Огляд сучасних методів автоматизованого керування трафіком на основі нечіткої логіки: перспективи та виклики
Владислав Гандрибіда, Дмитро Бондаренко, Володимир СевастьяновСтаття присвячена огляду сучасних методів автоматизованого керування транспортними потоками на основі нечіткої логіки, яка надає можливість обробляти неповну або нечітку інформацію, що є характерним для динамічних умов дорожнього руху. Метою цього дослідження була оцінка перспектив і викликів впровадження нечіткої логіки в управління транспортними системами для підвищення ефективності та безпеки дорожнього руху. У роботі акцентовано увагу на перспективах та викликах використання нечіткої логіки для керування світлофорами, інтеграції з інтелектуальними транспортними системами, а також на її поєднанні з технологіями штучного інтелекту та Інтернету речей. Нечітка логіка дозволяє адаптувати системи до змін у реальному часі, враховуючи такі фактори, як інтенсивність руху, погодні умови та поведінкові особливості водіїв. У статті наведено аналіз низки прикладів впровадження таких систем у різних країнах світу, зокрема в Японії, Німеччині та США, де нечіткі алгоритми демонструють ефективність у зниженні заторів, підвищенні безпеки на дорогах та оптимізації використання транспортної інфраструктури. Також окреслено основні виклики впровадження цих систем, серед яких складність побудови моделей нечіткої логіки, необхідність високої експертної підготовки для налаштування таких систем, а також технічні та фінансові бар’єри, що виникають під час модернізації транспортної інфраструктури. Окрім того, обговорено питання кібербезпеки та захисту даних, що стають актуальними в умовах використання великих обсягів інформації в інтелектуальних транспортних системах. Практична цінність цієї роботи полягає у визначенні ефективних рішень та можливостей їх адаптації для підвищення безпеки та пропускної здатності міських та міжміських транспортних систем
Використані джерела
[1] Araghi, S., Khosravi, A., & Creighton, D. (2015). A review on computational intelligence methods for controlling traffic signal timing. Expert Systems with Applications, 42, 1538-1550. doi: 10.1016/j.eswa.2014.09.003.
[2] Araghi, S., Khosravi, A., Creighton, D., & Nahavandi, S. (2017). Influence of meta-heuristic optimization on the performance of adaptive interval type-2 fuzzy traffic signal controllers. Expert Systems with Applications, 71, 493-503. doi. 10.1016/j.eswa.2016.10.066.
[3] Atlam, H.F., Walters, R.J., Wills, G.B., & Daniel, J. (2021). Fuzzy logic with expert judgment to implement an adaptive risk-based access control model for IoT. Mobile Networks and Applications, 26, 2545-2557. doi: 10.1007/s11036-01901214-w.
[4] Avrunin, O.H., Vladov, S.I., Petchenko, M.V., Semenets, V.V., Tatarinov, V.V., Telnova, H., Filatov, V.O., Shmelov, Yu.M., & Shalyapina, N.O. (2021). Intelligent automation systems. Kreminchuk: Novabook.
[5] Bordun, V.L. (2023). Justification of the use of an automated traffic control system at a controlled intersection in the city of Ternopil. (Master’s thesis, Ternopil National Technical University, Ternopil, Ukraine).
[6] De, S.K., & Mahata, G.C. (2023). Decision making in fuzzy reasoning to solve a backorder economic order quantity model. RAIRO Operations Research, 57, 993-1007. doi: 10.1051/ro/2023051.
[7] Koukol, M., & Marek, L. (2015). Fuzzy logic in traffic engineering: A review on signal control. In F. Wang (Ed.), Mathematical problems in engineering. Hoboken: Wiley. doi: 10.1155/2015/979160.
[8] Li, J., Bai, Y., & Zaman, N. (2013). A fuzzy modeling approach for risk-based access control in eHealth cloud. In Proceedings of the 12th IEEE international conference on trust, security and privacy in computing and communications (TrustCom 2013) (pp. 17-23). Melbourne: IEEE. doi: 10.1109/TrustCom.2013.66.
[9] Lin, S. (2022). Fuzzy machine learning methods. In Fuzzy-AI model and big data exploration (pp. 117-172). Berlin: Springer. doi: 10.1007/978-3-662-56339-7_6.
[10] Markina, L.M., Satsyk, V.O., & Smolyankin, O.O. (2021). Application of fuzzy logic in the automatic regulation system of mash concentration in alcohol production. Perspective Technologies and Devices, 19, 78-84.
[11] Nguyen, P.T., Passow, B N., & Yang, Y. (2016). Improving anytime behavior for traffic signal control optimization based on NSGA-II and local search. In Proceedings of international joint conference on neural networks (pp. 46114618). Vancouver: IEEE. doi: 10.1109/IJCNN.2016.7727804.
[12] Olenych, I., Sinkevych, O., Salamakha, O., & Prytula, M. (2021). Text tone determination using fuzzy logic. Applied Computer Systems, 26(2), 158-163. doi: 10.2478/acss-2021-0019.
[13] Pezeshki, Z., & Mazinani, S. M. (2019). Comparison of artificial neural networks, fuzzy logic, and neuro-fuzzy for predicting optimization of building thermal consumption: A survey. Artificial Intelligence Review, 52, 495-525. doi: 10.1007/s10462-018-9630-6.
[14] Sabar, N.R., Kieu, L.M., Chung, E., Tsubota, T., & de Almeida, P.E.M. (2017). A memetic algorithm for real world multi-intersection traffic signal optimization problems. Engineering Applications of Artificial Intelligence, 63, 45-53. doi: 10.1016/j.engappai.2017.04.021.
[15] Shaikh, R.A., Adi, K., & Logrippo, L. (2012). Dynamic risk-based decision methods for access control systems. Computers & Security, 31(4), 447-464. doi: 10.1016/j.cose.2012.02.006.
[16] Slavinsky, D.Y. (2023). Methodology for multi-criteria comparative analysis of routing algorithms in mobile sensor networks. (Master’s thesis, National Technical University of Ukraine “Kyiv Polytechnic Institute named after Ihory Sikorsky”, Kyiv, Ukraine).
[17] Wei, H., Zheng, G., Yao, H., & Li, Z. (2018). Intellilight: A reinforcement learning approach for intelligent traffic light control. In Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 2496-2505). New York: ACM. doi: 10.1145/3219819.3220096.
[18] Zadeh, L.A. (1988). Fuzzy logic. Computer, 21(4), 83-93. doi: 10.1109/2.53.
[19] Zhao, C., Chang, Y., & Zhang, P. (2018). Coordinated control model of main-signal and pre-signal for intersections with dynamic waiting lanes. Sustainability, 10(8), article number 2849. doi: 10.3390/su10082849.
[20] Zhou, Z., De Schutter, B., Lin, S., & Xi, Y. (2017). Two-level hierarchical model-based predictive control for large-scale urban traffic networks. IEEE Transactions on Control Systems Technology, 25, 496-508. doi. 10.1109/ TCST.2016.2572169.