پیدا کردن مسیر کم ترافیک در سیستم های کمک راننده پیشرفته با استفاده از شبکه های عصبی مصنوعی

STUDENT

DEGREE

YEAR

With increasing cars production, the problem of traffic was started. Most countries face this problem and it considered a big challenge to them. Since they spend a significant amount of money to reduce or avoid traffic. Today, one of the goals of development policies for each country is access to safe and inexpensive traort system. It seems that by construction of streets, roads and highways, there’s a possibility to overcome this problem. But in fact, the problem cannot be completely eliminated. Specialists of this field found that it is so important to utilize of the new advanced technologies to improve the efficiency and performance of the roads networks. Intelligent traort systems (ITS) is one of the modern concepts to reduce and improve traffic. Intelligent traortation systems include information technologies, telecommunication, control, systems engineering and strategies, planning and coordination mechanisms. Therefore, these systems used for reducing travel time, reducing fuel consumption, increasing safety, improving quality of life, preserving the environment and reducing cost. Also car manufacturers used advanced driver assistance systems (ADAS) to detect traffic signals, pedestrian, air condition, and others. Our proposed work is the use of advanced driver assistance systems to avoid traffic. When the driver wants to go to a specified place, there is one or several path. The driver can choose the best path based on speed and security. In this work, in addition to speed and safety, the driver also considers street length and traffic. The proposed work used data that have get from a real map simulated by the program of traffic analysis (SUMO). Then, using these data (factors) to train the neural network. After training neural network, data from other map is used to test the trained neural network. Finally, by using mean square error (MSE) and correlation coefficient between target data and the output of neural network, the performance of the neural network is evaluated. In this work, two methods was proposed to assist driver to choose the best route, centralized and decentralized. In centralized method, traffic management department or the control unit is responsible for collecting data for each road, applied them to the neural network, and send predicted traffic to the driver when he want. In decentralized method, traffic management department or the control unit is responsible for collecting data for each road and give them to the driver. Advanced driver assistance systems are supported with neural network to give the predicted traffic to the driver when he want. In both methods, advanced driver assistance systems can give suggest to driver to choose the best path or road that has low traffic. Keywords: 1-Traffic Forecast 2- Artificial Neural Networks 3-Intelligent Traortation Systems (ITS) 4-Advanced Driver Assistance Systems (ADAS).

با افزایش تولید خودرو، مشکل ترافیک آغاز شد و در بسیاری از کشورها مسئله ترافیک به یکی از چالش‌های مهم تبدیل شده و مقدار قابل توجهی از سرمایه کشورها را به خود اختصاص داده است. امروزه دسترسی به حمل ونقل ایمن و ارزان به یکی از اهداف سیاست‌های توسعه‌ای کشورها تبدیل شده است. به منظور رسیدن به حمل و نقل آسان و کاهش معضل ترافیک، در ابتدا به نظر رسید که با ساخت خیابان، جاده و بزرگراه بتوان بر این مشکل غلبه نمود ولی مشخص شد با وجود این امکانات هم، هنوز نمی توان مشکلات را به طور کامل مرتفع کرد. متخصصان این حوزه دریافتند که امکانات جدید، دیگر جوابگوی نیازهای حمل ونقل نخواهد بود. از طرفی با پیشرفت تکنولوژی، شرایط مناسبی برای مدیریت هوشمندانه به وجود آمده است که با استفاده از آن می توان بهره وری شبکه را افزایش داد. بنابراین سیستم‌های حمل ونقل هوشمند (ITS) به مفهوم امروزی به وجود آمدند. این سیستم ها، دربردارنده کلیه فناوری‌های اطلاعات، مخابرات، کنترل، مهندسی سیستم و نیز استراتژی‌ها، تصمیم گیری‌های مدیریتی و سازوکارهای هماهنگ کننده‌ای هستند که در نتیجه به کارگیری آنها بهبود پارامترهای حمل ونقل و ترافیک نظیر کاهش زمان سفر، کاهش مصرف سوخت، افزایش ایمنی، بهبود کیفیت زندگی، حفظ محیط زیست و افزایش کارآیی فعالیت‌های اقتصادی حاصل می‌شود. همچنین شرکت های خودروسازی از سیستم‌های کمک راننده‌ پیشرفته (ADAS) برای تشخیص علایم راهنمایی، عابر پیاده، وضعیت هوا و غیره استفاده می‌کنند. در روش پیشنهادی، استفاده از سیستم‌های کمک راننده‌ پیشرفته برای اجتناب از ترافیک است. زمانی که یک راننده می خواهد از نقطه ای به نقطه دیگری در یک شهر رانندگی کند، چندین انتخاب برای پیمودن مسیر وجود دارد، که راننده بهترین مسیر را بر اساس طول خیابان و ترافیک انتخاب می نماید. ابتدا با استفاده از داده های بدست آمده از نرم افزار تحلیل ترافیک SUMO، به پیش بینی ترافیک پرداخته و عوامل از نرم افزار استخراج می‌شوند. سپس با استفاده از این عوامل و به کمک ساختار شبکه عصبی پیشنهادی، شبکه عصبی آموزش داده می شود. سپس با استفاده از دو شاخص عملکرد ضریب همبستگی بین خروجی شبکه عصبی و خروجی از قبل معلوم و میانگین مربع خطا، روش پیشنهادی مورد ارزیابی قرار می‌گیرد. در نهایت با استفاده از نقشه دیگری، شبکه آموزش داده شده را تحت آزمون قرار داده می شود. برای پیدا کردن مسیر کم ترافیک دو روش مرکزی و غیرمرکزی پیشنهاد می شود. در روش مرکزی اداره مدیریت ترافیک یا واحد کنترل، کار جمع آوری داده خیابان ها و اعمال آن به شبکه عصبی را برای به دست آوردن ترافیک پیش بینی شده، انجام می دهد. در صورت لزوم، ترافیک پیش بینی شده برای راننده ارسال می شود. در روش غیر مرکزی، اداره مدیریت ترافیک یا واحد کنترل فقط کار جمع آوری داده خیابان ها را انجام می دهد. سیستم های کمک راننده داخل خودرو به شبکه عصبی مجهز می شوند. در هر دو روش مذکور، راننده با استفاده از GPS، مختصات مقصد را مشخص می کند. سپس یک یا چند مسیر به راننده پیشنهاد می شود. هر مسیر شامل یک یا چند خیابان می باشد که به شبکه عصبی آموزش داده شده، ارسال می شود تا ترافیک پیش بینی شده هر خیابان دریافت شود. سپس حالت هر مسیر توسط نرم افزار موجود در سیستم های کمک راننده محاسبه می شود. این سیستم ها مسیر بهتر را به راننده پیشنهاد می دهند. کلمات کلیدی: 1-پیش بینی ترافیک 2-شبکه های عصبی مصنوعی 3- سیستم های حمل و نقل هوشمند 4- سیستم های کمک راننده پیشرفته.