cech. Aby spełnić te wymagania sieć transportowa S opisywana
jest zazwyczaj [23] przez trójkę (równane 1.4):
S = (G, {fi } , {hj }) , (1.4)

gdzie G = (N, L) jest grafem, w którym N stanowi zbiór wierzchołków, a L jest zbio-
rem łuków. Rodzina funkcji {fi } charakteryzuje wierzchołki ze zbioru N , zaś rodzina
funkcji {hj } charakteryzuje łuki ze zbioru L. Przynajmniej jedna z tych rodzin musi
być niepusta.
Zdefiniujmy pewien graf G = (N, L), gdzie N = {A, B, C, D, E, F } oraz
L = {(A, B), (B, A), (B, C), (B, D), (C, D), (D, C), (D, E), (E, D), (E, F ), (F, D)}.
Graficzna reprezentacja grafu G (rysunek 1.5) jest niejednoznaczna i nie określa wza-
jemnego położenia poszczególnych wierzchołków, co umożliwia konstrukcję wielu moż-
liwych interpretacji graficznych zadanego przez nas grafu.
Do zapisu grafu najbardziej wygodne są reprezentacje macierzowe. Do podstawo-
wych typów zaliczamy tutaj macierz incydencji oraz macierz przyległościową. Macierz
przyległości służy do opisania struktury grafu. Opis ten uzyskuje się poprzez wskazanie
w macierzy łuków pomiędzy odpowiednimi wierzchołkami. Jeżeli liczbę wierzchołków
grafu G = (N, L), oznaczymy przez n = N̄ , zaś liczbę łuków przez m = L̄, to ma-
cierz przyległości X = (xk,l ) jest macierzą kwadratową o wymiarach (n × n). Wiersze
i kolumny macierzy odpowiadają odpowiednim wierzchołkom grafu, zaś ich wartości
określone są w sposób określony poniższym wzorem (wzór 1.5):
(
1 jeżeli w grafie G jest łuk (k, l) ∈ L
xk,l = (1.5)
0 w przeciwnym razie
(a) (b)
Rys. 1.5. Reprezentacja graficzna grafu sieci transportowej
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
1.4. Sygnalizacja świetlna

Sygnalizacja świetlna stosowana jest w celu segregacji w czasie kolizyjnych potoków
pojazdów i pieszych. Nie jest ona tak skuteczna, jak segregacja w przestrzeni (węzły
wielopoziomowe, przejścia nad- i podziemne), jest natomiast wielokrotnie tańsza i zaj-
muje mniej terenu. Dlatego też sygnalizacja świetlna jest najpowszechniej stosowanym
środkiem organizacji ruchu w miastach [10, 31, 30].
Głównym zadaniem sygnalizacji świetlnej jest kierowanie ruchem pojazdów i pie-
szych. Zadanie to jest realizowane przez podawanie użytkowników odpowiednich sy-
gnałów, informujących o prawie bądź zakazie przejazdu lub przejścia.
Historia rozwoju urządzeń sygnalizacji świetlnej rozpoczęła się od zainstalowania w
1868 roku w Londynie, na skrzyżowaniu Bridge Street i New Palace Yard pierwszych
sygnałów świetlnych. Było to ręcznie sterowane urządzenie semaforowe z gazową lampą
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.
1.4.1. Sygnalizacja stałoczasowa
Sygnalizacje stałoczasowe są najpopularniejszą formą sterowania. Stosuje się je na

skrzyżowaniach o dużym ruchu podlegającym regularnym wahaniom w ciągu doby. Sy-
gnalizacja cykliczna stałoczasowa jednoprogramowa: ma stałą sekwencję następujących
faz, ze sztywno ustaloną długością cyklu i poszczególnych sygnałów. Sygnalizacja sta-
łoczasowa wieloprogramowa różni się dodatkowo faktem wykorzystania w ciągu swojej
pracy kilku wcześniej ustawionych programów o różnych, ustalonych długościach cykli i
poszczególnych sygnałów. Wybór tych programów może odbywać się czasowo, zgodnie
z wcześniej ułożonym harmonogramem przełączania, lub w zależności od aktualnych
parametrów ruchu.
1.4.2. Sygnalizacja akomodacyjna
Acykliczna sygnalizacja akomodacyjna charakteryzuje się zmienną, zależną od po-

trzeb ruchu sekwencją faz. Jest w pełni zależna od ruchu, fazy i czasy ich trwania
są tworzone na bieżąco w zależności od potrzeb. Wyróżnić możemy następujące typu

sygnalizacji akomodacyjnej:
1. częściowo akomodacyjna – zazwyczaj stosowana na skrzyżowaniach ulic o du-

żym zróżnicowaniu klas i znaczenia w układzie komunikacyjnym; zapewnia zdecy-
dowanie lepsze warunki ruchu na wybranym kierunku – kierunek określony jako
główny otrzymuje zielone światło zawsze, kierunek podporządkowany – po wzbu-
dzeniu. Detektory instaluje się tylko na wlotach podporządkowanych
2. sygnalizacja w pełni akomodacyjna – detektory instaluje się na wszystkich
wlotach i wartość światła zielonego waha się w granicach od Gmin do Gmax w
zależności od bieżących potrzeb ruchowych.
3. sygnalizacja akomodacyjna wyższego rzędu – podobna do poprzedniej, de-
tektory muszą być umieszczone na wszystkich wlotach (na ogół jednak w więk-
szej odległości od linii zatrzymania). Zmiany w stosunku do sygnalizacji w pełni
akomodacyjnej polegają głównie na tym, że sterownik porównuje parametry cha-
rakteryzujące gęstość ruchu na kierunku na którym ruch jest otwarty z liczbą i
czasem oczekiwania pojazdów na kierunku poprzecznym.
4. sygnalizacja akomodacyjna wielofazowa – eliminuje niewykorzystane okresy
światła zielonego oraz niewykorzystanych faz lub łączenie faz niekolizyjnych w
układy odpowiadające rozkładowi ruchu na skrzyżowaniu. Sygnalizacja tego typu
zalecana jest na skrzyżowaniach o bardzo różnej strukturze kierunkowej w różnych
godzinach dnia i różnych dniach tygodnia.
1.4.3. Kryteria stosowania sygnalizacji świetlnej
Zainstalowanie sygnalizacji na skrzyżowaniu mogą uzasadniać pewne wymienione

poniżej czynniki:
1. Natężenia ruchu kołowego na drodze głównej i podporządkowanej cechuje się dużą
zmiennością ze względu na porę dnia lub dzień tygodnia.
2. Natężenia ruchu pieszego jest tak duże, że należy zapewnić pieszym bezpieczne
przejście przez drogę.
3. Istnieje konieczność zmniejszenia liczby wypadków drogowych, lub przynajmniej
ograniczenia ich skutków.
4. Wymagane jest skoordynowanie ruchu w obrębie kilku skrzyżowań, poprzez za-
stosowanie centralnie sterowanej sygnalizacji świetlnej.
5. Zła widoczność na wlotach skrzyżowania lub też duża złożoność skrzyżowania
może być powodem wprowadzenia sygnalizacji świetlnej.
6. Znaczenie arterii komunikacyjnej wymaga zwiększenie natężenia ruchu na drodze
głównej za sprawą zastosowania sygnalizacji świetlnej z dłuższym czasem sygnału
zielonego dla priorytetowego kierunku ruchu.
7. Istnieje konieczność ręcznej regulacji warunków ruchu za sprawą zmian w progra-
mie sygnalizatora.
Dodatkowymi kryteriami stosowania sygnalizacji świetlnej są czynniki decydujące
o jakości ruchu. Sygnalizacja świetlna powinna być stosowana jeżeli natężenie ruchu
pojazdów w godzinach szczytu przekracza 1500 do 2000 [P/h]. Elementami świadczą-
cymi o konieczności wprowadzenia sygnalizacji świetlnej może być czas oczekiwania
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).
1.4.4. Tworzenie programu sygnalizacji świetlnej

W skład pełnego projektu funkcjonowania sygnalizacji świetlnej wchodzą program
i harmonogram sygnalizacji oraz macierz minimalnych czasów międzyzielonych wraz z
wykazem grup kolizyjnych, w których ruch musi być izolowany w czasie. Najważniej-
szym z tych parametrów jest program sygnalizacji.
Program sygnalizacji tworzony jest w oparciu o dane dotyczące rozkładów natę-
żeń ruchu na drogach dojazdowych do skrzyżowania. Jeżeli dobowe zmiany natężeń na
poszczególnych wlotach są znaczące, projektuje się różne programy dostosowane do po-
szczególnych warunków ruchu. To kiedy należy stosować każdy z tak zaprojektowanych
programów określone jest przez harmonogram pracy sygnalizacji. Harmonogram może
być opracowany na dwa sposoby, czasowy – określający w jakich godzinach stosowany
ma być konkretny program sygnalizacji, lub parametryczny – określający parametry
ruchu jakie muszą być spełnione w celu uruchomienia poszczególnych programów sy-
gnalizacyjnych (np. intensywność zgłoszeń pojazdów).
Poniżej podane są definicje związane z programem sygnalizacji świetlnej [10]:
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.
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].
1.5. Sterowanie ruchem

Jednym z celów kierowania ruchem jest zapewnienie sprawnego, wygodnego, bez-
piecznego oraz ekonomicznego ruchu pojazdów, przy jednoczesnym maksymalnym wy-
korzystaniu pojemności układu komunikacyjnego, urządzeń komunikacyjnych oraz po-
jazdów [30, 19]. Cel ten jest trudny do osiągnięcia ponieważ wymaga aby zapewniona
była maksymalizacja:
1. wykorzystania przepustowości układu drogowego – ulicznego miasta,
2. wykorzystania taboru i pojazdów,
3. płynności, wygody oraz ekonomiki ruchu.
Osiągnięciem pierwszego z tych celów zainteresowane są podmioty odpowiedzialne za
zarządzanie infrastrukturą drogową, drugim firmy wykorzystujące pojazdy w celach
zarobkowych np. przewoźnicy miejscy, natomiast ostatni cel preferowany jest przez kie-
rowców indywidualnych. Ciężko jest osiągnąć wszystkie trzy cele jednocześnie ponieważ
stoją one pomiędzy sobą w konflikcie. Ponieważ nie istnieje jeszcze metoda pozwala-
jąca dokładnie określić wpływ wszystkich czynników sterowania na ruch pojazdów [23],
realizacja każdego z wymienionych podceli odbywać się musi oddzielnie.
Zmiana planów sygnalizacyjnych jest podstawową metodą sterowania ruchem dro-
gowym w sieci ulic miejskich. Utworzenie odpowiednich planów sygnalizacyjncych po-
woduje zwiększenie sprawności oraz bezpieczeństwa ruchu potoku pojazdów w obrębie
przejść dla pieszych oraz skrzyżowań.
Każdy rodzaj sterowania wymaga jednak zastosowania urządzeń detekcyjnych po-

zwalających określić warunki ruchu na poszczególnych drogach sterowanego obszaru.
Można wyróżnić kilka rodzajów detektorów: akustyczne (obecnie nie stosowane), pneu-
matyczne, radarowe oraz optyczne. Obecnie, najczęściej stosowanym typem detekto-
rów, są detektory indukcyjne [10, 49]. Czujnikiem w takim detektorze jest pętla induk-
cyjna, wykonana z kilku zwojów drutu, zagłębiona w nawierzchni jezdni. W zależności
od konstrukcji i ustawień, detektor może reagować na pojazdy jadące w danym za-
kresie prędkości, na pojazdy stojące nad czujnikiem, tylko przejeżdżające lub zarówno
przejeżdżające jak i stojące nad czujnikiem. Czujniki te posiadają również możliwość
detekcji prędkości, z jaką porusza się pojazd. Mogą być też sprzęgnięte z np. apara-
tem fotograficznym, który fotografuje pojazdy przejeżdżające skrzyżowanie w chwili
zapalenia czerwonego światła, lub z nadmierną prędkością[30]. Dla pieszych stosuje się
proste w konstrukcji detektory przyciskowe. Dla pojazdów komunikacji miejskiej nie
poruszających się po wydzielonych pasach, a mających być uwzględnione w programie
sygnalizacji, stosuje się specjalne nadajniki sygnałów.
1.6. Istniejące rozwiązania
Prace nad komputerowymi systemami zarządzania ruchem miejskim trwają od

wczesnych lat ’60 poprzedniego stulecia, kiedy to w Toronto do użytku oddany zo-
stał pierwszy tego typu system. Od tego czasu opracowana została bardzo duża ilości
modeli [8, 16, 35, 21, 15], jednak nie udało znaleźć się rozwiązania sprawdzającego
się w każdych warunkach [9]. Związane jest to z bardzo dużą złożonością zintegrowa-
nych systemów sterowania ruchem (rysunek 1.6 przedstawia elementy jakie wchodzą w
skład systemu sterowania ruchem na autostradach). Wiele z proponowanych rozwiązań
skupia się w związku z tym jedynie na pewnym wybranym fragmencie analizowanej
rzeczywistości, inne starają się przedstawić algorytm lub rozwiązanie, które z punktu
widzenia autora rozwiązuje pewien bardzo ważny problem transportowy. Funkcjonowa-
nie wielu istniejących systemów uzależnione jest od konkretnych urządzeń detekcyjnych
i sygnalizacyjnych dla których były one[19, 26, 49].
Wraz ze wzrostem mocy obliczeniowej komputerów symulacja stała się bardzo waż-
nym elementem analizy warunków ruchu drogowego. Powstało wiele modeli symulacyj-
nych opisujących ruch pojazdów w obrębie różnych elementów infrastruktury komu-
nikacyjnej [27]. Dużo algorytmów sterowania ruchem pojazdów wykorzystuje metody
symulacyjne w celu dobrania optymalnych parametrów sterowanego układu. Wśród
wykorzystywanych modeli znajdują się symulacyjne modele makroskopowe, wykorzy-
stywane przez algorytmy sterowania i koordynacji sygnalizacji świetlnej w celu symu-
lacji i ocenu zmian ruchu potoku pojazdów w obrębie dużej sieci komunikacyjnej –
metoda TRANSYT [10].
Bardzo duża moc obliczeniowa obecnych komputerów sprawiła, że w ciągu ostat-
niego dziesięciolecia, coraz większego znaczenia nabrały metody mikrosymulacyjne, a
wśród nich bardzo popularne obecnie modele symulacji ruchu oparte na automatach
komórkowych [34, 42, 13, 45, 52, 18, 32, 37, 39, 38]. Główną cechą tych modeli jest ni-
ski koszt obliczeniowy związany z procesem symulacji oraz bardzo dobre oddanie cech
ruchu symulowanych pojazdów. Opracowane zostało również szereg alternatywnych
Rys. 1.6. Schemat systemu sterowania ruchem drogowym na autostradzie. Źródło [30]
modeli [40], których wyniki analiz potwierdzają skuteczność w konkretnych zastosowa-

