Transportu SIECI NEURONOWYCH. : marzec w przypadku awarii detektora. Opracowany we pomiarów ruchu

Transkrypt

1 PRACE AUKOWE POLITECHIKI WARSZAWSKIEJ z. 113 Transport 2016 Transportu PREDYK A SIECI EUROOWYCH : marzec 2016 Streszczenie: W artykule zaproponowano wykorzystanie jednej sieci neuronowej do krótko- podstawie w przypadku awarii detektora. Opracowany we pomiarów ruchu zaproponowany model y dykcji w Inteligentnych Systemach Transportowych. predykcja a ruchu, sieci neuronowe, szeregi czasowe 1. Krótkoterminowe przewidywania parametrów ruchu drogowego ma kluczowe znaczenie dla sterowania ruchu opiera s czasowym od kilku minut do nawet k do odwzorowania nieliniowego zachowania zmiennych. To odwzorowanie jest uzyskiwane w trakcie uczenia sieci bez uprzedniego

2 370 gdy brak danych, co. Modelowanie przebiegu elementem adaptacyjnych algorytmów sterowania ruchem [8], [10]. jest skutecznym. Perceptron wielowarstwowy (MLP) z naj przep u krótkoterminowego [4[,[2]. K. Kumar i in. [5 a tygodnia, w którym traktowany jako zbiór reprezentowa. Dobre wyniki przewidywania uzyskano w horyzoncie czasowym 5-15 minut. Podo w godzinach porannych w Zmiany parametrów ruchu wykorzystano w pracy [3] do optymalizacji modelu prognostycznego. ych danych. W artykule przedstawiono model predykcji zarejestrowane na wl drugiego rej spowodowanych warunkami pogodowymi. Do opracowania modelu wykorzystano dane w sieci drogowej miasta Gliwice. W, przebiegów ruchu [6]. 2. MODEL PREDYKCJI Sterowanie ruchem ulicznym w sieciach dróg przez zintegrowane inteligentne systemy na wiarygodnej informacji o parametrach ruchu drogowego. Dane drogowe yciem licznych pomiarowych umieszczonych komunikacyjnych sieci drogowej. Problemy ulegnie awarii. Prowadzi to do braku danych, stanu sieci drogowej.

3 Predyk 371 W artykule skupio roblemie utraty danych w przypadku dwóch kolejnych a rys. 1 przedstawiono schemat tej sytuacji. Rys. 1. Schemat badanego odcinka drogi z detektorami D1 i D2 Detektory pojazdów D1 i D2 owania J1 D1 J2. J2 w przypadku uszkodzenia detektora D2. lub 6 Qt 1( J1, J 2 ) f ( Qt ( J1),, Qt n ( J1), t, ) Q o t chwila predykcji, konfiguracja sieci neuronowej. Prognozowane e ruchu dla J1 i J2 jest J1. z wykorzystaniem sieci neuronowych. Sieci Li ni: L L 1... L1 ( n1) n ( a, b ), i i i i i i 1,..., m gdzie: L i i numer warstwy sieci (1 lub 2). moment czasowy oraz parametry ).

4 372 a w czasie. Po analizie szeregów czasowych obej 2] z chara takie jak "godziny szczytu a zostanie wykonana na podstawie 5 lub 75 lub 90 min. Bardzo enie, do modelu predykcyjnego Model przedstawiono na rys. 2 Rys. 2. Model predykcji nie ma ych cech charakterystycznych to, aby okre l z neuronów w przedziale od 18 do 66. Ten zakres ustalony ach czasowych ruchu [6]. 3. AALIZA I SELEKCJA DAYCH detektorów pojazdów umieszczonych jednej z dróg dojazdowych do Gliwic rys. 3. Uzyskane 2014 roku (od lutego do lipca) oraz maj 2015 roku Dane o oraz w badaniach utowe. W modelu predykcji wykorzystano dni roboczych, od Mapa na rysunku 3

5 Predyk 373 Rys. 3. Rozmieszczenie detektorów : autorzy OpenStreetMap e ruchu z dwóch dni roboczych z 2014 i 2015 roku. Wyniki przedstawiono na rys. 4. a) b) Rys. 4. dwóch dni roboczych z maja 2014 i 2015 roku a) dla detektora D1 J1), b) dla detektora D2 J2) D1 D2 i wyni dobowych w badanych miejscach pozwala na opracowanie modelu predykcji 4. STRUKTURA SIECI EUROOWEJ liczby klasyfikator, to liczba wag w strukturze sieci

6 374 w ione w procesie uczenia Po analizie zbioru danych zarejestrowanych za okres roboczych. Przygotowano dwa i e 2400 wektorów. J1 e im J1 i J2. W drugim u m momentem godziny. Do testowania sieci wy 4.2. STRUKTURA SIECI EUROOWEJ J1 i wlocie J2 o 6 kolejnych moment J1 J2 w kolejnych 15 min. Zbadano struktur sieci i wybrano dwie sieci dwuwarstwowe o strukturach i dwie sieci trójwarstwowe o strukturach i z dwoma warstwami ukrytymi o 18 i 36 neuronach w obu warstwach ukrytych. algorytmem modyfikacji wag Levenberga-Marquardta. W warstwach ukrytych dla tanh), a dla dwóch Schemat zastosowanych sieci neuronowych przedstawiono na rys. 5.

