عنوان پایان‌نامه
مدلسازی جابجایی خودرو جهت شبیه سازی میکرو ترا فیک بر اساس سیستم چند عامله هوشمند
- رشته تحصیلی
- مهندسی عمران-سیستمهای اطلاعات جغرافیایی(GIS)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3267;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75470
- تاریخ دفاع
- ۱۷ خرداد ۱۳۹۵
- دانشجو
- محسن پورعرب مقدم
- استاد راهنما
- پرهام پهلوانی
- چکیده
- مدل سازی تعقیب خودرو یکی از مهمترین موضوعات در مبحث شبیه سازی ترافیک در سطح میکروسکوپیک به شمار می رود. در این تحقیق هر خودرو به عنوان یک عامل درنظر گرفته شده است. برای این منظور، مدل های جریان تعقیب خودرو، با بررسی رفتار راننده پیروی کننده از خودرو پیشرو در جریان ترافیکی، ایجاد می شوند. زمانی که خودروی پیشرو وجود دارد راننده با در نظر گرفتن سرعت خودروی پیشرو، اختلاف سرعت با خودروی موردنظر و فاصله طولی تا آن، تلاش به کنترل رفتار رانندگی خویش با استفاده از افزایش شتاب یا ترمز نمودن، می نماید. برای این منظور، در این تحقیق با لحاظ نمودن یک معیار اساسی به نام زمان عکس العمل راننده، به مدل سازی این فرآیند پرداخته شده است. با توجه به بررسی های انجام گرفته، تاکنون طراحی و پیاده سازی محدودی مبنی بر بکارگیری سیستم اطلاعات مکانی زمانمند با مدل سازی چند عاملی به منظور شبیه سازی ترافیکی میکروسکوپیک گزارش شده است، به همین منظور این تحقیق در راستای نیل به این هدف گام برداشته است. با طراحی و پیاده سازی انجام شده کاربر قادر به تنظیم پارامترهای تاثیرگذار در شبیه سازی می باشد که اجرای این امر را برای هر واحد راننده خودرو ضمانت می نماید. در این تحقیق به منظور مدل سازی تعقیب خودرو از روشهای بسیار کارآمد در زمینه رگرسیون همچون رگرسیون بردارهای پشتیبان ،شبکه های عصبی مصنوعی پیش خورانده و مدل رگرسیون اسپیلاین تطبیقی چندگانه استفاده شده است. همچنین با استفاده از تلفیق سیستم استنتاج نوروفازی انطباق‌پذیر و درخت طبقه بندی و رگرسیون اقدام به مدل سازی در فضای فازی گردیده است. با توجه به وجود پارامترهای بسیار زیاد در مدل های سنتی که تا به حال ارائه شده است و پیچیدگی عملیات کالیبراسیون این پارامترها، در این تحقیق از روشهای یاد شده به گونه ای بهره برده شده است که نه تنها مدل سازی انجام شده دقت بالاتری دارد بلکه عملیات کالیبراسیون پارامتر ها نیز حذف شده است. در این راستا، با لحاظ نمودن دو معیار اصلی فیزیکی و روانی راننده، مجموعه داده‌های آموزشی جهت آموزش مدل مربوط به پروژه شبیه سازی نسل آینده که با هدف توسعه الگوریتم های رفتاری در شبیه سازی میکروسکوپیک برداشت شده است می باشد. بر اساس نتایج بدست آمده از پیاده‌سازی‌ها و ارزیابی‌های انجام شده، این مدل ها در ابزار های کمکی راننده، حفظ فاصله ایمن ، هدایت خودروهای بدون سرنشین و دیگر کاربردهای سیستم های هوشمند حمل و نقل نیز می تواند استفاده شود. نتایج حاصل از این تحقیق می تواند به عنوان مبنایی برای سایر تحقیقات در زمینه مدل سازی تعقیب خودرو با درنظر گرفتن سیستم اطلاعات مکانی زمانمند و مدل سازی عامل مبنا برای شبیه سازی ترافیکی میکروسکوپیک در حوزه بزرگراهی در نظر گرفته شود.
- Abstract
- Car following modeling is one of the most important issues in microscopic traffic simulation. In this study, each vehicle has been considered as an agent. For this purpose, car following models are created by investigating a driver behavior which follows a leader vehicle in a traffic flow. When the leading vehicle exists, the following driver try controlling his driving behavior by using acceleration or braking by considering the lead’s vehicle velocity, the relative velocity and the spacing. One of the essential aspect in identifying a driver’s behavior is the reaction time which shows the period between the time the driver recognizes a stimulus and the time needed a suitable response is shown to that stimulus. According to studies done, limited implementations based on the multi-agent spatial temporal modeling have been reported. For this reason, by designing and implementing a different method in this research, the user can set the effective parameters in simulation. In this regard, car-following models were proposed using the Support Vector Regression method, multi adaptive regression spline (MARS) method, and back propagation neural network in a way their output is the acceleration of the following car. Moreover, a car-following model was modeled and developed by combining an Adaptive Neuro-Fuzzy Inference System (ANFIS) and a Classification and Regression Tree (CART) to simulate and predict future behavior of each driver-vehicle-unit (DVU) based on real field data. Several car-following models have been proposed. An obvious disadvantage of the former models is the great number of parameters which are difficult to calibrate. Moreover, any change in these parameters creates considerable disturbances. Hence, by considering physical and mental criteria, suitable dataset was used for model learning. In this regard, the actual data on car following from the NGSIM project was used to determine the performance of the proposed model. This dataset was used for the purpose of expanding behavioral algorithm in micro simulation. Finally, it was found that the ANFIS-CART model reached a good validity on the basis of proximity to real situations of car-following. Meanwhile, it is a reliable model to show the car-following flow in the micro traffic simulation. The proposed model can be used to assist the driver, maintain a safe distance, drive unmanned vehicles, and other Intelligent Transportation Systems (ITS) applications. Keywords: Car-following models; Support vector Regression; Traffic engineering; Intelligent Transportation System (ITS); Artificial Neural Network; Multi agent regression spline; Adaptive Neuro fuzzy inference system; Classification and regression tree; Reaction Time; Microscopic Simulation.
