Zastosowanie maszyny wektorów nośnych w sterowaniu sygnalizacją świetlną

• Autorzy: Całuch Artur , Cieślikowski Adam , Plechawska-Wójcik Małgorzata

Identyfikatory

DOI

10.35784/jcsi.1573

Warianty tytułu

EN

Application of support vector machine in a traffic lights control

• Języki publikacji: PL

Abstrakty

PL

Niniejszy artykuł przedstawia proces dostosowania parametrów modelu maszyny wektorów nośnych, który posłuży do zbadania wpływu wartości parametru długości cyklu sygnalizacji świetlnej na jakość ruchu. Badania przeprowadzono z użyciem danych pozyskanych w trakcie przeprowadzonych symulacji w autorskim symulatorze ruchu ulicznego. W artykule przedstawiono i omówiono wyniki poszukiwania optymalnej wartości parametru długości cyklu sygnalizacji świetlnej.

EN

This article presents the process of adapting support vector machine model’s parameters used for studying the effect of traffic light cycle length parameter’s value on traffic quality. The survey is carried out using data collected during running simulations in author’s traffic simulator. The article shows results of searching for optimum traffic light cycle length parameter’s value.

Słowa kluczowe

PL

uczenie maszynowe; symulator ruchu ulicznego; maszyna wektorów nośnych

EN

machine learning; traffic simulator; support vector machine

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Journal of Computer Sciences Institute
• Rocznik: 2020
• Tom: Vol. 14
• Strony: 37--42
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Całuch Artur

• Politechnika Lubelska, Katedra Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

autor

Cieślikowski Adam

• Politechnika Lubelska, Katedra Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

autor

Plechawska-Wójcik Małgorzata

• Politechnika Lubelska, Katedra Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

Bibliografia

• [1] Abdoos M., Mozayani N., Bazzan A. L. C.,Traffic Light Control in Non-stationary Environments based on Multi Agent Q-learning, 14th International IEEE Conference on Intelligent Transportation Systems (ITSC), s. 1580 - 1585, 2011
• [2] El-Tantawy S., Abdulhai B., An Agent-Based Learning Towards Decentralized and Coordinated Traffic Signal Control, 13th International IEEE Conference on Intelligent Transportation Systems, s. 665 - 670, 2010
• [3] Gao J., Shen Y., Liu J., Ito M., Shiratori S., Adaptive Traffic Signal Control: Deep Reinforcement Learning Algorithm with Experience Replay and Target Network, arXiv:1705.02755, 2017
• [4] Jin J., Ma X., A group-based traffic signal control with adaptive learning ability, Engineering applications of artificial intelligence, s. 282-293, 2017
• [5] Kuyer L., Whiteson S., Bakker B., Vlassis N., Multiagent Reinforcement Learning for Urban Traffic Control Using Coordination Graphs, Obrady ECML/PKDD, Antwerp, Belgia, s.656–671,2008
• [6] Liu Y., Liu L., Chen W., Intelligent Traffic Light Control Using Distributed Multi-agent Q Learning, IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), Październik 2017
• [7] Lu S., Liu X., Dai S., Q-Learning for Adaptive Traffic Signal Control Based on Delay Minimization Strategy, 2008 IEEE International Conference on Networking, Sensing and Control, s. 687-691, 2008
• [8] Mousav S. S., Schukat M., Howley E., Traffic Light Control Using Deep Policy-Gradient and Value-Function Based Reinforcement Learning, IET Intelligent Transport System, vol.11 No.7, s. 417-423, Wrzesień 2017
• [9] Pierre-Luc G., Desjardins C., Laumonier J., Chaib-draa B., Urban Traffic Control Based on Learning Agents, 2007 IEEE Intelligent Transportation Systems Conference, s. 916-921, 2007
• [10] van der Pol E. Oliehoek F. A., Coordinated Deep Reinforcement Learners for Traffic Light Control, Artykuły naukowe Uniwersytetu Amsterdamskiego, 2016

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).