niach.
W algorytmach zarządzania ruchem drogowym coraz częściej stosowane są me-
tody sztucznej inteligencji [53, 36], które wykorzystując algorytmy maszynowego ucze-
nia starają się aby proces sterowania przebiegał jak najbardziej płynnie, a otrzymy-
wane wyniki były lepsze niż te otrzymywane przy wykorzystaniu obecnie stosowa-
nych algorytmów sterowania. W literaturze opisywanych jest wiele propozycji takich
systemów[21, 47, 53, 44, 11]. Stosowane są również podejścia wykorzystujące logikę roz-
mytą [17], metody wnioskowania wykorzystującego wiedzę reprezentowaną przez ramy,
algorytmy genetyczne oraz systemy ekspertowe [53, 20]. W Stanach Zjednoczonych,
gdzie rocznie miliony dolarów przeznaczane są na rozwój systemów sterowania ruchem
powstała nawet dokładna specyfikacja [5, 6, 7] czym charakteryzować się muszą i jakie
wymagania spełniać mają inteligentne systemy transportowe (ITS – Intelligent Traffic
Systems) [4, 3].
Wiele z modeli systemów sterowania ruchem drogowym opracowanych w ostatnich
latach wykorzystuje koncepcję systemów wieloagentowych [2, 12, 43, 14, 51]. Model
wieloagentowy zapewnia spójną architekturę oraz umożliwia rozproszenie składników
systemu w celu dokonywania obliczeń w różnych miejscach jednocześnie. W systemach
tak dużych i złożonych jak systemy zarządzania ruchem miejskim, gdzie należy kon-
trolować jednocześnie bardzo dużą ilość sygnalizatorów świetlnych oraz odczytywać
wskazania wielu detektorów ruchu[30], efektywne zarządzanie rozproszonymi składni-
kami systemu ma bardzo duże znaczenie. Systemy wieloagentowe, o czym świadczą
liczne publikacje naukowe, stanowią w ciągu ostatnich kilku lat główne kierunki badań
nad systemami sterowania ruchem.
Istnieje obecnie duża liczba zaproponowanych modeli oraz algorytmów sterowania,
jednak projektowanie systemów zarządzania ruchem stanowi nadal wielkie wyzwanie.
Sprostanie jemu może ułatwić, a nawet uratować życie wielu ludziom.
Rozdział 2
Predykcja parametrów ruchu
Rozdział ten poświęcony jest predykcji danych w szeregu czasowym. Przedstawione

zostały podstawowe pojęcia związane z predykcją danych oraz opisany został model
predykcji wykorzystujący sztuczną sieć neuronową. Następnie zamieszczone zostały ba-
dania modelu wykonane na szeregach testowych oraz pomiarów rzeczywistych natężenia
ruchu pojazdów osobowych.
2.1. Charakterystyka ruchu drogowego

Podstawę rozważań w inżynierii ruchu stanowią badania warunków ruchu. Pierwsze
na świecie badania ruchu wykonane zostały we Francji w roku 1844, we Lwowie badania
takie przeprowadzono w roku 1909, a w Polsce pierwsze badania wykonane zostały
dopiero w roku 1926 [23]. Badania te pozwoliły uzyskać wiedzę na temat ogólnych
cech ruchu drogowego oraz rządzących nim zależności. Stanowiły również podstawę
rozważań związanych z analizą potrzeb komunikacyjnych, wyznaczeniem kryteriów oraz
zasad projektowania dróg oraz elementów i urządzeń komunikacyjnych [10].
Pomiary natężenia ruchu wykonywać można w sposób ciągły. Uzyskane w ten
sposób dane pozwalają określić dzienne, tygodniowe oraz miesięczne wahania ruchu.
Badania te mogą być również wykonywane w sposób periodyczny, lub wyrywkowy.
Podstawowym interwałem rejestracji ruchu pojazdów jest pomiar godzinowy, krótsze
interwały stosowane są w celu określenia wahań ruchu pojazdów w godzinach szczytu
[23]. Niezależnie od tego jaki typ pomiarów jest stosowany zebrane dane stanowią
bardzo cenne źródło informacji na temat ruchu pojazdów.
Dobowe zmiany natężenia ruchu pojazdów osobowych przedstawione zostały na
rysunku 2.1 (a), a dla ruchu pojazdów ciężarowych na rysunku 2.1 (b). Wykresy te
powstały na bazie danych z raportu [1] analizującego ruch na drogach w Wielkiej
Brytanii w roku 2001. Zauważyć można, że w ciągu dnia występują dwa przedziały
czasu w których natężenie ruchu pojazdów osobowych osiąga maksimum. Związane
jest to z godzinami dojazdu oraz odjazdu z pracy. Sytuacja ta zmienia się w sobotę
oraz niedzielę, gdzie szczyt natężenia notuje się raczej w godzinach popołudniowych.
Ruch pojazdów ciężarowych podlega trochę innym regułom i maksymalne natężenie
ruchu tych pojazdów występuje w godzinach 9.00 – 16.00. Podobnie jak w przypadku
Rozdział 2. Predykcja parametrów ruchu 21
samochodów osobowych sytuacja ta zmienia się w dni wolne od pracy (na rysunku
przerywane linie).
(a) Pojazdy osobowe
(b) Pojazdy ciężarowe
Rys. 2.1. Średnie dobowe natężenie ruchu pojazdów. Źródło danych [1]
Na rysunku 2.2 przedstawione zostały średnie natężenia ruchu w poszczególne dni

tygodnia. Zauważyć można, że ruch pojazdów osobowych ulega nieznacznemu wzro-
stowi w piątek, po czym w sobotę oraz niedzielę jest nieznacznie mniejszy niż w po-
zostałe dni (rysunek 2.2 a). Ruch pojazdów ciężarowych odbywa się głównie w dni
pracujące, a w ciągu soboty oraz niedzieli jest on bardzo niewielki (rysunek 2.2 b).
Zebrane dane analizować można również pod kątem prędkości przejazdu pojazdów
przez danych przekrój pomiarowy. Dzięki uprzejmości firmy TraxElektronik, zarządza-
jącej drogowymi urządzeniami pomiarowymi dla miasta Wrocławia, udało się uzyskać
dane dotyczące ruchu pojazdów z pięciu miejsc pomiarowych. Miejsca w których wy-
konywane są pomiary przedstawione zostały na rysunku 2.3. Zebrane dane umożliwiły
dokonanie analizy ilości pojazdów których prędkość w momencie detekcji zawierała
(a) Pojazdy osobowe
(b) Pojazdy ciężarowe
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.
2.2. Predykcja szeregu czasowego

Jeżeli dokonujemy pomiarów ruchu, w których każdy pomiar wykonany jest z rów-
nym odstępem czasu to zebrane dane stanowią szereg czasowy. Wykonać możemy ana-
lizę danych w takim szeregu, i jeżeli wykazuje ona pewną prawidłowość dokonać również
predykcji kolejnej nie zmierzonej jeszcze w danej chwili czasu wartości.
Predykcja może być krótko lub długookresowa. Predykcja krótko okresowa dotyczy
zazwyczaj predykcji jednej, czasami kilku wartości w przód, podczas gdy predykcja
długookresowa swoim zasięgiem może obejmować bardzo długie okresy pomiarowe.
Rys. 2.3. Plan Wrocławia z zaznaczonymi punktami pomiarowymi
Rys. 2.4. Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla
Estakady Gądowianka
Mostu Milenijnego
Węzeł Lotnicza
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
Rys. 2.8. Idea predykcji danych
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-
leżności. Przykładowo jeżeli wiemy, że wartości w pewnym pomiarze powtarzają się w

sposób cykliczny, to w skład okna czasowego wybrać możemy pomiary z kilku ostatnich
cykli.
Predykcja krótkookresowa, w której chcemy przewidzieć tylko jedną kolejną war-
tość, charakteryzuje się tym, że w skład okna czasowego wchodzą tylko dane rzeczy-
wiste. Kiedy natomiast chcemy dokonać predykcji długookresowej, gdzie ilość przewi-
dywanych przyszłych pomiarów jest większa, to dla każdego kolejnego estymowanego
pomiaru okno danych powiększane jest o poprzednio znalezioną wartość. Jakość danych
uzyskanych w procesie predykcji mierzy się zazwyczaj jako średnie odchylenie wartości
uzyskanych w procesie predykcji w stosunku do danych otrzymanych w rzeczywistym
pomiarze [46].
2.3. Zaproponowany model predykcji

W podrozdziale 2.1 omówione zostały typy pomiarów ruchu oraz ich analiza ze
względu na porę dnia oraz dzień tygodnia. W związku z tym, że natężenia ruchu po-
jazdów osobowych oraz ciężarowych cechują pewne cykliczne prawidłowości wydaje się
być możliwym opracowanie modelu predykcyjnego.
Zaproponowany przez nas model predykcji wykorzystuje sieć neuronową [24]. Wy-
bór ten podyktowany był faktem, że sieci neuronowe stanowią grupę metod sztucznej
inteligencji, które we wstępnym etapie uczenia dość dobrze radzą sobie z znajdowa-
niem pewnych ukrytych prawidłowości. Sieci neuronowe posiadają dodatkową pożądaną
przez nas cechę, którą jest umiejętność uogólniania danych, charakteryzująca się tym,
że nawet w przypadku dostarczenia na wejście sieci danych zaszumionych sieć potrafi
zwrócić prawidłową odpowiedź, co czyni ją dobrym narzędziem w procesie predykcji
danych [46].
Wykorzystywana w modelu predykcji sieć jest klasyczną sztuczną siecią neuronową
z jedną warstwą ukrytą (rysunek 2.9). Na warstwę wejściową sieci podawane są kolejne
wartości okna czasowego, wymusza to ilości neuronów tej warstwy. Ilość neuronów
warstwy wejściowej równa jest równa kest ilości pomiarów wchodzących w skład okna
czasowego. Ilość neuronów w warstwie ukrytej jest równa ilości neuronów w warstwie
wejściowej, każdy neuron warstwy ukrytej połączony jest z każdym neuronem warstwy
wejściowej. Warstwa wyjściowa składa się zawsze z jednego neuronu, którego wyjście
stanowi wynik działania sieci i odpowiada jednej wartości następującej po badanym
oknie czasowym.
Wszystkie neurony wchodzące w skład sieci mają dodatkowe połączenie wejściowe
(prze przedstawione na rysunku 2.9) zwane biasem, na które zawsze podawana jest
wartość 1. Wejście to zastosowane zostało w celu poprawy procesu nauki. Jako funkcja
aktywacji każdego neuronu zastosowana została funkcja unipolarna[24].
Każda wartość pomiaru wchodząca w skład okna czasowego musi zostać
znormalizowana[24], zgodnie z poniższym wzorem
xr − min
xs = , (2.1)
max − min
gdzie: xs - wartość, która zostanie podana na wejście jednego neuronu sieci, xr - war-
tość rzeczywista z pomiaru przekazana na wejście, min - minimalna wartość w zbiorze
Rys. 2.9. Architektura sieci neuronowej
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:
xw = xr · (max − min) + min, (2.2)
gdzie: xw - rzeczywista wartość wyjściowa, xr - wartość wyjściowa uzyskana na wyj-

ściu neuronu w warstwie wyjściowej, min, max – to odpowiednio przyjęta w procesie
normalizacji (wzór 2.1) minimalna oraz maksymalna wartość w zbiorze danych.
Do uczenia obu sieci zastosowany jest algorytm wstecznej propagacji błędów[24].
Wszystkie wagi połączeń są na początku procesu nauki ustawiane na wartość losową
z przedziału [−1, 1]. Proces nauki trwa tak długo, aż błąd pracy sieci neuronowej nie
przekracza pewnego wstępnie określonego progu. Błąd pracy sieci liczony jest jako
średni kwadratowy błąd wartości zwracanych przez sieć w stosunku do wartości rze-
czywistych (żądanych).
Jeżeli ilość pomiarów występujących w szeregu czasowym wynosi N , poszczególne
rzeczywiste pomiary oznaczymy przez ozi , a kolejne przewidywane wartości przez oi ,
gdzie i = 0, .., N − 1 (rysunek 2.10), to minimalizowany błąd pracy sieci neuronowej
określony jest poniższym wzorem (wzór 2.3):
PN −1
i=0 (ozi − oi )2
Er = (2.3)
n
Rys. 2.10. Liczenie błędu w czasie predu
2.4. Weryfikacja modelu

Aby stwierdzić czy zaproponowany model daje dobre wyniki wykonany został szereg
badań sprawdzających zdolność predykcji danych dla pewnych zadanych funkcji testo-
wych oraz dla danych uzyskanych z rzeczywistych pomiarów. W kolejnych podpunktach
przedstawione są uzyskane wyniki.
2.4.1. Predykcja dla danych testowych

Ponieważ dzienny oraz tygodniowy rozkład natężenia ruchu pojazdów wykazuje
okresowość, zaproponowany model powinien dobrze radzić sobie z danymi wykazu-
jącymi taką charakterystykę. Jako pierwszy badaniu poddany został szereg czasowy,
którego wartości odpowiadają funkcji sinusoidalnej y = sin(x) + a. Taki charakter te-
stowanych danych potwierdzić miał zdolność sieci neuronowej do uczenia się schematów
danych.
Na rysunku 2.11 przedstawiony jest wykres ciągu uczącego. Proces nauki sieci neu-
ronowej wykonany został dwukrotnie. Pierwszy raz sieć uczona była do momentu w
którym błąd pracy sieci (wzór 2.3) był mniejszy niż 0.1. Wyniki predykcji krótkoter-
minowej (za każdym razem przewidywana była tylko jedna wartość w przód) przedsta-
wione zostały na rysunku 2.12 (a). Uzyskane wyniki pozwalają przypuszczać, że sieć
neuronowa radzi sobie dosyć dobrze z danymi o charakterze cyklicznym. Pomimo, że es-
tymowane wartości szeregu w ekstremach badanej funkcji różnią się w sposób znaczący
od wartości rzeczywistych, charakter przewidywanych przez sieć danych odpowiada da-
nym rzeczywistym. Wyniki predykcji długookresowej, przedstawione na rysunku 2.12
(b), nie są dość dobre, a uzyskany wynik nie jest zadowalający.
W celu sprawdzenia czy zmniejszenie dopuszczalnego błędu pracy sieci neuronowej
w procesie nauki ma wpływ na otrzymywane wartości przeprowadzono drugie badanie
w którym wartość błędu ustalona została na poziomie 0.01. Wyniki predykcji krótko-
okresowej, widoczne na rysunku 2.13, są dużo lepsze niż wyniki uzyskane przy błędzie
sieci wynoszącym 0.1. Wartości estymowane są niemalże identyczne jak wartości rzeczy-
wiste, drobne różnice (podobnie jak w poprzednim badaniu) pojawiają się w ponownie
tylko w ekstremach szeregu. Tak dobre wyniki uzyskane dla predykcji krótkookresowej
wskazują, że predykcja długookresowa również powinna ulec poprawie. Na rysunku
2.13 (b), przedstawione są estymowane wartości w czasie predykcji długookresowej. Na
przedstawionym rysunku zaobserwować można, że charakter przewidywanych danych
odpowiada charakterowi funkcji rzeczywistej, jednak mimo wszystko predykcja ta nie

daje zadowalających rezultatów.
Badania przeprowadzone dla funkcji sinusoidalnej wykazały, że proponowana sieć
neuronowa wykazuje dobre właściwości predykcji krótkookresowej. Predykcja długo-
okresowa wraz, ze zmniejszeniem błędu uczenia również uległa poprawie, jednak uzy-
skane wyniki nie są wystarczająco zadowalające. W czasie przeprowadzania ekspery-
mentów dla mniejszych błędów niż, przedstawione na rysunkach 2.12 oraz 2.13 osiągane
wyniki ulegały dalszej poprawie, jednak charakter badanej funkcji nie pozwolił zwery-
fikować, czy zbyt duże zmniejszenie poziomu błędu w procesie nauki sieci neuronowej
nie wpłynie negatywnie na późniejszą jej prace, co w [24] określane jest jako nauka na
pamięć, lub przeuczenie sieci. Przeuczona sieć neuronowa traci właściwości uogólniania
i o ile wyniki dla ciągu uczącego są lepsze, o tyle wyniki uzyskiwane dla ciągu testo-
wego ulegają pogorszeniu. Opisywany efekt nie mógł wystąpić w przypadku badanego
szeregu ponieważ ciąg testowy posiada identyczny charakter jak ciąg uczący.
Rys. 2.11. Ciąg uczący odpowiadający funkcji sinusoidalnej y = sin(x) + a

