palette
ارائة مدل عامل مبنا برای کنترل هوشمند چراغ‌های راهنمایی و مسیریابی پویا
محمد آخوندی, محمد سعدی مسگری, محمدرضا ملک, امید عسگری سیچانی

چکیده
ترافیک شهری در دنیای امروز، به‌خصوص در کلان‌شهرها، یکی از مشکلات مهم و فراگیر محسوب می‌شود. در سال‌های اخیر برای غلبه بر این مشکل، راه‌حل‌های بسیاری پیشنهاد شده‌ که بیشتر آنها برمبنای مدل‌سازی کلان ترافیک شهری عرضه شده‌اند. ولی به‌دلیل پیچیدگی‌های زیاد محیط شهری و عوامل متعدد و متفاوت مؤثر در ترافیک شهری، این مدل‌ها نمی‌توانند به‌خوبی فضای دینامیک و متغیر ترافیک شهری را مدل‌سازی کنند. در مقابل، به‌دلیل قابلیت بالای عامل‌ها در مدل‌سازی تعاملات مؤلفه‌های مؤثر در ترافیک و همچنین مدل‌سازی فضای متغیر محیط شهری، روش عامل مبنا روشی مناسب و نویدبخش برای مدل‌سازی ترافیک شهری به‌شمار می‌رود. با توجه به مطالب بیان‌شده، در این تحقیق، به‌منظور ارتقا و بهبود مسیر‌یابی وسائط نقلیه برمبنای ایجاد قابلیت ارسال و دریافت اطلاعات ترافیکی در میان مؤلفه‌های ترافیک، یک مدل‌ عامل مبنا مطرح شده است. همچنین، در این مدل، چراغ‌های راهنمایی و در واقع کنترل سبز و قرمزشدن آنها، با توجه به وضعیت ترافیکی (تعداد اتومبیل‌ها) در خیابان‌های متصل به تقاطع‌های در معرض کنترل، هوشمند‌سازی شده است. در مدل مطرح‌شده، فرض شده است تمامی وسایل نقلیه به GPS و وسایل ارتباطی مناسب مجهزند. برای پیاده‌سازی از پلتفُرم JADE و کتابخانة کلاس‌های آن استفاده شده است. درنهایت، داده‌های شبیه‌سازی مناسب به مدل وارد شده و نتایج حاصل از روش‌ها و سناریو‌های گوناگون مطرح‌شده در مدل، از منظر کاهش ترافیک و میانگین زمان سفر در شبکة حمل‌ونقل شهری، ارزیابی شده است.
واژگان کلیدی
عامل مبنا، سیستم حمل‌ونقل هوشمند، ترافیک، مسیریابی، چراغ‌های راهنمایی و رانندگی هوشمند

منابع و مآخذ مقاله

Abdoos, M., Mozayani, N. & Bazaan, A.L.C., 2013, Holonic Multi-Agent System for Traffic Signals Control, Engineering Applications of Artificial Intelligence, 26(5-6), PP. 1575-1587.

Adler, J.L. & Blue, V.J., 2002, A Cooperative Multi-Agent Transportation Management and Route Guidance System, Transp. Res. Part C: Emerging Technol., 10(5/6), PP. 433-454.

Adler, J.L., Satapathy, G., Manikonda, V., Bowles, B. & Blue, V.J., 2005, A Multi-Agent Approach to Cooperative Traffic Management and Route Guidance, Transp. Res. Part B: Methodological, 39(4), PP. 297- 318.

Aronsson, K.F.M., 2006, Speed Characteristics of Urban Streets Based on Driver Behaviour Studies and Simulation, Doctoral Thesis in Infrastructure, Royal Institute of Technology.

Bellifemine, F.L., Caire, G. & Greenwood, D., 2007, Developing Multi-Agent Systems with JADE, Hoboken, NJ: Wiley, PP. 1-15.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

rester

Chen, B., Cheng, H.H. & Palen, J., 2009, Integrating Mobile Agent Technology with Multi-Agent Systems for Distributed Traffic Detection and Management systems, Transportation Research Part C: Emerging Technologies, 17(1), PP. 1-10.

Chen, H. & Rakha, H.A., 2016, Multi-Step Prediction of Experienced Travel Times Using Agent-Based Modeling, Transportation Research Part C: Emerging Technologies, 71, PP. 108-121.

Choy, M.C., Srinivasan, D. & Cheu, R.L., 2003, Cooperative, Hybrid Agent Architecture for Real-Time Traffic Signal Control, IEEE Trans. Syst., Man, Cybern. A, Syst., Humans, 33(5), PP. 597-607.

Dia, H., 2002, An Agent-Based Approach to Modelling Driver Route Choice Behavior under the Influence of Real-Time Information, Transp. Res. Part C:Emerging Technol., 10(5/6), PP. 331-349.

Dresner, K. & Stone, P., 2008, A Multiagent Approach to Autonomous Intersection Management, J. Artif. Intell. Res., 31(1), PP. 591- 656.

