Predykcyjny model planowania tras pojazdów w warunkach niepewności z zastosowaniem sztucznych sieci neuronowych

Kubek, D.; Więcek, P.

Artykuł - szczegóły

Tytuł artykułu

Predykcyjny model planowania tras pojazdów w warunkach niepewności z zastosowaniem sztucznych sieci neuronowych

Autorzy

Kubek D. , Więcek P.

Wybrane pełne teksty z tego czasopisma

http://pnpw-transport.publisherspanel.com/resources/html/cms/MAINPAGE

Identyfikatory

Warianty tytułu

Predictive model for vehicle routing problem under uncertainty with artificial neural network application

Języki publikacji

Abstrakty

W artykule zaprezentowano autorskie podejście do planowania tras pojazdów w warunkach niepewności, które bazuje na krótkookresowych prognozach czasu przejazdu w sieci drogowej miasta. Model predykcyjny został stworzony z wykorzystaniem sztucznych sieci neuronowych. Niepewność wartości czasu przejazdu została zamodelowana w oparciu o wyznaczone wielkości prognozy oraz jej błędy, które zostały wykorzystane do zdefiniowania zbioru niepewności dla parametrów modelu planowania tras pojazdów. Charakterystykę oraz zalety stosowania zaproponowanej metodyki zilustrowano przykładem symulacyjnym bazującym na wybranej sieci drogowej miasta Krakowa.

The article presents the author's approach to planning vehicle routes in conditions of uncertainty, which is based on short-term forecasts of the travel time in the city's road network. The prediction model was created on the basis of the artificial neural networks. The uncertainty of the time value was modelled on the basis of the estimated values of the forecast and its errors, which were used to define the set of uncertainty for the parameters of the vehicle route planning model. The characteristics and advantages of the proposed methodology are illustrated on the basis of a simulation example based on a selected road network of the city of Kraków.

Słowa kluczowe

planowanie tras pojazdów z oknami czasowymi optymalizacja w warunkach niepewności sztuczne sieci neuronowe

vehicle routing problem with time windows robust optimisation artificial neural networks

Wydawca

Oficyna Wydawnicza Politechniki Warszawskiej

Czasopismo

Prace Naukowe Politechniki Warszawskiej. Transport

Rocznik

2018

Tom

z. 120

Strony

231--240

Opis fizyczny

Bibliogr. 20 poz., rys., tab., wykr.

Twórcy

autor

Kubek D.

Katedra Systemów Transportowych, Politechnika Krakowska, Wydział Inżynierii Lądowej

autor

Więcek P.

Katedra Systemów Transportowych, Politechnika Krakowska, Wydział Inżynierii Lądowej

Bibliografia

1. Adamski A.: Inteligentne systemy transportowe: sterowanie, nadzór i zarządzanie. Wydawnictwo AGH, Kraków 2003.
2. Agra A., Christiansen M., Figueiredo R., Hvattum L.M., Poss M., Requejo C.: The robust vehicle routing problem with time windows. Computers & Operations Research, 2013, nr 40, s. 856–866.
3. Barceló J., et al.: Travel time forecasting and dynamic origin-destination estimation for freeways based on bluetooth traffic monitoring. Transportation Research Record Journal of the Transportation Research Board, 2010, nr 2175(1), s. 19–27.
4. Ben-Tal A., El Ghaoui L., Nemirovski A.: Robust optimization. New Princeton University Press, Jersey 2009.
5. Bertsimas D., Brown DB., Caramanis C.: Theory and Applications of Robust Optimization. SIAM Review, nr 53(3), 2008.
6. Chan K.Y., Dillon T.S., Singh J., Chang E.: Neural-network-based models for short-term traffic flow forecasting using a hybrid exponential smoothing using a hybrid exponential smoothing and Levenberg-Marquardt algorithm. IEEE Transactions on Intelligent Transportation Systems, 2012, nr 13 (2), s. 644–654
7. Chan KY., Dillon TS., Singh J., Chang E.: Neural-network-based models for short-term traffic flow forecasting using a hybrid exponential smoothing using a hybrid exponential smoothing and Levenberg- Marquardt algorithm. IEEE Transactions on Intelligent Transportation Systems 2012, nr 13(2), s. 644–654.
8. Donati AV., Montemanni R., Gambardella LM., Rizzoli AE.: Integration of a robust shortest path algorithm with a time dependent vehicle routing model and applications. International Symposium on Computational Intelligence for Measurement Systems and Applications, CIMSA 2003, s. 26-31.
9. Gabrela V., Murata C., Thiele A.: Recent advances in robust optimization: An overview. European Journal of Operational Research, 2014, nr 235(3), s. 471–483.
10. Gentili M., Mirchandani PB.: Locating sensors on traffic networks: models, challenges and research opportunities. Transportation Research Part C: Emerging Technologies, 2012, nr 24, s. 227–255.
11. Guo J., Huang W., Williams B.M.: Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification. Transportation Research Part C: Emerging Technologies, 2014, nr 43, s. 50–64.
12. Kubek D., Więcek P., Chwastek K.: The Impact of Short Term Traffic Forecasting on the Effectiveness of Vehicles Routes Planning in Urban Areas. Transportation Research Procedia, 2016, nr 18, s. 172-179.
13. Kubek D.: Charakterystyka problemu wyznaczania tras dla pojazdów z oknami czasowymi w warunkach niepewności. Selected aspects of logistics management, 2016, nr 4, AGH, Kraków, s. 78-93.
14. Kubek D.: Optymalizacja typu "robust" tras przewozu ładunków na obszarach miejskich, Rozprawa doktorska, Politechnika Krakowska 2016.
15. Li C.S., Chen M.C.: Identifying important variables for predicting travel time of freeway with nonrecurrent congestion with neural networks. Neural Comput & Applic., 2013, nr 23, s. 1611–1629.
16. Lippi M., Bertini M., Frasconi P.: Short-term traffic flow forecasting: an experimental comparison of time-series analysis and supervised learning. Intell. Transp. Syst. IEEE Trans., 2003, nr 14, s. 871–882.
17. Montemanni R., Gambardella L.M., Donati A.V.: A branch and bound algorithm for the robust shortest path problem with interval data. Operations Research Letters, 2004, nr 32, s. 225-232.
18. Montemanni R., Gambardella L.M.: An exact algorithm for the robust shortest path problem with interval data. Computers & Operations Research, 2004, nr 31, s. 1667–1680.
19. Treiber M., Kesting A.: Validation of traffic flow models with respect to the spatiotemporal evolution of congested traffic patterns. Transportation Research Part C: Emerging Technologies, 2012, nr 21(1), s. 31–41.
20. Vanajakshi L., Rilett L.R.: A comparison of the performance of artificial neural networks and support vector machines for the prediction of traffic speed. IEEE Intell Veh Symp., 2004, s. 194–199.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-30e7e1b6-95cc-4fcb-be0b-44f8df7c9edf