(a) Predykcja krótkookresowa
(b) Predykcja długookresowa
Rys. 2.12. Wyniki predykcji funkcji sinusoidalnej y = sin(x) + a dla błędu uczenia 0.1
Rys. 2.13. Wyniki predykcji funkcji sinusoidalnej y = sin(x)+a dla błędu uczenia 0.01
W celu zbadania zdolności uogólniania zależności funkcyjnych przy jednoczesnym

wykorzystaniu faktu okresowości funkcji, badaniu poddana została funkcja y = sin(x)+
x. Szereg reprezentujący wartości kolejnych pomiarów, przedstawiony na rysunku 2.14,
podzielony został na ciąg uczący oraz ciąg testowy w stosunku 2 : 1.
Pierwsze badanie przeprowadzone zostało dla błędu pracy sieci w procesie nauki
wynoszącym 0.1. Uzyskane wyniki predykcji krótkoterminowej przedstawione są na
rysunku 2.15 (a). Zaobserwować można, że wartości zwracane przez sieć neuronową
odpowiadają charakterem wartością rzeczywistym. Wyniki predykcji długookresowej
przedstawionej na rysunku 2.15 (b), podobnie jak wyniki predykcji długookresowej
dla funkcji sinusoidalnej, nie są zadowalające, chociaż początkowy trend danych został
zachowany.
Dalsze dwa badania przeprowadzone zostały po zmniejszeniu błędu pracy sieci do
poziomu 0.01. Predykcja krótkookresowa, przedstawiona na rysunku 2.16 (a), uległa
poprawie. Wyniki nie są już tak dobre jak wyniki uzyskane dla funkcji sinusoidalnej
(rysunek 2.13 (a)), jednak charakter estymowanych wartości pomiarów odpowiada war-
tością rzeczywistym. Błąd predykcji był tym większy im dalej znajdowała się wartość
estymowana szeregu testowego.
Uzyskane wyniki świadczą o stosunkowo dobrych właściwościach uogólniania jakimi
dysponuje badana sieć neuronowa. Niestety predykcja długookresowa dla wykonanego
badania nie zachowała nawet trendu danych dla kilku pierwszych pomiarów (rysunek
2.13 (b)).



2.4.2. Predykcja dla danych rzeczywistych

Wyniki uzyskane na danych testowych wskazują, że proponowana sieć neuronowa
nadaje się do predykcji danych w szeregach czasowych o charakterze cyklicznym. Osta-
teczną wartości proponowanego podejścia ocenić można dopiero po wykonaniu wyników
badań dla danych rzeczywistych. Dane użyte do testów sieci neuronowej pochodzą z
detektorów umieszczonych we Wrocławiu na Węźle Sobieskiego (rysunek 2.3) – uzy-
skane zostały dzięki uprzejmości firmy TraxElektronik. Uzyskane dane obejmują dwa
okresy pomiarowe, pierwszy 1 godzinny (rysunek 2.17 a), drugi 10 minutowy (rysunek
2.17 b). Oba pomiary zawierają informacje na temat ilości pojazdów osobowych oraz
ciężarowych.
(a) Pomiar 1 godzinny
(b) Pomiar 10 minutowy
Rys. 2.17. Pomiary natężenia ruchu na Węźle Sobieskiego
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.
Rys. 2.18. Szereg uczący pomiarów 1 godzinnych ruchu samochodów osobowych
Rys. 2.19. Szereg testowy pomiarów 1 godzinnych ruchu samochodów osobowych

Rys. 2.20. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 1 godzinnego
oraz błędu 0.8
oraz błędu 0.5
oraz błędu 0.1
oraz błędu 0.01
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.
(a) Szereg uczący
(b) Szereg testowy
Rys. 2.24. Szereg uczący i testowy 10 minutowych pomiarów natężenia ruchu pojazdów
osobowych
Rys. 2.25. Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 10 minutowego
oraz błędu 0.8
oraz błędu 0.5
oraz błędu 0.1
oraz błędu 0.01
Wykonano również badana dla szeregów czasowych zawierających dane pomiarów

1 godzinnych oraz 10 minutowych dla ruchu pojazdów ciężarowych. Uzyskane wyniki
zostały zamieszczone w dodatku A, a błąd predykcji w zależności od przyjętego progu
błędu w procesie uczenia dla wszystkich pomiarów zestawiony został na rysunku 2.29.
Wszystkie badania wykonano przy szerokości okna danych zawierającego 12 ostatnich
pomiarów.
(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. 2.29. Zestawienie błędu predykcji na danych testowych w zależności od przyjętego

błędu sieci w procesie uczenia
2.4.3. Dodatkowe badania

Przeprowadzono również szereg dodatkowych badań mających na celu stwierdzenie
wpływu innych czynników na proces uczenia sieci neuronowej. Pierwsze z badań miało
na celu stwierdzenie zmiany błędu pracy sieci neuronowej (wzór 2.3), w zależności od
długości procesu uczenia. Wykres przedstawiający czasową zmianę błędu pracy sieci
przedstawiony został na rysunku 2.31 (współczynnik uczenia przyjęty został na pozio-
mie 0.1, test przeprowadzony został na danych z rzeczywistych pomiarów 1 godzinnych
ruchu pojazdów osobowych, szerokość okna danych wynosiła 10 pomiarów). Można za-
uważyć, że zależność ta ma charakter jak 1/x. Początkowo wartość błędu pracy sieci
spada bardzo gwałtownie, tak aby w okolicach pięćdziesiątej epoki się ustabilizować,
dalszy spadek błędu jest już bardzo powolny.
Kolejne badanie miało na celu określenie liczby epok uczących potrzebnych do osią-
gnięcia żądanego błędu pracy sieci w zależności od współczynnika uczenia. W trakcie
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.
Rys. 2.31. Ilość epok uczących w zależności od współczynnika uczenia

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.
Rys. 2.32. Ilość epok uczących w zależności od porządanego błędu wyjściowego
2.5. Dyskusja wyników

W rozdziale przedstawiony został model predykcji danych wykorzystujący sztuczną
sieć neuronową [24]. Otrzymane wyniki badań wskazują, że model radzi sobie bardzo
dobrze zarówno dla funkcji testowych, jak i dla danych pochodzących z rzeczywistych
pomiarów. Uzyskanie tak dobrych rezultatów predykcji krótkookresowej pozwala użyć
zaproponowane podejście w systemach sterowania ruchem, które wymagać w swojej
pracy mogą podania następującego, nie zmierzonego jeszcze pomiaru, w celu uwzględ-
nienia zmiany natężenia ruchu w czasie procesu optymalizacji.
Proces zarządzania ruchem pojazdów wykorzystujący w swoim działaniu wyniki
predykcji krótko okresowej w celu uwzględnienia zmian natężenia ruchu przedstawiony
został w rozdziałach 4 i 5.
Rozdział 3
Symulacja ruchu drogowego
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.
3.1. Automaty komórkowe
Za twórcą automatów komórkowych uważa się Johna von Noumanna. Opierając

się na modelu maszyny Turinga, chciał on stworzyć model maszyny „samosterującej”,
która potrafiłaby się replikować i przekazywać swoje cechy [34]. Noumann opracował
pięć modeli takich maszyn, niestety ze względu na trudności techniczne nigdy nie uj-
rzały one światła dziennego.
Po dość długim okresie przerwy kolejną osobą, która zainteresowała się koncepcją
automatów komórkowych był Edgar Frank Codd, który opierając się na wcześniejszych
pracach Noumanna uprościł zaproponowany przez niego model, czyniąc go możliwym
do realizacji. Niestety przez długi okres czasu automaty nie doczekały się praktycznych
realizacji. Powstała co prawda słynna do dzisiaj „Gra w życie” [34], niestety prace obu
naukowców traktowane były raczej z dużą dozą rezerwy i sceptycyzmu.
Automaty komórkowe dopiero w ostatnich latach zaczęły być bardzo szeroko wyko-
rzystywane w czasie modelowania zjawisk fizycznych, w tym procesów ruchu drogowego
[34, 42, 13, 45, 52, 18, 32, 37, 39, 38], gdzie lokalne korelacje elementów układu spra-
wiają, że rozwiązanie równań różniczkowych prowadzi do błędnych wyników.
Deterministyczny automat komórkowy jest pojęciem matematycznym zdefiniowa-
nym przez następujące elementy:
◦ sieć komórek iD – w D wymiarowej przestrzeni,
◦ zbiór si stanów, dozwolonych dla każdej komórki przestrzeni,
Rozdział 3. Symulacja ruchu drogowego 46
◦ regułę F (funkcję przejścia automatu) określająca stan komórki w chwili t + 1, na

podstawie stanu komórki i jej sąsiedztwa w chwili t (wzór 3.1). Jeżeli zastosowanie
reguły F ma charakter losowy to automat określamy mianem probabilistycznego.
si (t + 1) = F (si (t)) (3.1)

Najprostszym z możliwych automatów umożliwiających symulację ruchu pojazdów,
jest automat składający się z łańcucha komórek, reprezentujących drogę. Każda z ko-
mórek może posiadać jedynie dwa stany, albo jest ona zajęta przez samochód albo
nie. Samochód ma w takim modelu długość równą długości jednej komórki, a ruch
wszystkich pojazdów odbywa się w jednym kierunku. Samochód może przesunąć się
maksymalnie o jedną komórkę w każdym kroku automatu. Przesunięcie wykonywane
jest kiedy docelowa komórka jest pusta, przy czym aktualizacja stanu wszystkich ko-
mórek musi odbywać się jednocześnie.
Nie trudno zauważyć, że model taki nie gwarantuje uzyskania wyników odpowiada-
jących charakterystyce jazdy rzeczywistych pojazdów. Przesunięcie pojazdów nie jest
uzależnione od wielu czynników losowych występujących podczas jazdy prawdziwych
pojazdów. Dodatkowo, jeżeli w modelu takim liczba pojazdów nie przekroczyłaby po-
łowy liczby komórek, to po pewnym czasie wszystkie pojazdy poruszałyby się z równą
prędkością i nie następowałyby żadne zatrzymania.
3.2. Model Nagela-Schreckenberga

W Niemczech w latach 90–tych Kei Negel oraz Michaela Schreckenberg opracowali
model automatu komórkowego, który pomimo swojej prostej budowy potrafił bardzo
wiernie symulować ruch pojazdów na drogach szybkiego ruchu [38, 39, 37, 42]. W au-
tomacie tym każdy pas ruchu reprezentowany był przez łańcuch komórek, z których
każda odpowiadała fragmentowi drogi o długości 7.5 metra. Odległość tą ustalono na
podstawie badań z których wynikało, że średnie odległości pomiędzy samochodami
w trakcie jazdy wynoszą dokładnie 7.5 metra. Pojedynczy pas ruchu o długości 1 km
reprezentowany jest w takim modelu przez łańcuch 134 komórek. Jeden krok automatu
odpowiada zmianie stanu drogi jaki zachodzi po jednej sekundzie w czasie rzeczywistego
ruchu pojazdów. Samochód zajmuje dokładnie jedną komórkę, przy czym w komórce
zapisana jest informacja o aktualnej prędkości pojazdu wyrażonej w ilości komórek
o jakie zostanie on przesunięty w kolejnym kroku automatu. Zakładając, że ruch od-
bywa się po autostradach oraz drogach szybkiego ruchu, maksymalna ilość komórek o
jaką przesunięty zostać może pojazd wynosi vmax = 5, co odpowiada prędkości pojazdu
równej 135 [km/h].
Negel oraz Schreckenberg zaproponowali również cztery reguły pracy swojego au-
tomatu, gwarantujące, że ruch symulowanych pojazdów dość dobrze odpowiada rze-
czywistości. Reguły te przedstawione są poniżej, a ich numer odpowiada kolejności
stosowania:
1. przyspieszenie — samochody, których prędkość nie jest równa prędkość maksy-
malnej vmax zwiększają swoją prędkość o jeden,
2. bezpieczeństwo — samochód w czasie ruchu musi zachować bezpieczny dystans
do samochodu jadącego bezpośrednio przed nim, to znaczy jeżeli ilość komórek
je dzielące wynosi k, to maksymalna prędkość pojazdu jadącego z tyłu nie może

przekroczyć k (przypomnijmy, że prędkość pojazdów wyrażona jest w ilości ko-
mórek o jakie jest on przesuwany w kolejnym cyklu, dlatego można porównać ze
sobą odległość oraz prędkość pojazdów),
3. zjawiska losowe — aby oddać zjawiska losowe występujące w czasie jazdy, z pew-
nym zadanym prawdopodobieństwem prędkość pojazdu może zostać zmniejszona
o 1 (należy pamiętać, że gwarantuje to zachowanie dotychczasowej prędkości po-
jazdów (ewentualnie prędkości równej vmax −1), ponieważ w kroku 1 zwiększyliśmy
prędkość pojazdu),
4. ruch — w jednej chwili czasu każdy pojazd zostaje przesunięte o tyle komórek ile
wynosi jego prędkość ustalona na podstawie działania reguł od 1 do 3.
Reguły te są proste i nie wymagające użycia skomplikowanych wyrażeń matematycz-
nych, co jest bardzo dużą zaletą tego modelu ze względu na czas obliczeń.
3.3. Zastosowane rozszerzenie modelu

