Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Carvalho, Aline Marins Paes | - |
Autor(es): dc.contributor | Clua, Esteban Walter Gonzales | - |
Autor(es): dc.contributor | Melo, Sidney Araújo | - |
Autor(es): dc.creator | Baleroni, Wallace Ferreira | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:22:27Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:22:27Z | - |
Data de envio: dc.date.issued | 2022-07-07 | - |
Data de envio: dc.date.issued | 2022-07-07 | - |
Data de envio: dc.date.issued | 2019 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/25611 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/749036 | - |
Descrição: dc.description | Com o crescimento desenfreado das cidades, na maioria das vezes sem planejamento, a infraestrutura existente não consegue suprir o fluxo crescente de veículos. A estratégia usualmente seguida por grande parte das cidades se foca em alargar ruas e construir novas estradas, de forma a acomodar o número de veículos e aliviar congestionamentos. Entretanto, além do custo investido em tais obras, o cidadão precisa passar por uma série de transtornos durante o seu desenvolvimento. Por conta disso, em busca de usufruir da estrutura disponível, a otimização de semáforos é uma opção viável e com menor custo. Dessa forma, neste trabalho é utilizado Aprendizado por Reforço em conjunto com Redes Neurais por meio da técnica de Deep Q-Learning para aprender a prever, de forma eficaz, uma política que otimize um semáforo em um cruzamento específico no bairro do Ingá, na cidade de Niterói. Com a implementação da técnica mencionada e usando ferramentas de simulação foi possível alcançar resultados que demonstram sua efetividade no semáforo explorado. Além disso, nesse trabalho foi possível explorar um caso de transferência de aprendizado para outras instâncias. Portanto, conclui-se que a utilização de Aprendizado por Reforço Profundo tem grande potencial em resolver este tipo de problema na prática, através de sua possível utilização em semáforos reais. | - |
Descrição: dc.description | With the unbridled growth of cities, often unplanned, existing infrastructure cannot attend anymore the growing flow of vehicles. The strategy usually followed by most cities focuses on widening roads or building new ones to accommodate the number of vehicles and relieve congestion. However, in addition to the cost invested in such works, the citizen has to go through a lot of inconvenience during its development. Because of this, in order to take advantage of the available structure, semaphore optimization is a viable and less costly option. Thus, in this work we rely on Reinforcement Learning in conjunction with Neural Networks through the technique known as Deep Q-Learning to learn how to effectively predict a policy that optimize a traffic light at a specific intersection in the Ingá neighborhood of Niterói city. By implementing the aforementioned technique and using simulation tools it was possible to achieve results that demonstrate its effectiveness in the semaphore explored. Moreover, in this work it was possible to explore a case of transfer the learned policy to other instances. Therefore, it is concluded that the use of Deep Reinforcement Learning has great potential to solve this kind of problem in practice, through its possible use in real traffic lights. | - |
Descrição: dc.description | 58 p. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Cidades inteligentes | - |
Palavras-chave: dc.subject | Semáforos | - |
Palavras-chave: dc.subject | Trânsito | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Sinalização de trânsito | - |
Palavras-chave: dc.subject | Artificial Intelligence | - |
Palavras-chave: dc.subject | Reinforcement Learning | - |
Palavras-chave: dc.subject | Smart Cities, | - |
Palavras-chave: dc.subject | Q-Learning | - |
Palavras-chave: dc.subject | Optimization | - |
Palavras-chave: dc.subject | Traffic Lights | - |
Palavras-chave: dc.subject | Traffic | - |
Título: dc.title | Otimização de semáforos utilizando aprendizado por reforço com redes neurais | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: