ГІБРИДНА ХМАРНА ІТЕЛЕКТУАЛЬНА ТРАСПОРТНА IOT-СИСТЕМА МОНІТОРИНГУ ДОРОЖНЬОГО ТРАФІКА ЖИТЛОВОГО МІКРОРАЙОНУ
DOI:
https://doi.org/10.17721/AIT.2024.1.10Ключові слова:
інтелектуальна транспортна система, хмарна платформа, оптимізація транспортної системи, проєктування архітектури IoT-системи.Анотація
В с т у п . Запропоновано нову архітектуру інтелектуальної транспортної системи (ІТС), що використовує технології інтернету речей (IoT) і хмарну платформу Azure. Наукова новизна полягає у розробленні архітектури, що поєднує граничні обчислення, хмарні сервіси й алгоритми машинного навчання для адаптивного керування дорожнім рухом на основі даних у реальному часі. Розроблена архітектура дозволяє ефективно обробляти інформацію про стан транспортних потоків, здійснювати їхнє моделювання й автоматично регулювати сигнали світлофорів із метою зниження заторів. Ефективність архітектури перевірено через серію експериментів, спрямованих на розпізнавання транспортних засобів, оптимізацію керування світлофорами та моніторинг транспортної ситуації в реальному часі. М е т о д и . Використано метод імітаційного комп’ютерного моделювання для керування інтелектуальною транспортною системою, метод навчання з підкріпленням для навчання інтелектуальної транспортної системи,метод комп’ютерного зору для розпізнавання транспортних засобів. Р е з у л ь т а т и . Запропонована архітектура ІТС базується на IoT-технологіях і дозволяє збирати й аналізувати дані про дорожній трафік у режимі реального часу. Розроблену систему протестовано на різних ділянках міського мікрорайону з різними рівнями транспортного навантаження. Експерименти показали, що система здатна адаптивно змінювати сигнали світлофорів на основі аналізу транспортної ситуації, що дозволяє значно покращити пропускну спроможність доріг і зменшити затори. Вис н о в к и . Результати проведених експериментів підтвердили ефективність запропонованої архітектури інтелектуальної транспортної системи. У подальших дослідженнях можливо вдосконалити систему завдяки впровадженню складніших алгоритмів штучного інтелекту для автоматизації прийняття рішень щодо керування світлофорами.Завантажити
Посилання
El-Tantawy, S., Abdulhai, B., & Abdelgawad, H. (2014). Design of reinforcement learning parameters for seamless application of adaptive traffic signal control. Journal of Intelligent Transportation Systems, 18(3), 227-245.
Hunt, P. B., Robertson, D. I., & Bretherton, R. D. (1981). SCOOT – A traffic responsive method of coordinating signals. TRL Laboratory Report, 1014. Katerna, O. (2019). Intelligent transport system: The problem of definition and the formation of the classification system. Economic Analysis, 29(2), 33-43.
Klyuev, S. O., Tsymbal, S. V., & Sihonin, A. E. (2023). Development of intelligent transport systems. Bulletin of Mechanical Engineering and Transport, 2(18),80-84. https://doi.org/10.31649/2413-4503-2023-18-2-80-86
Sbitnev, O. Yu. (2022). Research and development of cloud-based control systems for IoT networks (Master’s thesis). Odessa. Wiering, M., & van Otterlo, M. (2012). Reinforcement learning: State-of-the-art. Springer.
Gayratov, Z. K., Kilichov, J. R., & Toshpulatov, A. (2022). Basic definitions of twelve layer IoT architecture for smart city. In International Scientific and Technical Conference: Digital Technologies: Problems and Solutions of Practical Implementation in the Industry.
Danshyna, S. Yu., Nechausov, A. S., & Andrieiev, S. M. (2022). Information technology of transport infrastructure monitoring based on remote sensing data. Radio Electronics, Computer Science, Control, 4, 7–14. https://doi.org/10.15588/1607-3274-2022-4-7
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Сучасні інформаційні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