Ponieważ z punktu widzenia celu pracy interesująca była symulacja ruchu obszarów
miejskich, których charakterystyka jest inna niż dróg szybkiego ruchu, niezbędne było
rozszerzenie modelu zaproponowanego przez Nagela–Schreckenberga.
W zaproponowanym modelu wyróżnione zostały trzy kluczowe czynniki ruchu ja-
kimi są: kierowca, pojazd oraz sieć drogowa. Każdy z tych czynników wpływa w pew-
nym stopniu na charakter ruchu pojazdów, natomiast wzajemny wpływ czynników na
siebie przedstawiony jest na rysunku 3.1.
Rys. 3.1. Elementy rozszerzonego modelu ruchu
W kolejnych podrozdziałach omówione zostaną poszczególne elementy rozszerzo-

nego modelu symulacyjnego.
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.
Pierwszym parametrem na jaki wpływ ma kierowca jest maksymalna prędkość z

k
jaką poruszać się będzie pojazd vmax . Wiadomo, że wśród kierowców są tacy, którzy
stosują się do ograniczeń ruchu, oraz tacy którzy ich nie przestrzegają. Wprowadzenie
do systemu różnych typów kierowców umożliwiło nam symulację zachowań w których
pewne pojazdy poruszać się będą szybciej niż wynikałoby to z ograniczenia prędkości
d
danej drogi (vmax ).
Kolejnym czynnikiem na który ma wpływ kierowca jest preferowany dystans jazdy
za pojazdem jadącym bezpośrednio przed nim. Parametr ten jest określany przez roz-
kład zmiennej losowej i przedstawiony jest na rysunku 3.2 (a). Widać na nim, że z
największym prawdopodobieństwem wybierana jest pewna wartość dmax . Wartość ta
zwiększa się liniowo (na rysunku 3.2 a wykres przesuwa się w prawą stronę) w ramach
wzrostu prędkości pojazdu i osiągając maksimum dla maksymalnej prędkości pojazdu
(rysunek 3.2 b). Interpretacją takiego założenia jest fakt, że kierowcy przy większych
prędkościach jazdy za bezpieczne uważają większe dystanse do poprzedzających je po-
jazdów.
(a) Prawdopodobieństwo wyboru dystansu do następnika w zależności od

prędkości
(b) Przesunięcie prawdopodobieństwa

wyboru danej odległości wraz ze
wzrostem prędkości
Rys. 3.2. Zależność wyboru dystansu do poprzedzającego pojazdu

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.
Rys. 3.3. Możliwe przyspieszenie w zależności od aktualnej prędkości pojazdu
W trakcie badań symulacyjnych używane były cztery zestawy parametrów określa-

jące cechy symulowanych pojazdów (tabela 3.1). Każdy zestaw odpowiadał jednemu z
czterech typów pojazdów: pojazdy osobowe, pojazdy ciężarowe, autobusy oraz auto-
busy przegubowe.
L[m] vmax [m/s] vmax [km/h] amax [m/s2 ]

Pojazd osobowy 4 36 130 1.5
Pojazd ciężarowy 6 27 100 1.0
Autobus 11 22 80 0.5
Autobus Przegubowy 17 22 80 0.5
Tabela 3.1. Parametry ruchu różnych typów pojazdów
Aktualna prędkość pojazdu vr reprezentowana jest w modelu przez liczbę rzeczywi-

stą. Modyfikacja ta wprowadzona została po to aby można było zastosować przyspiesze-
nie pojazdu zależne od aktualnej prędkości. W rozszerzeniu modelu komórka automatu
może mieć dowolnie mały rozmiar, który jest zazwyczaj mniejszy niż długość pojazdu.
Pojazd w danej chwili czasu znajdować się może zatem w kilku komórkach jednocześnie.
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.
3.3.3. Sieć transportowa

Do zapisu sieci transportowej wykorzystywanej w symulacji wykorzystywany jest
graf. Niezbędna okazała się jednak rozbudowa modelu przedstawionego w podrozdziale
1.3. Wierzchołkami grafu mogą być trzy elementy:
◦ skrzyżowanie,
◦ generator ruchu,
◦ detektor ruchu.
Przy czym dwa ostatnie mogą odpowiednio albo zaczynać pewne ścieżki w grafie, albo
je kończyć (rysunek 3.4).
Każda skierowana krawędź grafu reprezentuje jednokierunkową drogę. Atrybuty
krawędzi określają ilość pasów ruchu (ruch na wszystkich pasach odbywa się w tym
samym kierunku określonym skierowaniem krawędzi), długość każdego pasa oraz ewen-
tualne umieszczenie pośredniego detektora ruchu pojazdów w pewnym przekroju po-
przecznym każdego z pasów.
Skrzyżowanie mogące być węzłem sieci transportowej również określone jest za po-
mocą grafu (dokładny opis struktury skrzyżowań podany jest w kolejnym podpunkcie).
W przypadku, kiedy pewna krawędź grafu transportowego kończy się w węźle będą-
cym skrzyżowaniem, niezbędne jest określenie reguł tranzycji trasy przejazdu pojazdu
w ramach grafu sieci transportowej na trasę przejazdu w ramach skrzyżowania. Wybór
jednej z możliwych dla danej krawędzi (grafu sieci transportowej) tras przejazdu w
ramach skrzyżowania wykonywany jest w sposób losowy, gdzie każda trasa przejazdu
przez skrzyżowanie posiada pewne z góry określone prawdopodobieństwo wyboru.
Rys. 3.4. Generator/Detektor ruchu pojazdów
3.3.4. Droga
Droga w proponowanym modelu reprezentowana jest przez 2 wymiarowy automat

komórkowy. Pierwszy wymiar reprezentuje liczbę pasów w ramach danego kierunku
drogi, drugi wymiar określa długość każdego pasa. Ważne jest, że każdy pas może
posiadać inną długość. Ponieważ najczęściej zdarza się, że drogi są dwukierunkowe, w
czasie tworzenia połączenia pomiędzy dwoma węzłami sieci tworzone są jednocześnie
dwie krawędzie o przeciwnym skierowaniu. Kiedy ruch w danym kierunku jest niedo-
zwolony w ramach pewnej drogi pierwszy wymiar automatu ustawiony musi zostać na
zero.
Dla danej drogi określone może zostać ograniczenie prędkości ruchu pojazdów vd .
Należy pamiętać jednak, że pewni kierowcy nie będą go respektować i żądana prędkość
może być przekraczana (podpunkt 3.3.1).
Konieczność wprowadzenie różnej długości pasów w ramach jednej drogi pokazana
jest na rysunku 3.5. Wymaga to przedefiniowania funkcji sąsiedztwa komórek. Jeżeli
określimy interesującą nas komórkę przez dwa parametry – numer wymiaru n oraz po-
zycję w danym wymiarze m, oraz zdefiniujemy funkcję L(n) zwracającą długość danego
wymiaru, to sąsiedztwem górnym komórki xN,M jest komórka xM +1,NG a sąsiedztwem
dolnym komórka xM −1,ND . ND oraz NG określone są odpowiednio wzorami 3.4 oraz 3.5
Komórkom drogi w proponowanym modelu odpowiada odległość 0.5 metra długości
drogi rzeczywistej. Taka rozdzielczość wydaje się być rozsądna, jeżeli analizie chcemy
poddać ruch miejski, w którym bardzo ważna jest odpowiednia symulacja przejazdu
pojazdów przez poszczególne skrzyżowania.
Ã !
m
NG = round · L(n + 1) (3.4)
L(n)
Ã !
m
ND = round · L(n − 1) (3.5)
L(n)
Rys. 3.5. Przykład wielopasmowej drogi dwukierunkowej
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].
Rys. 3.6. Schemat elementów skrzyżowania

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.
(a) Włączenia (b) Wyłączenia
(c) Przecięcia
Rys. 3.7. Manewry pojazdów w ramach skrzyżowania
Zaproponowany został model reprezentacji skrzyżowań za pomocą grafu. Model ten

umożliwia uwzględnienie wszystkich tych manewrów przedstawionych na rysunku 3.7.
W skład tego modelu wchodzą:
◦ punktów kolizyjnych – będących wierzchołkami grafu,
◦ krawędzi – bedącymi jednowymiarowymi automatami komórkowymi,
◦ zbioru dopuszczalnych ścieżek – reprezentujących trasy przejazdu pojazdów przez
skrzyżowanie.
Przez punkty kolizyjne rozumiane są punkty włączeń, przecięć oraz wyłączeń ruchu
pojazdów. Dla każdego punktu kolizyjnego określona jest lista wierzchołków do niego
wchodzących. Lista ta determinuje reguły pierwszeństwa przejazdu pojazdów przez ten
punkt. Samochody poruszające się krawędzią posiadającą pierwszą pozycję na tej liście
otrzymują bezwzględne pierwszeństwo przejazdu. Kiedy nie ma żadnych pojazdów na
tej krawędzi, w następnej kolejności przejazd uzyskują pojazdy z krawędzi umieszczonej
na drugiej pozycji na tej liście, itd...
Trasy przejazdu przez skrzyżowanie określone są jako zbiór ścieżek wewnątrz grafu
skrzyżowania. Każda ścieżka posiada atrybut określający maksymalną prędkość prze-
jazdu pojazdów w ramach tej trasy. Wszystkie ścieżki zaczynające się w jednym punkcie
kolizyjnym połączone są z jedną krawędzią głównego grafu transportowego. Podob-
nie wszystkie ścieżki kończące się w jednym punkcie kolizyjnym również połączone są
dokładnie z jedną krawędzią głównego grafu transportowego. Dla wszystkich ścieżek
rozpoczynających się w jednym punkcie określone są prawdopodobieństwa ich wyboru
przez pojazdy. Prawdopodobieństwa te determinują w jaki sposób rozkłada się ruch
pojazdów wewnątrz skrzyżowania.
Na rysunku 3.8 przedstawione są kolejne etapy budowy skrzyżowania:
1. kreślenie punktów kolizyjnych (krok 1)
2. określenie pasów ruchu (kroki 2 i 3)
3. określenie tras przejazdu (kroki 4 i 5)
W ramach skrzyżowania koniecznie jest również umożliwienie zdefiniowania grup
sygnalizacyjnych (definicja 1.16). Grupy sygnalizacyjne określane są w zbiorów tras,
Rys. 3.8. Właściwości skrzyżowania
które jednocześnie otrzymują sygnał zielony w danym planie sygnalizacyjnym. Zbiory

te zapisane są w postaci listy, gdzie pozycja na liście określa kolejność poszczególnych
faz ruchu danych grup sygnalizacyjnych. Dodatkowa lista, o tej samej długości określa
czasy światła zielonego dla każdej z grup. Czas ewakuacji po każdej grupie sygnalizacyj-
nej określany jest na podstawie czasu przejazdu samochodu jadącego najdłuższa trasą
w ramach grupy ze średnią prędkością równą połowie dozwolonej prędkości danej trasy.
Przyjęty model umożliwia zdefiniowanie dowolnych grup sygnalizacyjnych, umożliwia
on również definiowanie osobnych faz ruchu dla relacji prawo oraz lewo skrętnych, nawet
jeżeli z danego wlotu skrzyżowania możliwy jest przejazd w innych kierunkach.
Przyjęty model nie umożliwia symulacje działania podfaz sygnalizacji świetlnej (nie
były one potrzebne w późniejszych badaniach). Możliwe jest jednak rozszerzenie opisu
model w celu uwzględnienia tego elementu, przez wprowadzenie listy grup sygnaliza-
cyjnych po których nie należy zapewniać czasu ewakuacji.
3.3.6. Generatory oraz detektory ruchu
W ramach węzłów głównej sieci transportowej występować mogą generatory ru-

chu, oraz detektory końcowe ruchu. Oba elementy stanowią odpowiednio początki oraz
końce dróg transportowych (definicja 1.8) w grafie transportowym. Aby nie kompliko-
wać modelu elementy te zostały ze sobą połączone w Generator/Detektor ruchu i w
zależności od tego czy rozpatrujemy koniec danej ścieżki przejazdu pojazdów mówić
będziemy o detektorze, a jeżeli element ten stanowi początek ścieżki, mówić będziemy
o generatorze ruchu.
Generator/Detektor ruchu reprezentowany jest w sieci transportowej przez okrąg
oraz wpisane w niego zielone koło (rysunek 3.9). Rola generatora ruchu pozwala zdefi-
niować z jakim prawdopodobieństwem w każdym cyklu pracy automatu na połączone
z generatorem drogi wjedzie pojazd. Określić możemy również strukturę rodzajową ge-
nerowanych pojazdów ustalając prawdopodobieństwo pojawienia się każdego z czterech

ich typów (samochód osobowy, ciężarowy, autobus oraz autobus przegubowy).
Każdy generator zachowuje informacje dotyczące liczby wygenerowanych pojazdów
oraz liczby pojazdów jakie nie były w stanie wjechać na drogę docelową, która w danej
chwili czasu mogła być zajęta przez inne pojazdy.
Rys. 3.9. Generator/Detektor ruchu pojazdów
Detektor końcowy pozwala rejestrować pojazdy opuszczające symulowany obszar.

