Navegar por:

Modelo inteligente de controle adaptativo de tráfego urbano

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/914234
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGarcia, Reinaldo Crispiniano-
Autor(es): dc.contributorfabiospb@gmail.com-
Autor(es): dc.creatorBorges, Fábio de Souza Pereira-
Data de aceite: dc.date.accessioned2024-10-23T16:40:05Z-
Data de disponibilização: dc.date.available2024-10-23T16:40:05Z-
Data de envio: dc.date.issued2022-05-17-
Data de envio: dc.date.issued2022-05-17-
Data de envio: dc.date.issued2022-05-17-
Data de envio: dc.date.issued2022-01-26-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/43722-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/914234-
Descrição: dc.descriptionTese (doutorado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.-
Descrição: dc.descriptionMuitas cidades brasileiras com congestionamentos urbanos ainda usam abordagens de controle de tráfego clássicas, que apresentam bons resultados em ambientes cujos fluxos variam de forma bem definida ao longo do dia, mas esse não é mais caso na maioria dos centros urbanos. Essas abordagens são inflexíveis porque não conseguem lidar com o dinamismo do fluxo de tráfego edeterminar quais planos semafóricos são mais apropriados para cada instante do dia, o que é uma tarefa complexa com contagens e estudos dos fluxos de tráfego em diferentes pontos da rede, modelos de tráfego e uma equipe grande de profissionais.Outras abordagens surgiram. Entre elas, ainda dependentes de modelos de tráfego, os sistemas comerciais de controle adaptativo de tráfego mais conhecidos, a partir dos anos 1980, podem reduzir os tempos de viagens em 29% ou acrescê-los até 10% e reduzir os atrasos entre 3% e 38%. Porém, os custos iniciais de implantação desses sistemas variam entre US$ 6.000 e US$ 60.000 por interseção, o que pode ser inviável para muitas cidades brasileiras.Portanto, considerando que muitas cidades brasileiras têm ou terão a necessidade de um sistema moderno de controle adaptativo de tráfego que se ajuste facilmente às características de suas redes de trânsito e, preferencialmente, aproveite a malha de equipamentos eletrônicos de fiscalização veicular já instalados, conciliando necessidades operacionais e condições financeiras, têm-se a oportunidade de desenvolver um sistema adaptativo e interativo como descrito para gerar decisões de controle ótimas empregando tecnologias disponíveis e atuais.Nesse sentido, o presente trabalho propõe um modelo inteligente de controle adaptativo de tráfego urbano capaz de realizar previsões de tráfego de curta duração e otimizar planos semafóricos em tempo real, aplicando técnicas de inteligência artificial para controlar uma rede de tráfego. O modelo proposto acopla Reinforcement Learning para prever os fluxos de veículos e Deep Reinforcement Learning para otimizar os planos semafóricos. Os resultados alcançados são bastante promissores. Na primeira etapa do modelo, o comportamento da rede de tráfego está muito bem representado em todos os dias e horários para todas as aproximações da rede, abrangendo um espectro bastante amplo e elástico desde as menores medidas de fluxo até as mais altas de forma aderente às sucessivas variações do tráfego. Os intervalos das previsões foram variados (1, 5 e 15 minutos) e os erros médios absoluto (MAE), relativo (MRE) e quadrático (RMSE) demonstram a consistência das respectivas previsões, afastando a possibilidade de underfitting e overfitting.Na segunda etapa do modelo, os resultados obtidos são muito bons também seja para a dimensão da rede, interseção ou aproximação. Todos os parâmetros da rede de trânsito sofreram reduções expressivas em relação à condição original dada pelos planos semafóricos do Departamento de Trânsito Local. Os resultados alcançados foram compatíveis com os sistemas de controles adaptativos de tráfego comerciais, superando inclusive alguns resultados da literatura. Por exemplo, os atrasos reduziram entre 19% e 37%. As decisões tomadas para privilegiar sentidos mais demandados não prejudicaram os demais sentidos e garantiram um aumento do desempenho das aproximações, isoladamente ou não, demonstrando a capacidade do modelo de perceber e decidir em níveis de fluxos de tráfego elevados ou baixos.Este trabalho utiliza dados brutos para gerir o estado do tráfego em tempo real, sem um modelo de tráfego e integra duas interseções em rede de forma centralizada. Contudo, se reduz os congestionamentos e maximiza o uso da infraestrutura atual postergandonovas intervenções, as principais contribuições deste trabalho são a redução de impedâncias na movimentação de pessoas e cargas em centros urbanos e a flexibilização de investimentos e cronogramas de obras para adequação de capacidade das vias urbanas, além da simplicidade de operacionalizar o método que propõe a partir de tecnologias já disponíveis ou daquelas que estarão no ambiente viário inteligente das cidades do futuro.-
