ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА КОНТРОЛЯ ЗАТОРОВ НА ДОРОГАХ С ИСПОЛЬЗОВАНИЕМ КОНТРОЛИРУЕМОГО АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ НА БАЗЕ АДАПТИВНОГО IOTN
Аннотация
Явление заторов на дорогах возникает, когда норма спроса на дороге или на транс-
портном объекте превышает имеющуюся пропускную способность, причем бывает двух
видов: либо рутинная, т.е. возникает в определенные моменты времени, которые являют-
ся пиковыми, например, на дороге, идущих или возвращающихся с работы или учебных за-
ведений людей; либо другой тип – внезапные появившееся заторы, возникающие в резуль-
тате дорожно-транспортного происшествия, то есть в случае аварии на дороге, либо в
силу других форс-мажорный причин. В связи с этим для уменьшения нарастания заторов в
городах, можно и необходимо в современных условиях жизни и развития технологий ис-
пользовать концепцию умных систем. Она отличается множеством алгоритмов, исполь-
зуемых в мире машинного обучения (ML) и Интернета вещей (IoT) для более точного про-
гнозирования потока трафика в краткосрочной перспективе и выявления возможностей
для предотвращения заторов. В современных городах могут использоваться множество
различных датчиков для сбора информации для прогнозирования краткосрочного трафика
на территории города и точного захвата пространственной и временной эволюции (изме-
нения) транспортного потока. Алгоритмы, внедренные в машинное обучение, улучшают
возможности разрабатываемой системы. Качество принимаемых решений разрабаты-
ваемого искусственного интеллекта увеличивается при одновременном увеличении объема
собираемых данных. В этой статье предлагается модель системы TCC-SVM для анализа
пробок на дорогах в среде умного города. Предлагаемая модель включает в себя систему
управления трафиком Интернета вещей (IoT), которая сообщает о заторах в определен-
ной точке. Существующие системы управления дорожным движением становятся неэф-
фективными из-за увеличения количества транспортных средств на дорогах. В городских
районах пробки и аварии являются серьезной проблемой. Интеллектуальная транспортная
система необходима для решения проблем, вызванных заторами на дорогах
Литература
and New Challenges, IEEE Intell. Transp. Syst. Mag., 2018, Vol. 10, No. 2, pp. 93-109,
2. Zargaryan E.V., Akopdzhanyan Zh.Zh. Issledovanie avtomatizatsii kollaborativnykh robotov i
sposoby ikh primeneniya [Research of automation of collaborative robots and methods of their
application. In the collection], Tekhnologii razrabotki informatsionnykh sistem TRIS-2020:
Mater. X Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii. "Tekhnologii razrabotkiinformatsionnykh sistem" [Technologies for the development of information systems TRIS-
2020. Materials of the X International Scientific and Technical Conference. "Technologies for
the Development of Information Systems"], 2020, pp. 218-223.
3. Zargaryan Yu.A. Zadacha upravlyaemosti v adaptivnoy avtomatnoy obuchaemoy sisteme
upravleniya [The problem of controllability in an adaptive automaton learning control system],
Tekhnologii razrabotki informatsionnykh sistem TRIS-2020: Mater. X Mezhdunarodnoy
nauchno-tekhnicheskoy konferentsii. "Tekhnologii razrabotki informatsionnykh sistem" [Technologies
for the development of information systems TRIS-2020. Materials of the X International
Scientific and Technical Conference. "Technologies for the Development of Information
Systems"], 2020.
4. Zargaryan E.V., Zargaryan Y.A., Dmitrieva I.A., Sakharova O.N. and Pushnina I.V. Modeling
design information systems with many criteria. Information Technologies and Engineering –
APITECH – 2020, Journal of Physics: Conference Series, 2020, Vol. 2085 (3), pp. 032057(1-7).
– DOI: 10.1088/1742-6596/1679/3/032057.
5. Kamarianakis Y. et Prastacos P. Forecasting Traffic Flow Conditions in an Urban Network:
Comparison of Multivariate and Univariate Approaches, Transp. Res. Rec. J. Transp. Res.
Board., Janv. 2003, Vol. 1857, No. 1, pp. 74-84.
6. Zargaryan E.V., Zargaryan Y.A., Kapc I.V., Sakharova O.N., Kalyakina I.M and Dmitrieva
I.A. Method of estimating the Pareto-optimal solutions based on the usefulness, International
Conference on Advances in Material Science and Technology - CAMSTech-2020. IOP Conf.
Series: Materials Science and Engineering, 2020, Vol. 919 (2), pp. 022027 (1-8). DOI:
10.1088/1757-899X/919/2/022027.
7. Nagatani T. The physics of traffic jams, Rep. Prog. Phys., Sept. 2002, Vol. 65, No. 9,
pp. 1331-1386.
8. Jiber M., Lamouik I., Ali Y., et Sabri M.A. Traffic flow prediction using neural network // in
2018 International Conference on Intelligent Systems and Computer Vision (ISCV), Fez,
2018. – P. 1-4.
9. Zhang Y. et Liu Y. Comparison of Parametric and Nonparametric Techniques for Non-peak
Traffic Forecasting, 2009, Vol. 3, No. 3, pp. 7.
10. Beloglazov D., Shapovalov I., Soloviev V., Zargaryan E. The hybrid method of path planning
in non-determined environments based on potential fields, ARPN Journal of Engineering and
Applied Sciences, 2017, Vol. 12, No. 23, pp. 6762-6772.
11. Zargarjan E.V., Zargarjan Ju.A., Finaev V.I. Information support for the training of fuzzy
production account balance in the conditions of incomplete data. Innovative technologies and
didactics in teaching (ITDT-2016): Collected papers, 2016, pp. 128-138.
12. Ahmed M.S. et. Cook A.R. Analysis of Freeway Traffic Time-Series Data by Using Box-
Jenkins Techniques, pp. 9.
13. Finaev V.I., Zargaryan Yu.A., Zargaryan E.V., Solov'ev V.V. Formalizatsiya grupp podvizhnykh
ob"ektov v usloviyakh neopredelennosti dlya vybora upravlyayushchikh resheniy [Formalization of
groups of mobile objects in conditions of uncertainty for the choice of control decisions],
Informatizatsiya i svyaz' [Informatization and communication], 2016, No. 3, pp. 56-62.
14. Slimani I., Farissi I. El, et Achchab S. Artificial Neural Networks for Demand Forecasting:
Application Using Moroccan Supermarket Data, 2015.
15. Slimani I., Farissi I. El, et Achchab S. Configuration and implementation of a daily artificial
neural network-based forecasting system using real supermarket data, Int. J. Logist. Syst.
Manag., 2017, Vol. 28, No. 2, pp. 144-163.
16. Pushnina I.V. Sistema upravleniya podvizhnym ob"ektom v usloviyakh neopredelennosti
[Control system of a moving object under conditions of uncertainty], Nauka i obrazovanie na
rubezhe tysyacheletiy: Sb. nauchno-issledovatel'skikh rabot [Science and education at the turn
of the millennium. collection of research papers]. Kislovodsk: KGTI, 2018, pp. 65-74.
17. Wang X., Wang C. Time series data cleaning: A survey, IEEE Access, 2020, Vol. 8, pp. 1866-1881.
– DOI: 10.1109/ACCESS.2019.2962152.
18. Data-driven smart cities: Big Data, analytics, and security, 2018. Available at:
https://skelia.com/ articles/data-driven-smart-cities-big-data-analytics-and-security (accessed
14 September 2020).
19. Kim J., Tae D., Seok J. A survey of missing data imputation using generative adversarial networks,
Proc. of the 2020 Int. Conf. on Artificial Intelligence in Information and Communication,
ICAIIC, 2020, pp. 454-456. DOI: 10.1109/ICAIIC48513.2020.9065044.
20. Dmitrieva I.A., Mileshko L.P., Begun O.V., Berezhnaya A.V. Information Modernization of the General
Theory of Environmental Safety Ensuring, IOP Conference Series: Materials Science and Engineering.
III International Scientific Conference. Krasnoyarsk, 2021, pp. 12072.
21. Alamir Kh.S., Zargaryan E.V., Zargaryan Yu.A. Model' prognozirovaniya transportnogo potoka na
osnove neyronnykh setey dlya predskazaniya trafika na dorogakh [A traffic flow prediction model
based on neural networks for predicting traffic on the roads], Izvestiya YuFU. Tekhnicheskie nauki
[Izvestiya SFedU. Engineering Sciences], 2021, No. 6 (223), pp 124-132.
