- Tytuł:
-
Using Machine Learning to Enhance Vehicles Traffic in ATN (PRT) Systems
Zastosowanie Uczenia Maszynowego (Machine Learning) do poprawy jakości działania zautomatyzowanych sieci transportowych (Automatic Transit Network-PRT) - Autorzy:
-
Czejdo, B.
Daszczuk, W. B.
Baszun, M. - Powiązania:
- https://bibliotekanauki.pl/articles/313805.pdf
- Data publikacji:
- 2017
- Wydawca:
- Instytut Naukowo-Wydawniczy "SPATIUM"
- Tematy:
-
machine learning
transport system
optimization of transport systems
transport planning
uczenie maszynowe
system transportowy
optymalizacja systemu transportowego
planowanie przewozów
organizacja przejazdów - Opis:
-
This paper discusses new techniques to enhance Automated Transit Networks (ATN, previously called Personal Rapid Transit - PRT) based on Artificial Intelligence tools. The main direction is improvement of the cooperation of autonomous modules that use negotiation protocols, following the IoT paradigm. One of the goals is to increase ATN system throughput by tuning up autonomous vehicles cooperation. Machine learning (ML) was used to improve algorithms designed by human programmers. We used “existing controls” corresponding to near-optimal solutions and built refinement models to more accurately relate a system’s dynamics to its performance. A mechanism that mostly influences ATN performance is Empty Vehicle Management (EVM). The algorithms designed by human programmers was used: calls to empty vehicles for waiting passengers and balancing based on reallocation of empty vehicles to achieve better regularity of their settlement. In this paper we discuss how we can improve these algorithms (and tune them to current conditions) by using ML to tailor individual behavioral policies. Using ML techniques was possible because our algorithm is based on a set of parameters. A number of weights and thresholds could be tuned up to give better decisions on moving empty vehicles across the track.
W artykule omówiono nowe techniki usprawniania zautomatyzowanych sieci transportowych (ATN, wcześniej nazywanych Personal Rapid Transit - PRT), opartych na narzędziach sztucznej inteligencji. Głównym kierunkiem jest poprawa współpracy autonomicznych modułów, które używają protokołów negocjacyjnych w paradygmacie IoT. Jednym z celów jest zwiększenie przepustowości systemu transportowego poprzez dostrajanie współpracy autonomicznych pojazdów. Uczenie maszynowe (ML) jest wykorzystywane do poprawy algorytmów opracowanych przez programistów. Użyliśmy "istniejącego sterowania", odpowiadającego suboptymalnym rozwiązaniom, i skonstruowaliśmy modele dostrajania, aby dokładniej odnieść dynamikę systemu do jego wydajności. Mechanizm, który wpływa głównie na wydajność ATN to Zarządzanie Pustymi Pojazdami (Empty Vehicle Management - EVM). Wykorzystano algorytmy opracowane przez programistów: wzywanie pustych pojazdów dla oczekujących pasażerów i równoważenie w oparciu o realokację pustych pojazdów w celu osiągnięcia lepszej regularności ich rozmieszczenia. W tym artykule omówimy, jak można poprawić te algorytmy (i dostroić je do aktualnych warunków), używając ML do dostosowania indywidualnych zasad behawioralnych. Wykorzystanie technik ML było możliwe, ponieważ nasz algorytm oparty jest na zbiorze parametrów. Zestaw współczynników i progów może zostać dostrojony do podejmowania lepszych decyzji o planowaniu ruchu pustych pojazdów na torze. - Źródło:
-
Autobusy : technika, eksploatacja, systemy transportowe; 2017, 18, 12; 1484-1489, CD
1509-5878
2450-7725 - Pojawia się w:
- Autobusy : technika, eksploatacja, systemy transportowe
- Dostawca treści:
- Biblioteka Nauki
Artykuł