Descrição: dc.descriptionUrban road infrastructure cannot grow at the same rate as the vehicle fleet in order to reduce congestion in cities because there are physical and financial limitations. In addition, it is necessary to mitigate the damage that its impacts cause to the environment, public health and the economy at a high cost to society as a whole. In the city of São Paulo alone, the total cost attributed exclusively to congestion was $20.5 billion in 2012. Many Brazilian cities with urban congestion still use classical traffic control approaches, which show good results in environments where flows vary well throughout the day, but this is no longer the case in most urban centers. These approaches are inflexible because they cannot cope with the dynamism of traffic flow and determine which traffic signal plans are most appropriate for each instant of the day, which is a complex task with counts and studies of traffic flows at different points in the network, traffic models, and a large team of professionals.Other approaches have emerged. Among them, still dependent on traffic models, the best-known commercial adaptive traffic control systems, from the 1980s on, can reduce travel times by 29% or increase them by up to 10% and reduce delays by between 3% and 38%. However, the initial implementation costs of these systems range from US$ 6,000 to US$ 60,000 per intersection, which may be unfeasible for many Brazilian cities.Therefore, considering that many Brazilian cities have or will have the need for a modern adaptive traffic controlsystem that easily adjusts to the characteristics of their traffic networks and, preferably, takes advantage of the electronic vehicle inspection equipment already installed, reconciling operational needs and financial conditions, we have the opportunity to develop an adaptive and interactive system as described to generate optimal control decisions using available and current technologies.In this sense, the present work proposes an intelligent model of urban adaptive traffic control capable of performingshort-term traffic forecasts and optimizing traffic signal plans in real time, applying artificial intelligence techniques to control a traffic network. The proposed model combines Reinforcement Learning to predict vehicle flows and Deep Reinforcement Learning to optimize traffic signal plans. The results achieved are quite promising. In the first stage of the model, the behavior of the traffic network is very well represented on all days and times for all network approaches, covering a very wide and elastic spectrum from the lowest to the highest flow measurements in an adherent way to successive traffic variations. The prediction intervals were varied (1, 5 and 15 minutes) and the mean absolute (MAE), relative (RSM) and root mean square (RMSE) errors demonstrate the consistency of the respective predictions, ruling out the possibility of underfitting and overfitting.In the second stage of the model, the results obtained are also very good whether for network size, intersection or approach. All trafficnetwork parameters were significantly reduced from the original condition given by the Local Traffic Department's traffic signal plans. The results achieved were compatible with commercial adaptive traffic control systems, even surpassing some results in the literature. For example, delays were reduced by between 19% and 37%. The decisions made to privilege the most demanded directions did not harm the other directions and guaranteed an increase in the performance of the approaches, alone or not, demonstrating the model's ability to perceive and decide at high or low traffic flow levels.This work uses raw data to manage the state of traffic in real time, without a traffic model and integrates two intersections in a network centrally. However, if it reducescongestion and maximizes the use of the current infrastructure postponing new interventions, the main contributions of this work are the reduction of impedances in the movement of people and cargo in urban centers and the flexibility of investments and schedules of works to adapt the capacity of urban roads, besides the simplicity of its implementation from technologies already available or those that will be in the intelligent road environment of the cities of the future.-
Descrição: dc.descriptionFaculdade de Tecnologia (FT)-
Descrição: dc.descriptionDepartamento de Engenharia Civil e Ambiental (FT ENC)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Transportes-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições:Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectTráfego urbano - controle-
Palavras-chave: dc.subjectSemáforo - sistemas inteligentes de controle-
Palavras-chave: dc.subjectTráfego urbano - previsão-
Título: dc.titleModelo inteligente de controle adaptativo de tráfego urbano-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação