АВТОМАТИЗОВАНА СИСТЕМА ПРОГНОЗУВАННЯ ДОРОЖНЬОГО РУХУ У РЕЖИМІ РЕАЛЬНОГО ЧАСУ

Автор(и)

  • Мохамед Дахмані Київський національний університет будівництва і архітектури

DOI:

https://doi.org/10.33042/2522-1809-2022-4-171-76-81

Ключові слова:

автоматичне регулювання автотрафіку, регульоване перехрестя, сенсорна мережа, Інтернет речей, геолокація, ідентифікація, самоорганізація кластерів

Анотація

На основі проведеного аналізу темпів росту загальної транспортних засобів показана необхідність впровадження систем прогнозування та контролю дорожнього руху у режимі реального часу. Запропоновано побудувати сенсорну мережу на основі магнітних датчиків, що дозволяє з високою точністю провести його геолокацію з уточненням отриманих даних шляхом застосування ультразвукових датчиків та засобів оптичного моніторингу.

Біографія автора

Мохамед Дахмані, Київський національний університет будівництва і архітектури

аспірант кафедри міського господарства факультету урбаністики та просторового планування

Посилання

Ma, J., Song, L., & Li, Y. (2017). Cost efficiency for Economical Mobile Data Traffic Management from users’ perspective. IEEE Transactions on Wireless Communications, 16 (1), 362–375. https://doi.org/10.1109/twc.2016.2623615.

Lamghari Elidrissi, H., Nait-Sidi-Moh, A., & Tajer, A. (2020). Knapsack problem-based control approach for Traffic Signal Management at urban intersections: Increasing smooth traffic flows and reducing environmental impact. Ecological Complexity, 44, 100878. https://doi.org/10.1016/j.ecocom.2020.100878.

Andreeva-Mori A., & Onji M. (2022) Impact of departure time prediction errors on optimal traffic flow management. ATC/ATM Simulation and Analysis, AIAA 2022-3834 https://doi.org/10.2514/6.2022-3834.vid.

Liu, H. (2020). Prediction model of traffic flow driven based on single data in Smart Traffic Systems. Smart Cities: Big Data Prediction Methods and Applications, 159–194. https://doi.org/10.1007/978-981-15-2837-8_6.

Olayode, I. O., Tartibu, L. K., Okwu, M. O., & Severino, A. (2021). Comparative traffic flow prediction of a heuristic Ann Model and a hybrid ANN PSO model in the traffic flow modeling of vehicles at a four-way signalized road intersection. Sustainability, 13 (19), 10704. https://doi.org/10.3390/su131910704.

Zitouni, R., Petit, J., Djoudi, A., & George, L. (2019). IOT-based urban traffic-light control: Modelling, Prototyping and evaluation of MQTT protocol. 2019 International Conference on Internet of Things (IThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData). https://doi.org/10.1109/ithings/greencom/cpscom/ smartdata.2019.00051.

Petit, J., Zitouni, R., & George, L. (2018). Prototyping of urban traffic-light control in IOT. 2018 IEEE International Smart Cities Conference (ISC2). https://doi.org/10.1109/isc2. 2018.8656717.

Dhar, P., & Gupta, P. (2016). Intelligent Parking Cloud Services based on IOT using MQTT protocol. 2016 International Conference on Automatic Control and Dynamic Optimization Techniques (ICACDOT). https://doi.org/10.1109/icacdot.2016.7877546.

Rani, P. (2018). Improved traffic prediction by applying KNN and euclidean distance Arima (KE-Arima) approach. International Journal of Computer Applications, 182(3), 23–29. https://doi.org/10.5120/ijca2018917488.

Karlaftis, M. G., & Vlahogianni, E. I. (2011). Statistical methods versus neural networks in transportation research: Differences, similarities and some insights. Transportation Research Part C: Emerging Technologies, 19(3), 387–399. https://doi.org/10.1016/j.trc.2010.10.004.

Song, H., & Min, O. (2018). Statistical Traffic Generation Methods for urban traffic simulation. 2018 20th International Conference on Advanced Communication Technology (ICACT). https://doi.org/10.23919/icact.2018.8323712.

