عنوان پایان‌نامه
کنترل هوشمند جریان ترافیک با استفاده از روشهای یادگیری تقویتی پیوسته و برمبنای پیش بینی تقاضا
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2239;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58120
- تاریخ دفاع
- ۰۴ خرداد ۱۳۹۲
- دانشجو
- سهیل محمدعلیزاده شبستری
- استاد راهنما
- اشکان رحیمی کیان
- چکیده
- با افزایش روزافزون تقاضا برای حمل و نقل در مسیرهای درون شهری و برون شهری، ازدحام و ترافیک در بزرگراه‌ها یکی از پدیده‌هایی است که هر روزه با آن روبه‌رو هستیم و از آن رنج می‌بریم. از آنجایی که راه‌حل‌های بلند مدت مستلزم سرمایه‌گذاری و فرهنگ‌سازی گسترده است، استفاده از راه‌کارهای کوتاه مدت برای کاهش این مشکل، ضروری به نظر می‌رسد. روشهای گوناگونی تابه‌حال برای بهبود عملکرد بزرگراه‌ها ارائه شده است که در میان آنها کنترل ورودی بزرگراه به عنوان موثرترین و کم‌هزینه‌ترین راه‌کار به شمار می‌رود. در این پایان‌نامه بعد از مرور مقدمات سیستم‌های حمل‌ونقل، سعی بر طراحی کنترل‌کننده ترافیکی برای رمپ‌های ورودی بزرگراه بوده است. به دلیل وجود دینامیک و نایقینی بسیار در سیستم‌های ترافیکی، بدست آوردن یک کنترل‌کننده دقیق برای آنها چندان آسان نیست. بنابراین رویکردی که بتواند عمل کنترل را بدون احتیاج به دانستن پیچیدگی‌های مدل محیط انجام دهد، منطقی و کاربردی به نظر می‌رسد. توانایی نشان دادن عملکرد مناسب در شرایط مختلف، یکی از عوامل بسیار مهم در کاربردهای عملی می‌باشد. در این پایان‌نامه با نشان دادن ضعف یکی از پرکاربردترین مدل‌هایی که تاکنون برای شبکه‌های بزرگراهی ارائه شده است (METANET) راهکارهایی برای بهبود عملکرد این مدل بیان شده است. سپس با ارائه روشهای نوین در یادگیری تقویتی به منظور انتخاب قوانین فازی به صورت هوشمند، نیاز این نوع یادگیری به دانش خبره از مسئله را برطرف کرده‌ایم، و همچنین به بررسی تاثیر استفاده از پیش‌بینی تابع تقاضا و محدودیت سرعت متغیر بر روی عملکرد کنترل‌کننده پرداخته‌ایم. نتایج به‌دست آمده از شبیه‌سازی‌ها، نشانگر برتری مدل ارائه شده در این پژوهش و عملکرد مناسب روش یادگیری تقویتی پیوسته با انتخاب هوشمند قوانین فازی بوده است.
- Abstract
- Nowadays, the increasing demand for transportation in urban and highway roads has made the congestion in traffic networks. Many methods have been utilized to improve the performance of a highway traffic network. Among them, ramp metering has been known as the most effective, quickest and cheapest solution to relieve congestion. In this thesis after reviewing preliminary concepts of transportation engineering systems, the main aim is to design a controller for the ramp entrance of a sample highway. Due to complexity and effect of human on traffic systems, it is very difficult or even impossible to model this phenomenon exactly. Therefore trying to use model free methods for interacting with these kinds of systems, seems to be logical and practical. In this thesis, showing the weakness of one of the most widely used models that have been proposed so far for highway networks (METANET), we propose some strategies to improve the performance of this model. In addition, by developing a new continuous reinforcement learning method which can automatically partition state space by some fuzzy rules, the need to an expert knowledge to partition the state space is resolved. In order to do so, a new action selection method is proposed in this thesis, and based on this new action selection method we decide how to partition the state space. We also study the effect of using demand forecast and variable speed limits on performance of our controller to control and lower congestion. The results of the simulations show the superiority of the proposed model over METANET model. In addition, the results show the good performance of new continuous reinforcement learning method by intelligent selection of fuzzy rules.
