PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Using Machine Learning to Enhance Vehicles Traffic in ATN (PRT) Systems

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Zastosowanie Uczenia Maszynowego (Machine Learning) do poprawy jakości działania zautomatyzowanych sieci transportowych (Automatic Transit Network-PRT)
Języki publikacji
EN
Abstrakty
EN
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.
PL
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.
Rocznik
Strony
1484--1489, CD
Opis fizyczny
Bibliogr. 34 poz., schem., wykr.
Twórcy
autor
  • Department of Mathematics and Computer Science, Fayetteville State University, Fayetteville, NC 28301, USA
  • Warsaw University of Technology, Institute of Computer Science, Nowowiejska str. 15/19, 00-665 Warsaw, Poland
autor
  • Warsaw University of Technology, Institute of Microelectronics and Optoelectronics, Nowowiejska str. 15/19, 00-665 Warsaw, Poland
Bibliografia
  • [1] S. Parkinson, P. Ward, K. Wilson, J. Miller, Cyber Threats Facing Autonomous and Connected Vehicles: Future Challenges, IEEE Trans. Intell. Transp. Syst. PP(99), 2017 1–18. doi:10.1109/TITS.2017.2665968.
  • [2] T.U. Kim, J.W. Lee, S. Yang, Study on development of autonomous vehicle using embedded control board, in: 2016 11th Int. Forum Strateg. Technol. (IFOST), Novosib. Russ. 1-3 June 2016, IEEE, 2016: pp. 599–603. doi:10.1109/IFOST.2016.7884331.
  • [3] S. Zhang, I.-L. Yen, F. Bastani, H. Moeini, D. Moore, A Semantic Model for Information Sharing in Autonomous Vehicle Systems, in: 2017 IEEE 11th Int. Conf. Semant. Comput. (ICSC), San Diego, CA, 30 Jan - 1 Feb 2017, IEEE, 2017: pp. 32–39. doi:10.1109/ICSC.2017.93.
  • [4] W. Choromański, I. Grabarek, M. Kozłowski, Simulation and Experimental Study of Selected Parameters of the Multifunction Steering Wheel in the View of Users’ Abilities and Accuracy of Vehicle Maneuvers, Procedia Manuf. 3 (2015) 3085–3091. doi:10.1016/j.promfg.2015.07.855.
  • [5] S.S. McDonald, Personal Rapid Transit (PRT) system and its Development, in: Encycl. Sustain. Sci. Technol., Springer New York, New York, NY, 2012: pp. 7777–7797. doi:10.1007/978-1-4419-0851- 3_671.
  • [6] M. Kozłowski, W. Choromański, J. Kowara, Parametric sensitivity analysis of ATN-PRT vehicle (Automated transit network – personal rapid transit), J. Vibroengineering. 17 (2015) 1436–1451. https://www.scopus.com/inward/record.uri?eid=2-s2.0- 84946555953&partnerID=40&md5=1b3eb293ddc7bca0d8e9ccfba1974 cdb.
  • [7] E. Fatnassi, O. Chebbi, J.C. Siala, Bee colony algorithm for the routing of guided automated battery-operated electric vehicles in personal rapid transit systems, in: 2014 IEEE Congr. Evol. Comput. (CEC), Beijing, China, 6-11 July 2014, IEEE, 2014: pp. 536–543. doi:10.1109/CEC.2014.6900445.
  • [8] W.B. Daszczuk, J. Mieścicki, W. Grabski, Distributed algorithm for empty vehicles management in personal rapid transit (PRT) network, J. Adv. Transp. 50 (2016) 608–629. doi:10.1002/atr.1365.
  • [9] O. Chebbi, J. Chaouachi, A Decentralized Management Approach for On-Demand Transit Transportation System, in: Second Int. Afro-European Conf. Ind. Adv. AECIA 2015, Paris - Villejuif, Fr. 9- 11 Sep 2015, AISC 427, Springer International Publishing, Cham, Switzerland, 2015: pp. 175–184. doi:10.1007/978-3-319-29504-6_18.
  • [10] G.M. Lee, N. Crespi, J.K. Choi, M. Boussard, Internet of Things, in: Evol. Telecommun. Serv. LNCS 7768, Springer-Verlag, Berlin Heidelberg, 2013: pp. 257–282. doi:10.1007/978-3-642-41569-2_13.
  • [11] Z. Garofalaki, D. Kallergis, G. Katsikogiannis, I. Ellinas, C. Douligeris, Transport services within the IoT ecosystem using localisation parameters, in: 2016 IEEE Int. Symp. Signal Process. Inf. Technol. (ISSPIT), Limassol, Cyprus, 12-14 December 2016, IEEE, 2016: pp. 87–92. doi:10.1109/ISSPIT.2016.7886014.
  • [12] J.-M. Won, H. Choe, F. Karray, Optimal design of personal rapid transit, in: 2006 IEEE Intell. Transp. Syst. Conf. Toronto, Canada, 17- 20 Sept 2006, IEEE, 2006: pp. 1489–1494. doi:10.1109/ITSC.2006.1707434.
  • [13] E. Fatnassi, J. Chaouachi, Discrete Event Simulation of Loading Unloading Operations in a Specific Intermodal Transportation Context, in: 5th Comput. Sci. On-Line Conf. 2016 (CSOC2016), Softw. Eng. Perspect. Appl. Intell. Syst. Vol 2, AISC 465, Springer International Publishing, Cham, Switzerland, 2016: pp. 435–444. doi:10.1007/978-3- 319-33622-0_39.