Westgate, B. S., Woodard, D. B., Matteson, D. S., & Henderson, S. G. (2013). Travel time estimation for ambulances using Bayesian Data Augmentation. The Annals of Applied Statistics, 7(2). https://doi.org/10.1214/13-aoas626.

Yan, H., & Yu, D.-J. (2017). Short-term traffic condition prediction of urban road network based on improved SVM. 2017 International Smart Cities Conference (ISC2). https://doi.org/10.1109/isc2.2017.8090856.

Ranjan, N., Bhandari, S., Zhao, H. P., Kim, H., & Khan, P. (2020). City-wide traffic congestion prediction based on CNN, LSTM and transpose CNN. IEEE Access, 8, 81606–81620. https://doi.org/10.1109/access.2020.2991462.

Narmadha, S., & Vijayakumar, V. (2021). Spatio-temporal vehicle traffic flow prediction using multivariate CNN and LSTM model. Materials Today: Proceedings. https://doi.org/10.1016/j.matpr.2021.04.249.

Zhao, Z., Li, Z., Li, F., & Liu, Y. (2021). CNN-LSTM based traffic prediction using spatial-temporal features. Journal of Physics: Conference Series, 2037 (1), 012065. https://doi.org/10.1088/1742-6596/2037/1/012065.

Iwasaki, Y., Takehara, H., Miyata, T., Kuramoto, T., Kitajima, T., & Setoguchi, M. (2018). Automatic measurement of road traffic volumes and vehicle trajectories using an object detection algorithm Yolo. Proceedings of The 6th Virtual Multidisciplinary Conference. https://doi.org/10.18638/quaesti.2018.6. 1.387.

Asmara, R. A., Syahputro, B., Supriyanto, D., & Handayani, A. N. (2020). Prediction of traffic density using YOLO object detection and implemented in Raspberry pi 3b + and Intel NCS 2. 2020 4th International Conference on Vocational Education and Training (ICOVET). https://doi.org/10.1109/ icovet50258.2020.9230145.

Zhu, J., Li, X., Jin, P., Xu, Q., Sun, Z., & Song, X. (2020). Mme-Yolo: Multi-sensor multi-level enhanced YOLO for robust vehicle detection in traffic surveillance. Sensors, 21(1), 27. https://doi.org/10.3390/s21010027.

Wan, F., & Li, M. (2020). RFID based Intelligent Traffic Information Acquisition System. International Journal of RF Technologies, 11(1), 45–58. https://doi.org/10.3233/rft-190191.

Triantafyllou, A., Sarigiannidis, P., & Lagkas, T. D. (2018). Network protocols, schemes, and mechanisms for internet of things (IOT): Features, open challenges, and Trends. Wireless Communications and Mobile Computing, 2018, 1–24. https://doi.org/10.1155/2018/5349894.

Farman, H., Javed, H., Ahmad, J., Jan, B., & Zeeshan, M. (2016). Grid-based hybrid network deployment approach for Energy Efficient Wireless Sensor Networks. Journal of Sensors, 2016, 1–14. https://doi.org/10.1155/2016/2326917.

Обкладинка том 4 № 171 (2022)

##submission.downloads##

Опубліковано

2022-10-17

Як цитувати

Дахмані, М. (2022). АВТОМАТИЗОВАНА СИСТЕМА ПРОГНОЗУВАННЯ ДОРОЖНЬОГО РУХУ У РЕЖИМІ РЕАЛЬНОГО ЧАСУ. Комунальне господарство міст, 4(171), 76–81. https://doi.org/10.33042/2522-1809-2022-4-171-76-81

Номер

Том 4 № 171 (2022): Серія: Технічні науки та архітектура

Розділ

статьи

Ліцензія

Автори, які публікуються у цьому збірнику, погоджуються з наступними умовами:

  • Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії CC BY-NC-ND 4.0 (із Зазначенням Авторства – Некомерційна – Без Похідних 4.0 Міжнародна), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  • Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  • Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).