Wyniki wyszukiwania - BazTech

1

The transportation network rough description for an adaptive traffic control algorithms by means of video detection technique

Piecha J., Gnyla P.

Transport Problems

|

2013

|

T. 8, z. 3

15--24

EN

The contribution discusses a transportation network rough description that corresponds to satisfactory level of an adaptive traffic control algorithms implementation [4], supported by video-detection system. The decision making algorithms have to provide us with not only vehicles’ approach time prediction, at the intersections but also finding possible solution for avoiding critical queues at the intersections. Majority of traditional traffic control systems are based on number of cars recorded by inductive loops, however they do not define any proper occupation states at any traffic lane. The time window indicated for passing the defined number of cars loses the distance gaps visible between the cars on the traffic lane. That is why remarkable part from the defined number of cars will not cross the intersection in the defined green light time. Procedures used for searching an optimal solution using the inductive measurements can, in the majority cases, be undoubtedly noticed as a theoretical analysis only.

PL

Praca przedstawia metodę opisu sieci transportowej w zastosowaniu do adaptacyjnych algorytmów sterowania ruchem [4] na podstawie danych rejestrowanych przez wideo detektory ruchu. Algorytmy decyzyjne muszą uwzględniać dane o czasie dojazdu pojazdów do linii zatrzymania przed skrzyżowaniem, stan kolejek pojazdów na każdym z wlotów oraz natężenie pojazdów dojeżdżających do skrzyżowania. Tradycyjne podejście do sterowania ruchem drogowym oparto o metody zliczania pojazdów za pomocą pętli indukcyjnych, które nie uwzględniają długości odcinka jezdni zajmowanego przez pojazdem w ruchu. Wyliczony czas trwania sygnału zielonego dla pojazdów nadjeżdżających nie uwzględnia odstępów między tymi pojazdami. Ostatecznie część pojazdów nie zdoła przekroczyć skrzyżowania w wyznaczonym oknie czasu sygnału zielonego.

2

Road traffic parameters prediction in urban traffic management systems using neural networks

Pamuła T.

Transport Problems

|

2011

|

T. 6, z. 3

123-128

EN

The article reviews neural networks applications in urban traffic management systems and presents a method of traffic flow prediction based on neural networks. It describes neural networks features, which allows them to be used to solve, optimisation tasks involved in designing optimal road traffic control strategies in urban traffic systems (UTC systems). In presented examples neural networks estimate road infrastructure throughput and length of waiting vehicles queue.

PL

Artykuł przedstawia przegląd zastosowań sieci neuronowych w systemach zarządzania ruchem miejskim oraz propozycję metody predykcji natężenia ruchu opartą o sieci neuronowe. Na wstępie opisane zostały cechy sieci neuronowej, które mogą być przydatne w rozwiązywaniu zadań optymalizacji związanych z opracowywaniem optymalnych strategii sterowania w miejskich systemach sterowania ruchem (UTC systems). W przedstawionych przykładach sieci neuronowe wykorzystane zostały do obliczania przepustowości dróg oraz długości kolejki pojazdów.

3

A Traffic Prediction Method based on ANN and Adaptive Template Matching

Gao Q., Li G.

Przegląd Elektrotechniczny

|

2011

|

R. 87, nr 11

295-299

EN

Considering the significant burstiness in self-similar network traffic, this paper presents a one-step traffic prediction method based on ANN (artificial neural network) and adaptive template matching. Firstly control chart is used to decompose the original traffic into non-burst part and burst part. Then the two parts are predicted by ANN and adaptive template matching method, respectively. Finally, the prediction of the original traffic is obtained by fusing the predictions of the two parts. Simulation results show that the accuracy of method proposed in this paper is much higher compared with the traditional traffic prediction methods.

PL

Artykuł prezentuje metodę przewidywania przepływu informacji bazującą na sztucznych sieciach neuronowych i adaptacyjnym dopasowaniu szablonu. Początkowo przepływ dzielony jest na pogrupowany i nie pogrupowany. Następnie analizuje się obie części. Wreszcie dokonuje się fuzji rezultatów. Rezultaty symulacji wskazują że proponowana metoda ma lepszą dokładność niż metody tradycyjne.