7 Predyk 375 a) b) Rys. 5. Schem warstwami ukrytymi a rysunku 5 przedstawiono schematy dwóch struktur sieci neuronowych zastosowanych w badaniach. W obu przypadkach w J1) neuronów. j warstwy ukrytej. 5. WYIKI TESTÓW Po wytrenowaniu wybranych konfiguracji i. t+1 zbioru Wyniki predykcji dla wlotów J1 i J2 przedstawiono na rysunku 6. a rysunku 6 przedstawiono wyniki prognozowania dla J1 i J2. prognozowanego. Dla wlotu J1 uzyskano bardzo dobre wyniki prognozowania wykresy wlotu J2 a dolnych wykresach z rysunku 6 dla J1 jest J2. Idealne dopasowanie (prognoza) ma miejsce wtedy, gdy dane.

8 376 Rys. 6. J1(det. D1) i J2(det. D2) progno- a zmierzonymi. Dla wybranych dni przeprowadzono obliczono y predykcji: absolute error), error),. 1 MAE n 1 Q f Q n 1 MAPE n 1 Q Q f Q n n RMSE 1 n 1 ( Q f Q n ) 2 gdzie: Q n Q f prognozowane dla n-tego pomiaru (Q n) Tabele 1 i 2 predykcji dla wlotów J1 i J2, czterech wybranych konfiguracji sieci neuronowych dwóch sieci dwuwarstwowych i dwóch sieci trójwarstwowych i bez godziny) wlotu J1 jest najlepsza dla sieci o strukturze

9 Predyk 377 J1 configuration Input variables Outputs RMSE MAE MAPE Q t-5, Q t-4, Q t-3, Q t+1(j1) 8,2 6,04 0, Q t-2, Q t-1, Q t Q t+1(j2) 8,2 6,05 0, x18-2 8,0 6,09 0, x36-2 7,9 5,74 0, (t h) t h, Q t-4, Q t-3, Q t+1(j1) 7,8 5,87 0, (t h) Q t-2, Q t-1, Q t Q t+1(j2) 7,5 5,76 0, x18-2 (t h) 7,6 5,87 0, x36-2 (t h) 8,0 5,93 0,12 Tablica 1 J1 J2. J2 Konfiguracja sieci Parametry W RMSE MAE MAPE Q t-5, Q t-4, Q t-3, Q t+1(j1) Q t-2, Q t-1, Q t Q t+1(j2) 26,2 20,10 0, ,2 19,09 0, x ,3 20,59 0, x ,5 18,98 0,24 t (t h, Q t-4, Q t-3, Q t+1(j1) h) Q t-2, Q t-1, Q t Q t+1(j2) 22,0 17,47 0, (t h) 21,6 16,26 0, x18-2 (t h) 21,7 17,06 0, x36-2 (t h) 21,2 15,75 0,21 Tablica 2 J1 J2. J2 wykorzystane do uczenia i testowania sieci nie wyk J1 (rys. 4).,5 minuty. W przypadku. Obserwacja ruchu rejestrowanego godzinach pracy ruc w D wlotu J2 jest najlepsza dla sieci o strukturze

10 WIOSKI Badano konfiguracjach Zmiany dla sieci z jedn warstw ukryt nie e, a W przypadku konfiguracji z dwoma warstwami ukrytymi. ruchu prognozowania sieci neuronowych dla wlotu J2 o 15%. u predykcji MAPE dla wlotu skrzy owania J2 prawie dwukrotnie J1. obu wlotów jest najlepsza dla sieci o strukturze J2 J2 lub przez zastosowanie do pred dwóch ych sieci J2 nawet o 10%. zaproponowany model y Bibliografia 1. k-nearest neighbours-based traffic flow prediction, IET Intelligent Transport System 2015, s Centiner, B. G., Sari, M., & Borat, O. (2010). A neural network based traffic-flow prediction model. Mathematical and Computational Applications, 15, Jia Zheng Zhu, Jin Xin Cao, Yuan Zhu: Traffic volume forecasting based on radial basis function neural network with the consideration of traffic flows at the adjacent intersections, Transportation Research Part C 47, 2014, p Karlaftis, M.G., Vlahogianni E.J., Statistical methods versus neural networks in transportation research: differences, similiarities and some insights. Transp. Research, Part C, , Kranti Kumar, M. Parida, V.K. Katiyar, Short Term Traffic Flow Prediction for a on Urban Highway Using Artificial eural etwork, Procedia - Social and Behavioral Sciences, Vol. 104, (2013), Archives of Transport 4/2012, pp term traffic flow forecasting method based on the data from video detectors using a neural network, Communications in Computer and Information Science, Springer, 2013, s vol Srinivasan, M. C. Choy, and R. L. Cheu: eural networks for real-time traffic signal control, IEEE Trans. Intelligent Transportation Systems, vol. 7, no. 3, pp , Sep Tadeusiewicz R. Sieci neuronowe. Akademicka Oficyna Wydaw. RM, Warszawa Vlahogianni E.I., Karlaftis M.G., Golias J.C.: Optimized and meta-optimized neural networks for shortterm traffic flow prediction:agenetic approach, Transportation Research Part C vol.13, pp , 2005.

11 Predyk 379 TRAFFIC FLOW PREDICTIO I ADJACET JUCTIOS USIG EURAL ETWORK Summary: The paper presents a proposal of using one neural network for short time prediction of traffic flow on two adjacent junctions of a traffic route. The traffic flow on the second junction is predicted on the basis of historic data registered at the first junction. This allows to forecast the flow on the second junction in the case of failure of its flow measuring devices. The elaborated design is validated using a data set of traffic flow measurements comprising nearly 20 thousand measurements collected in a period of over six months. Results prove that the design may be incorporated as a component of a prediction module in Intelligent Transport Systems. Keywords: traffic flow forecast, neural networks, time series