Rejestrowane są przy tym parametry takie jak:
◦ ilość samochodów osobowych, ciężarowych, autobusów oraz autobusów przegubo-
wych,
◦ minimalna, średnia oraz maksymalna prędkość pojazdów każdego typu, oraz
wszystkich pojazdów łącznie,
◦ minimalny, średni oraz maksymalny czas postoju pojazdów każdego rodzaju oraz
wszystkich pojazdów łącznie.
Podkreślić należy ze rejestrowane statystyki ruchu pojazdów dotyczą całego okresu w
którym pojazd przebywał w symulowanym obszarze.
Proponowany model zakłada również, że w ramach danego pasa ruchu występować
może detektor pośredni. Detektor pośredni pozwala uzyskać podobne statystyki jak
detektor końcowy jednak statystyki te dotyczą pojazdów, które jeszcze nie opuściły
badanego obszaru. Informacje na temat ruchu pojazdu który przejechał przez detektor
pośredni są zbierane na nowo. Detektor pośredni wykorzystywany do optymalizacji
sieci skrzyżowań, jest traktowany również jako generator ruchu, dla którego liczba
pojazdów wygenerowane jest równa liczbie pojazdów zarejestrowanych. Na rysunku
3.10 przedstawiona jest reprezentacja generatora pośredniego umieszczonego na drodze.
Rys. 3.10. Detektory pośrednie umieszczone na drodze
3.3.7. Reguły ruchu

Po przedstawieniu budowy elementów rozszerzonego modelu symulacji, przejść na-
leży do omówienia reguł rządzących ruchem pojazdów. Reguły te zostały zaczerp-
nięte z modelu Nagela–Schreckenberga i poddane zostały modyfikcacją umożliwiającym
uwzględnienie dodatkowych czynniki zaproponowane w modelu. Poszczególne kroki
działania automatu wyglądają następująco:
1. przyspieszanie – z pewnym prawdopodobieństwem Pa pojazd przyspiesza,

2. bezpieczeństwo – pojazd zachowuje wymagany dystans do jadących przed nim
pojazdów,
3. hamowanie – z pewnym prawdopodobieństwem Ph pojazd hamuje,
4. przemieszczenie – wszystkie pojazdy w jednej chwili czasu przemieszczane są
o liczbę komórek odpowiadających ich prędkości w kierunku zgodnym z kierun-
kiem ruchu na danej drodze.
Zasadniczą zmianą w stosunku do oryginalnego modelu jest wprowadzenie dwóch
prawdopodobieństw Pa oraz Ph , zamiast jednego. Prawdopodobieństwa te w rozważa-
nym modelu zostały ustalone na wartości Pa = 85% oraz Ph = 15%. Dalsze mody-
fikacje dotyczą wyznaczenia maksymalnej dopuszczalnej przez pojazd prędkości, oraz
dystansu do poprzedzających pojazdów. Sposób zastosowania reguł ruchu przedstawić
można poniższym pseudokodem
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);
7 t_i <- min (t_i, kierowca_i(odl_nast(i, i+1), t_i));
8 if (rand(100) < P_h) then

9 t_i <- max(t_i - (a(v_i(t))), 0);
10 v_i(t+1) <- t_i;

11 end
12 przesunPojazdy()
Instrukcje od 3 do 6 odpowiedzialne są za wyznaczenie kolejnej wartości prędkości

i–tego pojazdu. vi,max oznacza maksymalną prędkość z jaką może poruszać się i–ty po-
jazd, prędkość ta nie może zostać nigdy przekroczona. vi (t) określa aktualną prędkość
i–tego pojazdu, natomiast a(vi (t)) zwraca możliwy przyrost prędkości podczas przy-
spieszenia i–tego pojazdu. vd jest maksymalną dozwoloną prędkością w ramach danej
drogi, natomiast kierowcai (vd ) zwraca wartość prędkości jaką kierowca i–tego pojazdu
będzie respektował. W systemie zaimplementowano trzy typy kierowców, pierwszy typ
stara się aby prędkość pojazdy była o 5% mniejsza niż dozwolona prędkość na drodze,
drugi typ nie dopuszcza do przekroczenia dozwolonej prędkości, natomiast typ trzeci
umożliwia osiągnięcie przez pojazd prędkości przekraczającej prędkość dozwoloną o
10%. Każdy z typów kierowców generowany jest z równym prawdopodobieństwem.
Linia pseudokodu o numerze 7 odpowiada za zachowanie bezpiecznego dystansu,
jeżeli preferowany dystans do pojazdu poprzedzającego jest większy od aktualnej pręd-
kości, prędkość ta nie jest modyfikowana. Preferowany dystans do poprzedzającego
pojazdu kierowcai (odlnast (i, i + 1), v), określany jest każdorazowo przez kierowce na
podstawie rzeczywistej odległości dzielącej oba pojazdy odlnast (i, i + 1), oraz przyszłej
wartości prędkości pojazdu ti , w sposób omówiony w podrozdziale 3.3.1.
Instrukcje 7 oraz 8 odpowiadają za zmniejszenie prędkości pojazdów. Prędkość

zmniejszana jest o wartość przyspieszenia każdego pojazdu. Instrukcja 10 odpowiada za
zmianę prędkości i–tego pojazdu na nowo obliczoną ti . Po określeniu nowych prędkości
ruchu dla wszystkich pojazdów następuje ich przesunięcie w automacie komórkowym.
Ponieważ model zakłada możliwość definiowania dróg wielopasmowych, konieczne
jest wprowadzenie reguł określających kryteria zmiany pasów przez poruszające się
pojazdy. Na rysunku 3.11 przedstawione zostały niezbędne oznaczenia potrzebne do
dalszej analizy. Przedstawione reguły bazują na regułach zaproponowanych w pracach
[42, 39].
Rys. 3.11. Schemat ideowy automatu komórkowego reprezentującego

drogę jednopasmową
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.
vprzed ≤ v ∧ vprzed ≤ vlewy , (3.7)
gdzie v to prędkość analizowanego pojazdu, vprzed jest prędkością pojazdu poruszają-

cego przed analizowanym pojazdem tym samym pasem ruchu, a vlewy określa prędkość
pojazdu poruszającego się rzed analizowanym pojazdem lewym pasem ruchu (sąsiedz-
two komórek pomiędzy pasami określone zostało wzorem 3.5).
Warunek zmiany pasa z prawego na lewy, czyli powrotu na zewnętrzny pas drogi
określony jest przez równanie 3.8.
vprawy > v ∨ vprawy > vprzed (3.8)
gdzie v to prędkość analizowanego pojazdu, vprzed jest prędkością pojazdu poruszają-

cego przed analizowanym pojazdem tym samym pasem ruchu, a vprawy określa pręd-
kość pojazdu poruszającego się przed analizowanym pojazdem prawym pasem ruchu
(sąsiedztwo komórek pomiędzy pasami określone zostało wzorem 3.5).
Warunek bezpieczeństwa określony jest w taki sposób, że po ewentualnej zmianie
pasu odległość do samochodu jadącego bezpośrednio za nami OdlegloscZa, musi być
większa niż odległość jaką jest w stanie pokonać najszybszy możliwy pojazd (czyli w
tym przypadku samochód osobowy) poruszający się z maksymalną prędkością 3.9.
x
∀x ∈ T.OdlegloscZa > vmax , (3.9)
x
gdzie T to zbiór wszystkich typów symulowanych pojazdów, a vmax jest maksymalną
prędkością pojazdu określonego typu.
3.3.8. Dyskusja modelu

Rozszerzenie koncepcji sieci transportowej oraz wprowadzenie nowych elementów
do modelu automatu komórkowego pozwoliło lepiej modelować ruch pojazdów w ob-
rębie sieci ulic oraz skrzyżowań. Przebadano uzyskiwane warunki ruchu obserwując
działanie modelu dla różnych natężeń generowanych pojazdów. W celu zweryfikowania
poprawności działania modelu sporządzono wykres zależności gęstości ruchu w zależno-
ści od natężenia ruchu pojazdów (rysunek 3.12). Uzyskane wyniki są zbieżne z danymi
uzyskanymi w rzeczywistych pomiarach.
Dalsze rozbudowa modelu wymagałaby wprowadzenia dodatkowych warunków
zmiany pasa zmiany pasa ruch w trakcie jazdy pojazdów drogami wielopasmowymi. W
pracach [39] znajdują się informacje dotyczące możliwych kierunków w jakich można
byłoby zmodyfikować istniejące reguły. Konieczne wydaje się również wprowadzenie re-
guł, które pozwolą automatycznie grupować pojazdy na odpowiednich wlotach skrzy-
żowania. Obecnie odbywa się to na zasadzie skonstruowania skrzyżowania łączącego
drogę wielopasmową z drogami jednopasmowymi stanowiącymi dojazdy do wlotów da-
nego skrzyżowania (rysunek 3.13)
Rys. 3.12. Schemat ideowy automatu komórkowego reprezentującego

drogę jednopasmową
Zaprezentowany model pozwala symulować ruch w obrębie pojedynczych skrzyżo-

wań o dowolnej strukturze wlotów dojazdowych (rysunek 3.14). Cecha ta wykorzystana
zostanie w kolejnym rozdziale poświęconym optymalizacji ruchu w obrębie izolowanych
skrzyżowań, w którym model mikrosymulacji ruchu wykorzystywany jest do oceny wa-
runków ruchu pojazdów po wprowadzeniu konkretnych planów sygnalizacyjnych.
Możliwe jest również konstruowanie dużych sieci transportowych (rysunek 3.15),

których struktura jest zgodna ze strukturą rzeczywistej sieci transportowej danego
miasta. Mikrosymulacja może być wówczas użyta do symulacji oraz oceny warunków
ruchu na całym obszarze miejskim.
Rys. 3.13. Metoda segregacji ruchu pojazdów przed wlotem na skrzyżowanie
Rys. 3.14. Przykład struktury skrzyżowania

Rys. 3.15. Przykład struktury całej sieci skrzyżowań

Rozdział 4
Optymalizacja pojedynczych
skrzyżowań
Proces optymalizacji dla pewnego konkretnego zagadnienia polega na znalezieniu

najlepszego rozwiązania ze względu na pewne kryterium. Kryterium te może być pro-
stym parametrem, bądź być funkcją wielu zmiennych, mówimy wówczas o funkcji celu.
Algorytm genetyczny jest metodą optymalizacji wzorowaną na naturze [33, 41]. Podob-
nie jak w czasie prawdziwej ewolucji rośnie przystosowanie pewnej badanej populacji do
pewnego środowiska w którym się ona znajduje. Populacja w algorytmach genetycznych
składa się z osobników, które są potencjalnymi rozwiązaniami danego problemu. W roz-
dziale przedstawione jest wykorzystanie algorytmu genetycznego w celu optymalizacji
ruchu pojazdów w obrębie izolowanych skrzyżowań. Omówione zostały użyte opera-
tory genetyczne, sposób kodowania chromosomu, metoda selekcji oraz wykorzystana
funkcja celu. Kolejną część rozdziału stanowi prezentacja oraz omówienie otrzymanych
wyników.
4.1. Proces ewolucji

Pierwszym krokiem działania algorytmu genetycznego jest stworzenie początkowej
populacji o liczności N , a następnie ocena każdego osobnika w populacji. Jeżeli nie
spełnione jest kryterium stopu (np. przekroczono czas obliczeń, uzyskano zadowala-
jący wynik) dokonuje się wyboru rodziców wśród najlepszych osobników (następuje
selekcja). Nowe pokolenie tworzone jest na bazie najlepszych osobników z pokolenia
poprzedniego poprzez zastosowanie operatorów genetycznych (krzyżowanie oraz muta-
cja). Liczność nowego pokolenia jest równa liczności pokolenia poprzedniego. Proces
jest powtarzany aż do spełnienia kryterium stopu (bez etapu generacji początkowego
pokolenia). Liczba stworzonych pokoleń oznaczana jest przez Np i może stanowić jedno
z kryteriów stopu.
Algorytm genetyczny w naszym rozwiązaniu służy do optymalizacji ustawień sy-
gnalizacji świetlnej w obrębie jednego skrzyżowania, wykorzystując w tym celu moduł
mikrosymulacji. Mikrosymulacja ruchu drogowego dostarcza informacji na temat wa-
runków ruchu drogowego uzyskanych po zastosowaniu konkretnego planu sygnalizacji.
Dokładny schemat poszczególnych etapów optymalizacji przejazdu pojazdów przez
pojedyncze skrzyżowanie pokazany jest na rysunku 4.1. Pierwszym etapem optyma-
Rozdział 4. Optymalizacja pojedynczych skrzyżowań 62
lizacji jest pobranie informacji z detektorów na temat aktualnego natężenia liczby

pojazdów dojeżdżających do każdego wlotu skrzyżowania. W ramach tego etapu prze-
prowadzona może zostać predykcja parametrów ruchu dla chwili czasu t + ∆t. Jeżeli
aktualne (bądź przewidywane) wartości nie różnią się znacznie od wartości poprzed-
nich, proces optymalizacji nie jest potrzebny, ponieważ sygnalizacja świetlna została już
przystosowana do takich warunków ruchu. Jeżeli jednak warunki ruchu uległy zmianie
konieczne jest ustawienie parametrów symulatora, taka jak struktura symulowanego
skrzyżowania, oraz natężenia ruchu na poszczególnych wlotach i przeprowadzenie pro-
cesy optymalizacji z wykorzystaniem algorytmu genetycznego.
Rys. 4.1. SchematOptymalizacji
4.2. Budowa chromosomu oraz operatory

Osobnik reprezentuje konfigurację sygnalizacji świetlnej jednego skrzyżowania, czyli
długości poszczególnych faz oraz ich kolejność. Pojedynczy osobnik stanowi jedno po-
tencjalne rozwiązanie. Zakodowana postać rozwiązania nazywa się chromosomem i
składa się z dwóch części. Pierwsza odpowiedzialna jest za kodowanie kolejności faz
sygnalizacji świetlnej, druga za długość każdej fazy (rysunek 4.2). Przy założeniu, że
łączna liczba faz wynosi NF , długość całego chromosomu jest równa L = 2 · NF .
Do zakodowania kolejności faz świetlnych wykorzystano reprezentację
porządkową[33]. W reprezentacji tej zmienna fi przyjmuje wartości z zakresu:
fi ∈ [1, (NF + 1) − i] , gdzie i = 1, . . . , NF (4.1)

Druga część chromosomu, reprezentująca długości poszczególnych faz świetlnych,
kodowana jest za pomocą liczb naturalnych. Wartości zapisane w kolejnych komórkach
Rys. 4.2. Budowa chromosomu
odpowiadają liczbie sekund, na jakie zostanie zapalone światło zielone dla danej fazy.
Oczywiście wartości te spełniają zależność:
ti ∈ [Tmin , Tmax ] , gdzie Tmin < Tmax (4.2)
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
a wartość splitu (definicja 1.13) dla poszczególnych faz wynosi:
ti
Si = (4.4)
T
Sposób kodowania osobnika umożliwia wykorzystanie klasycznych operatorów ge-

netycznych. Działanie operatora krzyżowania polega na wylosowaniu dwóch punktów
z których pierwszy p1 ∈ [1, NF ], drugi p2 ∈ [NF + 1, 2NF ]. Jeżeli dwóch rodziców
oznaczymy przez R1 oraz R2 , to chromosomy nowych osobników D1 oraz D2 (dzieci)
budowane są według następującego schematu. Fragmenty chromosomu D1 powstają
jako połączenie chromosomu R1 od początku do punktu p1 oraz od NF + 1 do p2 ,
luki wypełniane są odpowiadającymi fragmentami z R2 . Analogicznie powstaje chro-
mosom D2 (zamieniana jest kolejność rodziców). Operator krzyżowania stosowany jest
z prawdopodobieństwem PK .
Po zastosowaniu operatora krzyżowania, z pewnym prawdopodobieństwem PM
każdy element nowego chromosomu podlega mutacji. Jeżeli mutowana jest wartość
fi , to nowy element losowany jest z przedziału określonego wzorem 4.1. Jeżeli mutacji
podlega ti , to do obecnej wartości losowo dodawana jest liczba z przedziału [−Tz , Tz ],
gdzie przez Tz , określona jest maksymalna zmiana parametru ti . Taka postać operatora
mutacji może doprowadzić do stworzenia niepoprawnego rozwiązania, w którym czasy
poszczególnych faz są zbyt małe lub zbyt długie. Osobnik taki jest naprawiany zgodnie
z zasadą, że jeżeli
∀i ∈ ℵ.(1 ≤ i ≤ Ns ∧ ti < Tmin ) ⇒ (ti = Tmin ) (4.5)

∀i ∈ ℵ.(1 ≤ i ≤ Ns ∧ ti > Tmax ) ⇒ (ti = Tmax ) (4.6)
4.3. Funkcja celu i metoda selekcji

