ivdon3@bk.ru
Статья посвящена разработке автоматизированной системы, направленной на составление программы работ по обслуживанию покрытия автомобильных дорог. В основе системы лежат данные диагностики и оценки технического состояния автомобильных дорог, в частности данные оценки международного индекса ровности (international roughness index – IRI). Составление программы работ по обслуживанию покрытия автомобильных дорог осуществляется на основе анализа оценки IRI как в краткосрочной перспективе, так и на временной горизонт работы подрядчика по контракту. Система разработана по принципу модульного программирования, где один из модулей использует полиномиальную регрессию для прогнозирования оценки IRI на несколько лет вперед. Анализ отклонения прогнозируемого значения IRI от фактического – является основой для выбора работ, включаемых в программу. Финансовый модуль позволяет системе соблюдать бюджетные рамки, ограниченные контрактом, и дает возможность оценить эффективность планирования путем вычисления разницы между затратами на обслуживание покрытия автомобильных дорог и стоимостью контракта. Практические исследования демонстрируют, что система способна эффективно и оперативно осуществлять планирование работ по обслуживанию покрытия автомобильных дорог в соответствии с установленными сроками контракта.
Ключевые слова: дорожное покрытие, автоматизированная система, модульное программирование, машинное обучение, рекуррентная нейронная сеть, состояние автомобильной дороги, международный индекс ровности, диагностика дороги, планирование дорожной работы, программа дорожной
Одним из ключевых направлений развития интеллектуальных транспортных сетей (ИТС) является внедрение автоматизированных систем управления дорожным движением. В контексте этих систем особое внимание уделяется эффективному управлению светофорами, представляющими важный элемент автоматизированных систем управления дорожным движением. Статья посвящена разработке автоматизированной системы, направленной на составление оптимальной программы сигналов светофора на определенном участке дорожной сети. В качестве средства моделирования был выбран пакет моделирования трафика Simulation of Urban Mobility (SUMO), в качестве алгоритма оптимизации BFGS (Broyden-Fletcher-Goldfarb-Shanno), в качестве метода машинного обучения использовался градиентный бустинг. Результаты практических исследований показывают, что разработанная система способна быстро и эффективно оптимизировать параметры фаз и длительности светофорных циклов, что значительно улучшает управление трафиком на соответствующем участке дорожной сети.
Ключевые слова: интеллектуальная транспортная сеть, управление трафиком, машинное обучение, пробка, светофор, фаза светофорного цикла, дорожный поток, моделирование дорожной сети, python, моделирование городской мобильности