  • [14] B. Czejdo, S. Bhattacharya, M. Baszun, W.B. Daszczuk, Improving Resilience of Autonomous Moving Platforms by real-time analysis of their Cooperation, Autobusy - TEST. 17 (6), 2016, 1294– 1301. arXiv: 1705.04263.
  • [15] I. Andréasson, Reallocation of Empty PRT vehicles en route, in: TRB Annu. Meet. Washingt. DC, 12-16 January 2003, Transportation Research Board, 2003: pp. 1–13.
  • [16] W.B. Daszczuk, W. Choromański, J. Mieścicki, W. Grabski, Empty vehicles management as a method for reducing passenger waiting time in Personal Rapid Transit networks, IET Intell. Transp. Syst. 9(3), 2015 231–239. doi:10.1049/iet-its.2013.0084.
  • [17] J. Lees-Miller, J. Hammersley, R. Wilson, Theoretical Maximum Capacity as Benchmark for Empty Vehicle Redistribution in Personal Rapid Transit, Transp. Res. Rec. J. Transp. Res. Board. 2146 (2010) 76–83. doi:10.3141/2146-10.
  • [18] S. Kukliński, J. Wytrębowicz, K.T. Dinh, E. Tantar, Application of Cognitive Techniques to Network Management and Control, in: EVOLVE - A Bridg. between Probab. Set Oriented Numer. Evol. Comput. V, Beijing, China, 1–4 July 2014, Springer International Publishing, Cham, Switzerland, 2014: pp. 79–93. doi:10.1007/978-3- 319-07494-8_7.
  • [19] I. Bluemke, M. Tarka, Learning Algorithms in the Detection of Unused Functionalities in SOA Systems, in: K. Saeed, R. Chaki, A. Cortesi, S. Wierzchoń (Eds.), 12th IFIP TC8 Int. Conf. Emerg. Trends Comput. Informatics, Syst. Sci. Eng. Krakow, Poland, 25-27 Sept. 2013, LNCS 8104, Springer-Verlag, Berlin Heidelberg, 2013: pp. 389–400. doi:10.1007/978-3-642-40925-7_36.
  • [20] W.B. Daszczuk, J. Mieścicki, Distributed management of Personal Rapid Transit (PRT) vehicles under unusual transport conditions, Logistyka. 4 (2015) 2896–2901. arXiv: 1705.04497
  • [21] P. Zheng, D. Jeffery, M. McDonald, Development and evaluation of traffic management strategies for personal rapid transit, in: Ind. Simul. Conf. 2009, Loughborough, UK, 1-3 June 2009, 2009: pp. 191– 195.
  • [22] J.D. Lees-Miller, R.E. Wilson, Proactive empty vehicle redistribution for personal rapid transit and taxis, Transp. Plan. Technol. 35(1), 2012, 17–30. doi:10.1080/03081060.2012.635414.
  • [23] W.-H. Steeb, The Nonlinear Workbook Chaos, Fractals, Cellular Automata, Neural Networks, Genetic Algorithms, Gene Expression Programming, Support Vector Machine, Wavelets, Hidden Markov Models, Fuzzy Logic with C++, Java and SymbolicC++ Programs, World Scientific, 2008. ISBN: 978-981-4583-46-6
  • [24] S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, Person Education Limited, Essex, UK, 2014. ISBN: 0-13-629841-9
  • [25] Machine Learning Repository, University of California,. http://archive.ics.uci.edu/ml/ .
  • [26] M. Egmont-Petersen, D. de Ridder, H. Handels, Image processing with neural networks - a review, Pattern Recognit. 35 (2002) 2279–2301. doi:10.1016/S0031-3203(01)00178-9.
  • [27] D.L. Reilly, L.N. Cooper, C. Elbaum, A neural model for category learning, Biol. Cybern. 45(1), 1982, 35–41. doi:10.1007/BF00387211.
  • [28] M. Riedmiller, H. Braun, A direct adaptive method for faster backpropagation learning: the RPROP algorithm, in: IEEE Int. Conf. Neural Networks, San Farncisco, CA, 28 March-1 April 1993, IEEE, 1993: pp. 586–591. doi:10.1109/ICNN.1993.298623.
  • [29] F. Bajramovic, C. Gruber, B. Sick, A comparison of first- and second-order training algorithms for dynamic neural networks, in: 2004 IEEE Int. Jt. Conf. Neural Networks, Budapest, Hungary, 25-29 July 2004, IEEE, 2004: pp. 837–842. doi:10.1109/IJCNN.2004.1380038.
  • [30] T. Hadzibeganovic, S.A. Cannas, A Tsallis’ statistics based neural network model for novel word learning, Phys. A Stat. Mech. Its Appl. 388(5), 2009, 732–746. doi:10.1016/j.physa.2008.10.042.
  • [31] D.P. Mandic, J.A. Chambers, Recurrent Neural Networks for Prediction: Learning Algorithms, Architectures and Stability, Wiley, 2001. ISBN: 978-0-471-49517-8
  • [32] J.J. Hopfield, Neural networks and physical systems with emergent collective computational abilities., Proc. Natl. Acad. Sci. 79(8), 1982, 2554–2558. doi:10.1073/pnas.79.8.2554.
  • [33] M.A. Arbib, The Handbook of Brain Theory and Neural Networks, Second Edition, MIT Press, Cambridge, MA, 2002. ISBN: 9780262011976
  • [34] K. Fukushima, Cognitron: A self-organizing multilayered neural network, Biol. Cybern. 20(3-4), 1975, 121–136. doi:10.1007/BF00342633.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-efc3a6c8-4094-4b84-9bfb-1983642329ee
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.