Każdy osobnik w danym pokoleniu jest oceniany pod kątem stopnia jego dopaso-
wania za pomocą funkcji celu, określonej wzorem 4.7.
µ ¶2 X
ND
Ã Ã !!
NV 1
Q(s) = · P rt(i) · NV (i) · v̄(i) + (4.7)
NV P i=1 s̄(i)
gdzie: ND - liczba detektorów w badanej sieci, NV (i) - liczba zarejestrowanych pojazdów
przez detektor i, P rt(i) - priorytet danego detektora, v̄(i) - średnia prędkość podróżna
(def:predkoscPodrozna) pojazdów przejeżdżających przez skrzyżowanie, zarejestrowa-
nych przez detektor i, s̄(i) - średni czas postoju pojazdów na badanym skrzyżowaniu
zarejestrowanych przez detektor i, NV - całkowita liczba zarejestrowanych pojazdów
zarejestrowana przez detektory, NV P - maksymalna liczba pojazdów, jakie mogłyby
wjechać w dany obszar symulacji, gdyby któryś z wjazdów nie był przepełniony, s
oznacza osobnika, czyli konfigurację sygnalizacji skrzyżowania. Do znalezienia warto-
ści funkcji Q(s) przy danym ustawieniu sygnalizacji świetlnej s wykorzystywany jest
symulator. Ze względu na to iż proces ruchu jest procesem losowym, dana konfigu-
racja może zostać różnie oceniona w kilku następujących po sobie symulacjach. Aby
zminimalizować błąd oceny sam proces oceny danego ustawienia przeprowadzany jest
kilkukrotnie (Ns razy) po czym tworzona jest wartość średnia Qavr , określona wzorem
(4.8).
PNs
(Q(s))
i=1
Qavr (s) = (4.8)
Ns
Na rysunku 4.3 przedstawiony jest średni błąd kwadratowy Qavr w zależności od
liczby symulacji Ns (błąd jest liczony dla 100 osobników ze wzoru 4.9). Dla pojedynczej
symulacji wynosi on 6, 5% i wraz ze wzrostem liczby symulacji maleje wykładniczo, dla
Ns = 20 osiągając wartość 1,5 % (w badaniach stosowano Ns = 5).
PNs ³ ´2
i=1 Qavr (s) − Qavr (i) (s)
Error = (4.9)
Ns
Rys. 4.3. Błąd oceny rozwiązania w zależności od liczby przeprowadzonych symulacji

W procesie selekcji zastosowano metodę rankingową [33], w której osobniki szere-

gowane są malejąco według przystosowania Qavr . Następnie spośród Ps najlepszych z
nich tworzone jest nowe pokolenie, przy czym każdy osobnik z tej grupy ma równe
szanse stać się rodzicem. W czasie całego procesu ewolucji pamiętane jest najlepsze do
tej pory znalezione rozwiązanie.
4.4. Uzyskane wyniki

W pracy skupiono się na testowaniu przejazdu wahadłowego z sygnalizacją świetlną
i dwóch typów skrzyżowań. Podczas przejazdu wahadłowego występują dwie fazy
świetlne (rysunek 4.4), co daje długość pojedynczego osobnika równą cztery. Dokonano
wielu procesów optymalizacji, z zastosowaniem różnych ustawień parametrów. Poniżej
przedstawione są dwa przykładowe zestawy:
1. Zestaw: (N = 20, Np = 30, Ns = 5, Pk = 50
2. Zestaw: (N = 20, Np = 30, Ns = 5, Pk = 20
Analizowano zmiany minimalnej, średniej i maksymalnej osiągniętej wartości funk-
cji celu w trakcie procesu ewolucji dla parametrów z różnych zestawów (rysunek 4.5
dla zestawu 1 oraz rysunek 4.6 dla zestawu 2). Dobre efekty daje zestaw 1 - ewolucja
powoduje dość stabilny wzrost średniego przystosowania populacji. Pozostałe zestawy
powodują bądź za małą zbieżność populacji (zbyt duża losowość) bądź też spowalniają
proces, prowadząc do przedwczesnej zbieżności. System znajduje odpowiednie sterowa-
nie ruchem wahadłowym, optymalizuje czas przejazdu pojazdów.
Rys. 4.4. Przejazd wahadłowy a) schemat, b) dozwolone kierunki

przejazdu w danej fazie
Badanie przeprowadzone zostało również dla skrzyżowania trójwlotowego typu T

(rysunek 4.7 a) z dwiema fazami ruchu (rysunek 4.7 b). W konfiguracji tej droga pod-
porządkowana (pionowa) charakteryzuje się dużo mniejszym (równym 30% natężenia
ruchu na drodze głównej) natężeniem ruchu niż droga główna (pozioma). Podobnie
Rys. 4.5. Ewolucja przejazdu wahadłowego zestawem parametrów 1
Rys. 4.6. Ewolucja przejazdu wahadłowego zestawem parametrów 2

jak poprzednio, zaproponowane rozwiązanie radzi sobie dobrze z postawionym mu za-

daniem dla różnych natężeń ruchu. Proces ewlucji przedstawiony został na rysunku
4.8.
(a) Schemat skrzyżowania (b) Fazy ruchu
Rys. 4.7. Skrzyżowania typu T
Rys. 4.8. Proces ewolucji dla skrzyżowania typu T
Eksperymenty wykonano również dla bardziej skomplikowanego skrzyżowania z

czterema wlotami (rysunek 4.9 a) oraz dwoma pasami dojazdowymi na każdym wlocie.
Optymalizacja dotyczyła ustawień czterech faz sygnalizacji świetlnej - dopuszczalne
kierunki przejazdu podczas każdej fazy przedstawione są na rysunku 4.9 (b).
Przebieg procesu optymalizacji skrzyżowania czterowlotowego przeprowadzony był
z ustawieniami parametrów zgodnych z zestawem 1. Na rysunku 4.9 (b) przedstawione
są zmiany przystosowania w populacji w trakcie procesu optymalizacji.

Zastosowana funkcja celu Q (wzór 4.7) dała satysfakcjonujące wyniki. W każdym
z rozwiązań czas światła zielonego dla każdej fazy odpowiadał średniej długości ko-
(a) Schemat skrzyżowania (b) Fazy ruchu
Rys. 4.9. Skrzyżowanie czterowlotowe
Rys. 4.10. Proces ewolucji dla optymalizacji skrzyżowania czterowlotowego

lejki ustawiającej się na danym wlocie. Ukierunkowanie funkcji celu na minimaliza-

cję średnich strat czasu oraz maksymalizację średnich prędkości przejazdu generowało
rozwiązania z długim czasem oczekiwania dla wlotów podporządkowanych, z małym
natężeniem pojazdów dojeżdżających. Dla przypadków, w których natężenia pojazdów
dojeżdżających były duże dla wszystkich wlotów, algorytm znajdował rozwiązania,
które starały się nie dopuścić do przepełnienia kolejki wjazdowej i braku możliwości
wjazdu kolejnych pojazdów. W trakcie procesu ewolucji średnia wartość przystoso-
wania populacji stabilizowała się już w okolicach piątego pokolenia, dalsza ewolucja
generowała rozwiązania tylko nieznacznie lepsze. Jest to ważne z punktu widzenia
możliwości działania systemu w czasie rzeczywistym. Przeprowadzono również badania
pod kątem wzrostu wydajności związanego z wprowadzeniem proponowanego systemu
adaptacyjnego w stosunku do systemu stałoczasowego. Dla prezentowanego skrzyżowa-
nia trójwlotowego (rysunek 4.7 a) opracowano ręcznie plan sygnalizacji wykorzystując
fakt, iż na drodze podporządkowanej występowało natężenie ruchu równe 1/3 natężenia
drogi głównej. Następnie przebadano system pod kątem krótkotrwałych zmian natę-
żenia ruchu na drodze podporządkowanej, wynoszących w pierwszym przypadku od
33% do 100% natężenia występującego na drodze głównej. System adaptacyjny okazał
się wówczas o 12,7% (rysunek 4.11) wydajniejszy od sygnalizacji stałoczasowej. Przy
zmianie natężenia od 33% do 166% wzrost wydajności wynosił już 18,4%. Natomiast
dla krótkotrwałych okresów czasu, w których na drodze podporządkowanej natężenie
było wyższe od natężenia drogi głównej od 100% do 133%, system adaptacyjny okazał
się wydajniejszy o 28,9%.
Rys. 4.11. Porównanie zmian wydajności systemu adaptacyjnego i stałoczasowego

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
Optymalizacja sieci skrzyżowań
W rozdziale tym przedstawione jest ewolucyjne podejście wykorzystujące algorytm

genetyczny w celu optymalizacji ruchu pojazdów w obrębie sieci skrzyżowań drogowych.
Optymalizacja sieci skrzyżowań jest rozwinięciem modelu przedstawionego w rozdziale
poprzednim, którego celem była optymalizacja przejazdu pojazdów przez izolowane
skrzyżowania. Przedstawione rzedstawione są niezbędne rozszerzenie modelu, przyjęta
funkcja celu, struktura chromosomu oraz operatory genetyczne.
5.1. Cel optymalizacji
Schemat pracy systemu optymalizacji ruchu drogowego przedstawiony jest na ry-

sunku 5.1. W pierwszym kroku należy pobrać dane z detektorów ruchu znajdujących
się na wjazdach badanego obszaru. Dane te trafiają do bazy danych, w której są prze-
chowywane. Kolejnym etapem jest analiza danych znajdujących się w bazie danych.
Analiza ta polega na sprawdzeniu, czy warunki ruchu uległy zmianie w stosunku do
ostatniej chwili pomiarowej. Etap ten służy również przygotowaniu danych dla modułu
predykcji. Moduł predykcji odpowiedzialny jest za oszacowanie warunków ruchu jakie
prawdopodobnie panować będą w kolejnym okresie pomiarowym. Ze względu na to, że
optymalizacja jest procesem kosztownym obliczeniowo (a co za tym idzie wymagającym
czasu), należy zagwarantować, że po procesie optymalizacji warunki dla których ruch
był optymalizowany odpowiadają aktualnym warunkom panującym na drodze. Kolej-
nym krokiem jest właściwy etap optymalizacji, w którym modyfikacji podlegają plany
sygnalizacyjne skrzyżowań wchodzących w skład optymalizowanego obszaru. Każdy
plan sygnalizacyjny testowany jest za pomocą modułu mikrosymulacji pod względem
warunków ruchu jakie gwarantuje. Danymi wejściowymi dla etapu symulacji, oprócz
aktualnego planu sygnalizacyjnego, jest również graf sieci transportowej oraz estymo-
wane wartości natężenia ruchu na wjazdach do badanego obszaru. Algorytm genetyczny
ma za zadanie takie dostosowanie parametrów planów sygnalizacyjnych aby wartość
funkcji celu była jak najwyższa, co odpowiada najwyższej ocenie uzyskanych warunków
ruchu.
Rozdział 5. Optymalizacja sieci skrzyżowań 72
Rys. 5.1. Schemat procesu optymalizacji
5.2. Struktura chromosomu

Plany sygnalizacyjne dla wszystkich sterowników sygnalizacji w obrębie analizowa-
nego obszaru kodowane są w jednym chromosomie. W celu zmniejszenia przeszukiwanej
przestrzeni rozwiązań oraz zagwarantowania lepszej zbieżności algorytmu genetycznego
długość cyklu sygnalizacyjnego jest równa dla wszystkich skrzyżowań. Pozostałe pa-
rametry wchodzące w skład planu sygnalizacyjnego(podrozdział 1.4.4), czyli wartość
splitu każdej fazy, kolejność faz oraz offset, mogą być różne dla każdego ze skrzyżowań.
Każdy z parametrów planów sygnalizacyjnych kodowany jest wewnątrz chromo-
somu w obrębie odpowiedniej grupy (rysunek 5.2). Każda z grup zawiera ustawienia
danego parametru dla każdego skrzyżowania analizowanej sieci. Grupowanie odpowia-
dających sobie wartości umożliwiło zdefiniowanie prostszych operatorów krzyżowania,
które omówione zostaną dokładnie w kolejnym podrozdziale.
Rys. 5.2. Struktura chromosomu
Długość chromosomu zależy od ilości skrzyżowań z sygnalizacją świetlną występu-

jących w optymalizowanym obszarze oraz od ilości grup sygnalizacyjnych określonych
dla każdego skrzyżowania. Jeżeli założymy, że N oznacza całkowitą liczbę optymalizo-
wanych skrzyżowań, oraz zdefiniujemy funkcję G(i) postaci:
G(i) : ℵ → ℵ, i = 1, .., N (5.1)
zwracającą liczbę grup sygnalizacyjnych określonych w ramach i–tego skrzyżowania,
wtedy długość chromosomu określona jest wzorem 5.2.
N
X
L=1+2· G(i) + N (5.2)
i=1
Do zakodowania czasu cyklu, oznaczonego symbolem Tc , wykorzystane zostało ko-

dowanie całkowite [33, 41]. Dodatkowo kodowana wartość Tc spełniać musi poniższy
warunek:
Tc ∈ [Tmin , Tmax ], (5.3)
gdzie Tmin oraz Tmax są odpowiednio minimalnym oraz maksymalnych dozwolonym

czasem trwania cyklu.
Wartość splitu każdej fazy sygnalizacyjnej s(i) oraz offset f (i) również kodowane są
za pomocą reprezentacji całkowitej [33, 41]. Aby chromosom reprezentował poprawną
konfigurację sygnalizacji świetlnej, wymagane jest nałożenie dodatkowych ograniczeń
na kodowaną wartość splitu. Po pierwsze należy zagwarantować, aby czas trwania każ-
dej fazy ruchu był większy niż pewna minimalna wartość Smin (równanie 5.4). Dla ruchu
osobowego przyjmuje się, że swiatło zielone powinno zapalić się na okres przynajmniej
9 sekund (dokładne wymagania dotyczące konstrukcji planów sygnalizacyjnych omó-
wione zostały w podrozdziale 1.4.4).
µ» ¼ ¶
Smin (i)
∀i, j ∈ ℵ . (1 ≤ i ≤ N ∧ 1 ≤ j ≤ G(i)) ⇒ · 100 ≤ sj ≤ 100 (5.4)
Tc
Należy zagwarantować również, aby łączny czas trwania wszystkich faz ruchu w obrębie
pewnego skrzyżowania równy był czasowi trwania cyklu sygnalizacji świetlnej Tc (rów-
nanie 5.5). Warunek ten oznacza, że zmiana wartości któregokolwiek splitu w ramach
pewnego skrzyżowania, wymaga modyfikacji pozostałych wartości.
 