Galland, S., Buisson, J., Gaud, A., Goncalves, M., Koukam, A., Guiot, F. & Henry, L., 2014, Agent-Based Simulation of Drivers with the Janus Platform, Procedia Computer Science, 32, PP. 738-743.

Jin, J. & Ma, X., 2015, Adaptive Group-Based Signal Control by Reinforcement Learning, Transportation Research Procedia, 10, PP. 207-216.

Khamis, M.A. & Gomaa, W., 2014, Adaptive Multi-Objective Reinforcement Learning with Hybrid Exploration for Traffic Signal Control Based on Cooperative Multi- Agent Framework, Engineering Applications of Artificial Intelligence, 29, PP. 134- 151.

Kisiel-Dorohinicki, M., 2002, Agent-Oriented Model of Simulated evolution, In W.L. Grosky & F. Plasil (Eds.), Sofsem 2002: Theory and Practice of Informatics, LNCS, Springer-Verlag.

Kosonen, I., 2003, Multi-Agent Fuzzy Signal Control Based on Real-Time Simulation, Transp. Res. Part C: Emerging Technol., 11(5), PP. 389-403.

Kukla, R., Kerridge, J., Willis, A. & Hine, J., 2001, PEDFLOW: Development of an Autonomous Agent Model of Pedestrian Flow, Transp. Res. Rec., 1774, PP. 11-17.

Lopez-Neri, E., Ramirez-Trevino, A. & Lopez-Mellado, E., 2010, A Modeling Framework for Urban Traffic Systems Microscopic Simulation, International Journal of Simulation: Simulation Modelling Practice and Theory (ELSEVIER), PP. 1145-1161.

Lu, C. & Chen, H., 2012, Hierarchical Planning for Agent-Based Traffic Management and Control, IFAC Proceedings Volumes, 45(24), PP. 256-261.

Melnikov, V.R., Krzhizhanovskaya, V.V., Lees, M.H. & Boukhanovsky, A.V., 2016, Data-Driven Travel Demand Modelling and Agent-Based Traffic Simulation in Amsterdam Urban Area, Procedia Computer Science, 80, PP. 2030-2041.

Roozemond, D.A., 1999, Using Autonomous Intelligent Agents for Urban Traffic Control Systems, Proc. 6th World Congr. Intell. Transp. Syst., Toronto, Canada.

Roozemond, D.A., 2001, Using Intelligent Agents for Pro-active, Real-Time Urban Intersection Control, Eur. J. Oper. Res., 131(2), PP. 293-301.

Rosenfeld, A., Kaminka, G., Kraus, S. & Shehory, O., 2008, A Study of Mechanisms for Improving Robotic Group Performance, Artificial Intelligence, 172. PP. 633-655.

Rossetti, R.J.F., Ferreira, P.A.F., Braga, R.A.M. & Oliveira, E.C., 2008, Towards an Artificial Traffic Control System, Proc. 11th Int. IEEE Conf. Intell. Transp. Syst., PP. 14-19.

Salim, F.D., Krishnaswamy, S., Loke, S.W. & Rakotonirainy, A., 2005, Context-Aware Ubiquitous Data Mining Based Agent Model for Intersection Safety, Proc. EUC Workshops, 3823, PP. 61-70.

Sandhu, S.S., Jain, N., Gaurav, A., Sriman, N.C. & Iyengar, N., 2015, Agent Based Intelligent Traffic Management System for Smart Cities, International Journal of Smart Home, 9(12), PP. 307-316.

Srinivasan, D. & Choy, M.C., 2006, Cooperative Multi-Agent System for Coordinated Traffic Signal Control, Proc. Inst. Elect. Eng.—Intell. Transp. Syst., 153(1), PP. 41-50.

Szymanezyk, O. & Dickinson, P., 2014, Validation of Pedestrian Groups in Agent-Based Simulation, Transportation Research Procedia, 2, PP. 706-714.

Taale, H., Kampen, J.V. & Hoogendoorn, S., 2015, Integrated Signal Control and Route Guidance Based on Back-Pressure Principles, Transportation Research Procedia, 10, PP. 226-235.

Wahle, J., Bazzan, A.L.C, Klügl, F. & Schreckenberg, M., 2000, Anticipatory Traffic Forecast Using Multiagent Techniques, Traffic and Granular Flow ’99, D. Helbing, H. Hermann, M. Schreckenberg & D. Wolf, Eds. Heidelberg, Germany: Springer-Verlag.

Wahle, J., Bazzan, A.L.C, Klügl, F. & Schreckenberg, M., 2002, The Impact of Real-Time Information in a Two-Route Scenario Using Agent-Based Simulation, Transp. Res. Part C: Emerging Technol., 10(5/6), PP. 399-417.

Weyns, D., Holvoet, T. & Helleboogh, A., 2007, Anticipatory Vehicle Routing Using Delegate Multi-Agent Systems, Proc. IEEE Intell. Transp. Syst. Conf., PP. 87-93.


ارجاعات
  • در حال حاضر ارجاعی نیست.