G(i)
X (i)
∀i ∈ ℵ . (1 ≤ i ≤ N ) ⇒  sj = 100 . (5.5)
j=i
Offset pracy sygnalizacji świetlnej oznacza przesunięcie cyklu pracy sygnalizacji

świetlnej w stosunku do cyklu pracy pozostałych optymalizowanych skrzyżowań. War-
tość offsetu dla każdego skrzyżowania nie powinna być większa od czasu trwania całego
cyklu pracy sygnalizacji Tc (równanie 5.6). Przypisanie wartości większej jest możliwe,
jednak zasadniczo nie niesie ze sobą dodatkowych informacji (rozszerza tylko przestrzeń
poszukiwań), ponieważ wprowadzona w ten sposób wartość ograniczona może zostać
do wymaganego przedziału (równanie 5.6), poprzez zastosowanie wzoru 5.7.
³ ´
∀i ∈ ℵ . (0 ≤ i ≤ N ) ⇒ 0 ≤ f (i) < Tc (5.6)
f (i) = f (i) mod Tc (5.7)

Do zakodowania kolejności faz ruchu, podobnie jak w przypadku optymalizacji po-
jedynczych skrzyżowań (rozdział 4.1), użyta została reprezentacja porządkowa [33].
Warunek poprawności zapisu każdej zmiennej, uwzględniający ilość grup sygnalizacyj-
nych (równanie 5.1), zdefiniowany jest równaniem 5.8.
³ ´
(i)
∀i, j ∈ ℵ . (1 ≤ i ≤ N ∧ 1 ≤ j ≤ G(i)) ⇒ 1 ≤ oj ≤ (G(i) + 1) − j (5.8)
5.3. Operatory oraz metoda selekcji

Każdy z osobników w danym pokoleniu oceniany jest pod kątem jego przystoso-
wania, czyli jakości uzyskanych warunków ruchu mierzonych za pomocą funkcji celu
(wzór 5.11). Uzyskane wyniki pozwalają utworzyć listę rankingową, szeregującą każdego
osobnika w kolejności od najlepszego do najgorszego (rankingowa metoda selekcji[33]).
Pierwsze Ps osobników ma możliwość uczestniczyć w procesie reprodukcji, przy czym

liczba dzieci, zależy ekspotencjalnie od pozycji na liście rankingowej. Dodatkowo, jeżeli
w pokoleniu t + 1, nie zostało znalezione rozwiązanie lepsze niż w pokoleniu t, to naj-
lepszy osobnik z pokolenia t, trafia na pierwsza pozycję listy rankingowej w pokoleniu
t+1. W omawianym wcześniej procesie optymalizacji pojedynczego skrzyżowania praw-
dopodobieństwo stania się rodzicem było jednakowe (dla pierwszych Ps osobników) i
nie zależało od pozycji na liście rankingowej.
W procesie tworzenia nowego pokolenia stosowane są standardowe operatory gene-
tyczne [33]. Prawdopodobieństwo mutacji Pm oraz krzyżowania Pk jest stałe w trakcie
całego procesu ewolucji.
Operator krzyżowania wybiera losowo trzy punkty, po jednym w każdej grupie para-
metrów (rysunek 5.3). Pierwsze dziecko przejmuje od pierwszego rodzica gen odpowie-
dzialny za długość trwania cyklu oraz geny od punktu p1 do pierwszego wylosowanego
punktu cięcia, od p2 do drugiego punktu cięcia oraz od p3 do trzeciego punktu cięcia
(rys. 5.3). W brakujące miejsca umieszczane są geny drugiego rodzica. W analogiczny
sposób tworzone jest drugie dziecko.
Ponieważ operator krzyżowania stosowany jest z pewnym prawdopodobieństwem
Pk , możliwe jest, że w pewnych przypadkach nie zostanie zastosowany. W takiej sytu-
acji pierwsze dziecko jest dokładną kopią pierwszego rodzica, a drugie dziecko kopią
drugiego rodzica.
Rys. 5.3. Krzyżowanie osobników
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.
Rys. 5.4. Zmiana zakresu mutacji w trakcie procesu ewolucji
Poniższe równanie określa, wartość o jaką modyfikowane są pozostałe wartości splitów:

Ã Ã & '!!
(i) (i) ∆s
∀l ∈ ℵ.(G(i) > 1 ∧ 1 ≤ l ≤ G(i) ∧ l 6= j) ⇒ sl ← sl − , (5.9)
G(i) − 1
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
5.4. Funkcja celu

Funkcja celu powinna zapewniać kompromis pomiędzy warunkami ruchu gwarantu-
jącymi maksymalną przepustowość infrastruktury drogowej, a zapewnieniem warunków
ruchu uznawanych przez kierowców za dobre (problem omówiony został w podrozdziale
1.1.4). Zaproponowana funkcja celu określona jest równaniem 5.11.
Q(conf ) = J(conf )4 · H(conf ), (5.11)

gdzie conf oznacza aktualną konfigurację planów sygnalizacyjnych, natomiast funkcja
J(conf ) (wzór 5.13) ma za zadanie zapewnić odpowiednią przepustowość optymali-
zowanej sieci drogowej, a funkcja H(conf ) (wzór 5.12) zapewnić optymalne warunki
jazdy.
ND µ
X µ ¶¶
(i) (i) (i) 1
H(conf ) = P rt · Nv · v¯t + (i) , (5.12)
i=1 s̄ + 1
gdzie, ND oznacza całkowitą liczbę detektorów występujących w badanej sieci, P rt(i)

jest priorytetem i–tego skrzyżowania, Nv(i) całkowitą liczbą pojazdów zarejestrowa-
nych przez ten detektor, v¯t (i) średnią prędkością techniczną tych pojazdów (podroz-
dział 1.1.2), a s̄(i) średnim czasem ich postoju.
PND
Nv (i)
J(conf ) = PNi=1 (j)
, (5.13)
j=1 Ng
G
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
5.5. Sieć transportowa

Do celów optymalizacyjnych została stworzona sieć transportowa składająca się
z sześciu skrzyżowań wyposażonych w sygnalizację świetlną (rysunek 5.5). W sieci
tej znajdowały się dwie drogi główne, oraz pięć dróg podporządkowanych, na których
natężenie ruchu równe było 20% natężenia ruchu występującego na drogach głównych.
Wszystkie drogi były jednokierunkowe oraz posiadały tylko jeden pas ruchu, to ogra-
niczenie wprowadzone zostało w celu lepszej analizy otrzymywanych rozwiązań oraz
występujących w nich prawidłowości. W połowie długości drogi na obu drogach głów-
nych znajdowały się detektory pośrednie. Statystyki ruchu pojazdu, po przejechaniu
przez detektor pośredni liczone były na nowo. Wprowadzenie detektorów pośrednich
miało na celu zweryfikowanie ich wpływu na warunki jazdy oraz stopień koordynacji
planów sygnalizacyjnych analizowanych skrzyżowań.
W ramach każdego skrzyżowania zdefiniowane zostały cztery trasy przejazdu (po
dwie dla każdego wlotu), oraz dwie grupy sygnalizacyjne. Prawdopodobieństwo wy-
boru każdej trasy przejazdu w ramach skrzyżowania numer 1 (łączącego ze sobą dwie
drogi główne), było równe. Prawdopodobieństwa wyboru trasy przejazdu pojazdów dla
skrzyżowań łączących drogi główne z drogami podporządkowanymi zostały określone
w sposób przedstawiony na rysunku 5.6.
5.6. Proces ewolucji

Algorytm genetyczny został użyty do optymalizacji dwóch wersji przedstawionej
wyżej sieci skrzyżowań. Pierwsza wersja zawierała detektory pośrednie ulokowane w
sposób przedstawiony na rysunku 5.5, w drugiej detektory te nie występowały.
Proces ewolucji przeprowadzono dla różnych parametrów algorytmu genetycznego,
jednak doświadczalnie jedne z najlepszych rezultatów osiągane były dla następujących
parametrów:
Rys. 5.5. Struktura optymalizowanej sieci transportowej
(a) Dla skrzyżowań 2, 3 oraz 4 (b) Dla skrzyżowań 5 oraz 6
Rys. 5.6. Prawdopodobieństwo wyboru trasy przejazdu w ramach skrzyżowania
◦ rozmiar populacji – N = 100 osobników,

◦ liczba pokoleń – Np = 70,
◦ prawdopodobieństwo mutacji – Pm = 12%,
◦ prawdopodobieństwo krzyżowania – Pk = 60%,
◦ procent osobników listy rankingowej mogących stać się rodzicami – Ps = 40%,
◦ czas symulacji liczony w liczbie kroków automatu komórkowego – Ts = 1000,
◦ ilość symulacji na osobnika – Ns = 5.
Podobnie jak podczas optymalizacji pojedynczego skrzyżowania, ze względu na lo-
sowy charakter ruchu, wartość przystosowania każdego osobnika liczona była jako śred-
nia ocena jego przystosowania, mierzona za pomocą funkcji Q (wzór 5.11) w trakcie
Ns procesów symulacji.
Proces ewolucji obu konfiguracji sieci skrzyżowań przebiegał bardzo podobnie (rysu-
nek 5.7). Przystosowanie populacji rosło bardzo gwałtownie w czasie pierwszych sześciu
pokoleń, po czym następował dalszy łagodny już wzrost średniego przystosowania.

Wzrost ten był wynikiem zastosowania operatora mutacji w którym z pokolenia na
pokolenie malał dozwolony przedział, o który możliwa była modyfikacja poszczegól-
nych genów chromosomu. Skuteczność tego rozwiązania potwierdza fakt, że spadki
przystosowania całej populacji w końcowych pokoleniach są bardzo niewielkie. Dodat-
kowo należy zwrócić uwagę na fakt, iż ostatnie pokolenie, w trakcie ewolucji posiadało
najwyższą średnią wartość przystosowania.
(a) Sieć skrzyżowań z detektorami pośrednimi
(b) Sieć skrzyżowań bez detektorów pośrednich
Rys. 5.7. Proces ewolucji populacji w trakcie optymalizacji sieci skrzyżowań
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
znaczeniu, jeżeli rozpatrujemy ruch w obrębie ośrodków miejskich (sytuacja uległaby

zmianie, gdyby rozważać sieć autostrad lub dróg szybkiego ruchu).
Głównym celem optymalizacji jest jednak zwiększenie przepustowości elemen-
tów wchodzących w skład badanego obszaru. Czynnik ten ma znaczenie czysto
ekonomiczne[23], ponieważ pozwala lepiej wykorzystać istniejącą infrastrukturę i ogra-
niczyć wydatki na jej ewentualną rozbudowę. W badanym rozwiązaniu przepustowość
układu określana jest na podstawie stosunku dwóch wartości (wzór 5.13) – liczby po-
jazdów jakie zostały wygenerowane przez generatory ruchu oraz liczby pojazdów jakie
opuściły badany obszar i zostały zarejestrowane przez detektory końcowe. Na rysunku
5.8 (c) zaobserwować możemy, że liczba pojazdów jakie opuściły badany obszar wzrosła
o 10.5%, podczas gdy liczba generowanych pojazdów zmieniała się maksymalnie o 1.2%
(pierwsze 10 pokoleń). Czynnik przepustowości zadecydował również o ostatecznym
rozwiązaniu, ponieważ na korzyść lepszego stosunku liczby zarejestrowanych do wy-
generowanych pojazdów, nieznacznemu pogorszeniu uległy zarówno średnia prędkość
techniczna pojazdów jak i średni czas ich postoju.
W celu lepszej prezentacji zmian poszczególnych parametrów w czasie ewolucji, zo-
stały one umieszczone na wspólnych wykresach (rysunek 5.9 a i b). Podkreślić należy,
że średnia techniczna prędkość pojazdów oraz średni czas postoju wyrażone są w innych
jednostkach miar – [m/s] oraz [s], a umieszczenie ich na jednym wykresie pokazuje, że
zmniejszenie średniego czasu postoju zazwyczaj związane było z nieznacznym zwiększe-
niem średniej prędkości technicznej. Interpretować to należy jako pośrednią zależność
pomiędzy czasem postoju, a liczbą hamowań oraz następujących po nich przyspieszeń
pojazdu wpływających na zmniejszenie średniej prędkości przejazdu.
Na rysunkach od 5.10 do 5.13 przedstawione są wartości poszczególnych parametrów
osiągane przez drugiego oraz trzeciego najlepiej klasyfikowanego osobnika w danym
pokoleniu. Grubszą linią na każdym rysunku zaznaczony jest ogólny tręd danych wy-
znaczony za pomocą regresji potęgowej. Zauważyć można, że podobnie jak miało to
miejsce dla najlepszego osobnika, tak dla dwóch kolejnych poprawie ulegają wszystkie
optymalizowane parametry. Warto zauważyć, że średnia ilość generowanych pojazdów
pozostaje na stałym poziomie, natomiast liczba pojazdów zarejestrowanych pojazdów
zwiększa się w kolejnych pokoleniach.

Rezultaty optymalizacji uzyskane dla dwóch badanych konfiguracji sieci skrzyżowań
wykazywały się bardzo dobrymi parametrami ruchu wyrażonymi w kategoriach opty-
malizowanych parametrów. Żadne ze znalezionych ustawień planów sygnalizacyjnych
nie prowadziło w czasie symulacji do powstania korków lub zablokowania któregokol-
wiek ze skrzyżowań. Zastosowanie detektorów pośrednich wewnątrz optymalizowanego
obszaru pozwoliło uzyskać lepszą koordynację faz przejazdu pomiędzy kolejnymi skrzy-
żowaniami.
Kolejki pojazdów tworzące się na wjazdach skrzyżowań rozładowywane były szybko
i nie zaobserwowano sytuacji aby długość którejkolwiek z nich uniemożliwiała wjazdu
kolejnych pojazdów do analizowanego obszaru. Czas światła zielonego każdej fazy ruchu
w ramach poszczególnych skrzyżowań odpowiadał czasowi potrzebnemu na rozładowa-
nie kolejek tworzących się na odpowiednich wjazdach. Sposób grupowania pojazdów
(a) Średnia prędkość pojazdów
(b) Średni czas oczekiwania
(c) Średnia ilość zarejestrowanych pojazdów
(d) Średnia ilość wygenerowanych pojazdów
Rys. 5.8. Zmiana kluczowych parametrów ruchu w trakcie procesu ewolucji dla najlep-
szego osobnika w pokoleniu
(a) Średnia prędkość pojazdów
(b) Średni czas oczekiwania
Rys. 5.9. Zależność pomiędzy zmianami poszczególnych parametrów w trakcie procesu

ewolucji
(a) Drugi osobnik w pokoleniu (b) Trzeci osobnik w pokoleniu
Rys. 5.10. Średnia prędkość techniczna pozostałych osobników w populacji
Rys. 5.11. Średni czas postoju pozostałych osobników w populacji

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
zapewniał również, że ich późniejszy przejazd w analizowanym obszarze był płynny, a

w ramach dróg głównych tworzyły się zielone fale.
Zjawisko zielonej fali, tworzyło się zwłaszcza dla sieci transportowej w której wy-
stępowały detektory pośrednie, dzięki którym koordynacja sygnalizacji była znacznie
lepsza.
Pomimo tego, że algorytm nie posiadał wiedzy dziedzinowej z zakresu inżynierii ru-
chu, znajdowane rozwiązania były bardzo dobre i cechowały się wieloma pożądanymi
czynnikami (np. zielona fala, średni czas światła zielonego odpowiadający czasowi roz-
ładowania kolejki wjazdowej). Dodatkowo algorytm cechuje bardzo duża skalowalność
umożliwiająca zastosowanie go do optymalizacji dowolnie skomplikowanej sieci trans-
portowej. Możliwe jest nawet wykorzystanie, go podczas optymalizacji obszarów, w któ-
rych jednocześnie występują zarówno skrzyżowania z jak i bez sygnalizacji świetlnej.
Daje to zdecydowaną przewagę tego rozwiązania nad podejściami używanymi dotych-
czas [10, 19].
Pomimo poszukiwania wartości dla wielu, często mocno powiązanych i zależnych
od siebie parametrów, algorytm był w stanie w dość szybkim czasie znaleźć rozwią-
zania bliskie rozwiązaniom optymalnym, co pozwala sądzić, iż jest on odpowiedni dla
rozwiązań adaptacyjnych pracujących w czasie rzeczywistym. Kolejną z zalet propono-
wanego algorytmu jest stosunkowo łatwa możliwość zrównoleglenia obliczeń [52, 40, 36],
które mogą byś wykonywane na wielu jednostkach obliczeniowych jednocześnie. Jeżeli
zakładać, że proces symulacji badanego obszaru nie jest rozproszony (czyli musi być
wykonywany przez jedną jednostkę obliczeniową), to efektywna liczba procesorów na

jakiej mogą być wykonywane obliczenia równa jest liczbie osobników w populacji, a
spadek czasu obliczeń byłby liniową funkcją zależną od ilości jednostek obliczeniowych
Podsumowanie
„Człowiek po to wymyślił samochód, aby wygodnie siedzieć stojąc w korkach”

Andrzej Majewski
W pracy przedstawiono model inteligentnego systemu zarządzania ruchem drogo-

wym. Złożone zagadnienie sterowania ruchem pojazdów podzielone zostało na cztery
podproblemy i dla każdego z nich zaproponowane zostało rozwiązanie stanowiące od-
dzielny moduł systemu. Następnie określone zostały reguły współpracy oraz przepływ
danych pomiędzy poszczególnymi elementami, tak aby system był w stanie sterować
ruchem pojazdów w sposób adaptacyjny.
W skład systemu wchodzą następujące moduły:
◦ moduł predykcji natężenia ruchu pojazdów wykorzystujący sztuczną sieć neuro-
nową,
◦ moduł symulacji ruchu pojazdów w obrębie dróg i skrzyżowań wykorzystujący
rozszerzony model automatu komórkowego,
◦ moduł optymalizujący ruch pojazdów w obrębie izolowanych skrzyżowaniach wy-
posażonych w sygnalizację świetlną,
◦ moduł optymalizujący ruch pojazdów w obrębie sieci dróg.
Każdy z proponowanych modułów został zaimplementowany w języku Java, oraz
przebadany. Uzyskane wyniki wydają się być bardzo obiecujące, a samo podejście dość
nowatorskie. Modele oraz badania nad poszczególnymi elementami systemu opubliko-
wane zostały w następujących artykułach [45, 28, 29]. Dużym sukcesem w propono-
wanym rozwiązaniu jest odejście od klasycznych miar używanych w inżynierii ruchu
drogowego, na rzecz badania poszczególnych czynników mających bezpośredni wpływ
na jakość warunków ruchu drogowego.
W czasie prac nad modułami sterowania ruchem na izolowanych skrzyżowaniach
oraz w sieci ulic opracowane zostały dwie funkcje celu, których użycie w algorytmie
optymalizacyjnym dało bardzo dobre rezultaty. Pomimo tego, że w systemie nie została
zakodowana w jawny sposób żadna wiedza dziedzinowa, przyjęte funkcje celu pozwoliły
uzyskać plany sygnalizacyjne dla których ruch pojazdów przebiegał w sposób bardzo
płynny. Algorytm pomimo bardzo dużej przestrzeni rozwiązań potrafił szybko znaleźć
plany sygnalizacyjne gwarantujące warunki ruchu bliskie optymalnym. Zadanie to nie
należało do prostych, ponieważ przestrzeń poszukiwanych rozwiązań była bardzo duża,
Podsumowanie 85
a zmiana dowolnego z optymalizowanych parametrów miała wpływ na ruch pojazdów

w całej sieci (efekt braku koordynacji poszczególnych skrzyżowań).
Zaproponowany system dobrze radzi sobie zarówno z optymalizacją ruchu dla po-
jedynczych skrzyżowań, jak również z optymalizacją przejazdu dla całych sieci ulic.
Bardzo dużą zaletą podejścia jest możliwość optymalizacji sieci transportowych w któ-
rych występują jednocześnie skrzyżowania posiadające oraz nie posiadające sygnali-
zacji świetlnej. Najpowszechniej używane obecnie algorytmy optymalizacji ruchu dla
sieci skrzyżowań (Transyt 8[10]) potrafią optymalizować plany sygnalizacyjne tylko
pod warunkiem dostarczenia sieci transportowej w której występują jedynie skrzyżo-
wania z sygnalizacją świetlną. Niestety ze względu na brak ogólnodostępnych zbiorów
testowych nie udało porównać się proponowanego podejścia z innymi, prowadzone są
jednak rozmowy których celem jest umożliwienie zweryfikowania działania systemu w
rzeczywistych warunkach – optymalizacja ruchu dla miasta Wrocław.
Dalsze prace nad przedstawionym systemem mogą być prowadzone w wielu kierun-
kach. Jedną z najbardziej pożądanych zmian jest przejście z systemu scentralizowanego,
w którym wszystkie elementy przetwarzane są sekwencyjnie przez jedną jednostkę ob-
liczeniową, na model rozproszony. Wydaje się, że zastosowanie architektury systemu
wieloagentowego umożliwiłoby przebadanie wielu dodatkowych czynników i elementów
wpływających na ruch pojazdów. Rozproszona architektura wieloagentowa wydaje się
być również bliższa rzeczywistemu charakterowi rozpatrywanego systemu.
W dalszej kolejności celowe wydaje się rozszerzenie modelu symulacyjnego w celu
oddania jeszcze wierniejszych warunków ruchu pojazdów w obszarach miejskich. Szcze-
gólnie istotne jest tu zaproponowanie odpowiednich reguł automatu komórkowego okre-
ślających warunki konieczne oraz wystarczające dla których pojazd dokonuje zmiany
pasa.
Rozszerzeniu mogły również podlegać również model predykcji natężenia ruchu po-
jazdów. Obecne rozwiązanie wykorzystujące sztuczną sieć neuronowe można połączyć
z metodami regresji wielomianowej.
Dodatek A
Predykcja danych natężenia ruchu

pojazdów ciężarowych
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
(a) Błąd 0.8 (b) Błąd 0.5
(c) Błąd 0.1 (d) Błąd 0.01
Rys. A.3. Predykcja natężenia ruchu pojazdów ciężarowych dla pomiarów 1 godzinnych
Dodatek A. Predykcja danych natężenia ruchu pojazdów ciężarowych 88
(a) Szereg uczący (b) Szereg testowy
Rys. A.4. Szereg uczący i testowy dla pomiarów 10 minutowych natężenia ruchu po-
jazdów ciężarowych
(a) Błąd 0.8 (b) Błąd 0.5
(c) Błąd 0.1 (d) Błąd 0.01
Rys. A.5. Predykcja natężenia ruchu pojazdów ciężarowych dla pomiarów 10 minuto-
wych
Spis rysunków
1.1 Rozkład prędkości pojazdów w zależności od zmiany natężenia ruchu . . . . . . 5

1.2 Zależność między prędkością, natężeniem i gęstością ruchu . . . . . . . . . . . . 6
1.3 Podział modeli symulacyjnych . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Elementy pracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Reprezentacja graficzna grafu sieci transportowej . . . . . . . . . . . . . . . . . . 12
1.6 Schemat systemu sterowania ruchem drogowym na autostradzie . . . . . . . . . 18
2.1 Średnie dobowe natężenie ruchu pojazdów . . . . . . . . . . . . . . . . . . . . . . 21

2.2 Średnie tygodniowe natężenie ruchu pojazdów . . . . . . . . . . . . . . . . . . . 22
2.3 Plan Wrocławia z zaznaczonymi punktami pomiarowymi . . . . . . . . . . . . . 23
2.4 Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla
Estakady Gądowianka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla Mostu
Milenijnego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6 Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla Węzeł
Lotnicza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7 Średnia dobowa ilości pojazdów poruszających się z daną prędkością dla Węzła
Sobieskiego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.8 Idea predykcji danych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.9 Architektura sieci neuronowej . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.10 Liczenie błędu w czasie predu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.11 Ciąg uczący odpowiadający funkcji sinusoidalnej y = sin(x) + a . . . . . . . . . 29
2.12 Wyniki predykcji funkcji sinusoidalnej y = sin(x) + a dla błędu uczenia 0.1 . . . 30
2.13 Wyniki predykcji funkcji sinusoidalnej y = sin(x) + a dla błędu uczenia 0.01 . . 31
2.17 Pomiary natężenia ruchu na Węźle Sobieskiego . . . . . . . . . . . . . . . . . . . 35
2.18 Szereg uczący pomiarów 1 godzinnych ruchu samochodów osobowych . . . . . . 36
2.19 Szereg testowy pomiarów 1 godzinnych ruchu samochodów osobowych . . . . . . 36
2.20 Predykcja natężenia ruchu pojazdów osobowych dla pomiaru 1 godzinnego oraz
błędu 0.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.21 Predykcja pojazdów osobowych dla pomiaru 1 godzinnego oraz błędu 0.5 . . . . 37
89
błędu 0.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
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
oraz błędu 0.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
oraz błędu 0.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
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
3.1 Elementy rozszerzonego modelu ruchu . . . . . . . . . . . . . . . . . . . . . . . . 47

3.2 Zależność wyboru dystansu do poprzedzającego pojazdu . . . . . . . . . . . . . . 48
3.3 Możliwe przyspieszenie w zależności od aktualnej prędkości pojazdu . . . . . . . 49
3.4 Generator/Detektor ruchu pojazdów . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Przykład wielopasmowej drogi dwukierunkowej . . . . . . . . . . . . . . . . . . . 52
3.6 Schemat elementów skrzyżowania . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.7 Manewry pojazdów w ramach skrzyżowania . . . . . . . . . . . . . . . . . . . . . 53
3.8 Właściwości skrzyżowania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.9 Generator/Detektor ruchu pojazdów . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.10 Detektory pośrednie umieszczone na drodze . . . . . . . . . . . . . . . . . . . . . 55
3.11 Schemat ideowy automatu komórkowego reprezentującego
drogę jednopasmową . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.12 Schemat ideowy automatu komórkowego reprezentującego
drogę jednopasmową . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.13 Metoda segregacji ruchu pojazdów przed wlotem na skrzyżowanie . . . . . . . . 59
3.14 Przykład struktury skrzyżowania . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.15 Przykład struktury całej sieci skrzyżowań . . . . . . . . . . . . . . . . . . . . . . 60
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.
Volume II Process Specification. U.S. Department of Transportation, Federal Highway
Administration, Washington D.C., October 2003.
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

Michal Stanek-Inteligentne Systemy W Zarządzaniu Ruchem Drogowym

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Michal Stanek-Inteligentne Systemy W Zarządzaniu Ruchem Drogowym

Uploaded by

Copyright:

Available Formats

Wydział Informatyki i Zarządzania

kierunek studiów: Informatyka

Praca dyplomowa - magisterska

Inteligentne systemy w zarządzaniu

„(...) to, co znajduje się w ciągłym ruchu, jest nieśmiertelne”

ośrodków miejskich jest to jedna z najskuteczniejszych metod sterowania ruchem

Inżynieria ruchu drogowego

1.1. Ruch pojazdów

– ruch wymuszony, w którym prędkość pojazdu zależna jest od prędkości pojazdu

1.1.1. Podstawowe równanie ruchu

1.1.2. Prędkość pojazdów

Prędkość poruszania się pojazdów zależy od natężenia ruchu. Wraz ze wzrostem

1.1.3. Natężenie ruchu

1.1.5. Ocena warunków ruchu

1.2. Modelowanie ruchu

Wraz z rozwojem motoryzacji powstało wiele teorii opisujących zjawiska wystę-

związane z zachowaniem pojedynczych kierowców. Jednym z głównych przewidywanych

Rys. 1.3. Podział modeli symulacyjnych. Źródło [27].

Kolejnym możliwym podziałem istniejących modeli ruchu drogowego jest podział

Rys. 1.4. Elementy pracy

1.3. Sieci transportowe

Matematyczny model opisu sieci transportowej musi umożliwiać opis struktury

S = (G, {fi } , {hj }) , (1.4)

Rys. 1.5. Reprezentacja graficzna grafu sieci transportowej

1.4. Sygnalizacja świetlna

1.4.1. Sygnalizacja stałoczasowa

Sygnalizacje stałoczasowe są najpopularniejszą formą sterowania. Stosuje się je na

1.4.2. Sygnalizacja akomodacyjna

Acykliczna sygnalizacja akomodacyjna charakteryzuje się zmienną, zależną od po-

są tworzone na bieżąco w zależności od potrzeb. Wyróżnić możemy następujące typu

1. częściowo akomodacyjna – zazwyczaj stosowana na skrzyżowaniach ulic o du-

1.4.3. Kryteria stosowania sygnalizacji świetlnej

Zainstalowanie sygnalizacji na skrzyżowaniu mogą uzasadniać pewne wymienione

1.4.4. Tworzenie programu sygnalizacji świetlnej

1.5. Sterowanie ruchem

Każdy rodzaj sterowania wymaga jednak zastosowania urządzeń detekcyjnych po-

1.6. Istniejące rozwiązania

Prace nad komputerowymi systemami zarządzania ruchem miejskim trwają od

modeli [40], których wyniki analiz potwierdzają skuteczność w konkretnych zastosowa-

Predykcja parametrów ruchu

Rozdział ten poświęcony jest predykcji danych w szeregu czasowym. Przedstawione

2.1. Charakterystyka ruchu drogowego

(a) Pojazdy osobowe

(b) Pojazdy ciężarowe

Na rysunku 2.2 przedstawione zostały średnie natężenia ruchu w poszczególne dni

(a) Pojazdy osobowe

(b) Pojazdy ciężarowe

2.2. Predykcja szeregu czasowego

Rys. 2.3. Plan Wrocławia z zaznaczonymi punktami pomiarowymi

Rys. 2.8. Idea predykcji danych

leżności. Przykładowo jeżeli wiemy, że wartości w pewnym pomiarze powtarzają się w

2.3. Zaproponowany model predykcji

Rys. 2.9. Architektura sieci neuronowej

xw = xr · (max − min) + min, (2.2)

gdzie: xw - rzeczywista wartość wyjściowa, xr - wartość wyjściowa uzyskana na wyj-

Rys. 2.10. Liczenie błędu w czasie predu

2.4. Weryfikacja modelu

2.4.1. Predykcja dla danych testowych

odpowiada charakterowi funkcji rzeczywistej, jednak mimo wszystko predykcja ta nie

Rys. 2.11. Ciąg uczący odpowiadający funkcji sinusoidalnej y = sin(x) + a

(a) Predykcja krótkookresowa

(b) Predykcja długookresowa

(a) Predykcja krótkookresowa