Συντάχθηκε 20-12-2021 08:52
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 22/12/2021 11:00
Λήξη: 22/12/2021 12:00
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Βλάχου Αλεξίου
με θέμα
Χρήση Προσαρμοστικού Αλγορίθμου για τον Έλεγχο Κυκλοφορίας σε Αστικά Δίκτυα Μεγάλης Κλίμακας
Use of Adaptive Algorithm for Traffic Control in Large-Scale Urban Networks
Εξεταστική Επιτροπή
Μιχαήλ Γ. Λαγουδάκης, Αναπληρωτής Καθηγητής (Επιβλέπων)
Μιχαήλ Ζερβάκης, Καθηγητής
Ιωάννης Παπαμιχαήλ, Καθηγητής (Σχολή Μ.Π.Δ.)
Περίληψη
Τα προηγούμενα χρόνια αναπτύχθηκε και μελετήθηκε ένας νέος αλγόριθμος με σκοπό να επιτευχθεί η αυτόματη ρύθμιση και παραμετροποίηση συστημάτων ελέγχου. Μία από τις εφαρμογές που διερευνήθηκαν ήταν και τα συστήματα ελέγχου κυκλοφορίας σε αστικά δίκτυα. Ο αλγόριθμος Adaptive Fine-Tuning (AFT) βρέθηκε ότι πετυχαίνει σημαντική βελτίωση των επιδόσεων των συστημάτων ελέγχου κυκλοφορίας σταθερού χρόνου, αλλά και βοηθά στην αντιστάθμιση των συνεπειών από τις συνεχείς αλλαγές που επιδρούν σε ένα σύστημα ελέγχου κυκλοφορίας από εξωτερικούς ή εσωτερικούς παράγοντες (αλλαγές συνηθειών των οδηγών, κοινωνικοοικονομικές αλλαγές, εποχικότητα).
Ένα μεγάλο αστικό δίκτυο συνεπάγεται και αυξημένο αριθμό παραμέτρων προς βελτιστοποίηση, γεγονός που όπως παρατηρήθηκε μειώνει ή ακόμη και μηδενίζει την αποτελεσματικότητα του AFT, μιας και θα χρειαζόταν πολύ περισσότερος χρόνος για να επιτευχθεί σύγκλιση των παραμέτρων σε κάποιο τοπικό ελάχιστο. Στην παρούσα διπλωματική εργασία γίνεται προσπάθεια να διερευνηθεί η αποτελεσματικότητα του AFT σε δίκτυα μεγάλης κλίμακας και να βρεθούν τρόποι διαχωρισμού του δικτύου σε μικρότερα ανεξάρτητα μεταξύ τους υποδίκτυα. Στόχος είναι να βρεθεί τρόπος, ώστε η επιμέρους βελτιστοποίηση των υποδικτύων να οδηγεί ταυτόχρονα σε βελτίωση του συνολικού δικτύου.
Η εφαρμογή της τεχνολογίας αυτής απαιτεί τη συλλογή δεδομένων από το δίκτυο στο οποίο θα εφαρμοστεί. Η συλλογή των δεδομένων για τη λειτουργία του AFT μπορεί να επιτευχθεί είτε μέσω εγκατάστασης αισθητήρων (π.χ. φωρατές ή κάμερες) είτε μέσω σημάτων που λαμβάνονται από συστήματα γεωγραφικού εντοπισμού (GPS) κινητών τηλεφώνων, τα οποία θα δίνουν τα απαραίτητα στοιχεία των συνδεδεμένων οχημάτων (connected vehicles). Με τη δεύτερη επιλογή πετυχαίνουμε σημαντική μείωση του κόστους και αυξημένη ακρίβεια σε σχέση με τις συμβατικές μεθόδους συλλογής δεδομένων.
Abstract
In recent years, a new algorithm was developed and studied in order to achieve the automatic configuration and configuration of control systems. One of the applications investigated was traffic control systems in urban networks. The Adaptive Fine-Tuning (AFT) algorithm has been found to significantly improve the performance of fixed-time traffic control systems, but also helps to offset the effects of continuous changes affecting a traffic control system by external or internal factors (drivers’ habit changes, socio-economic changes, seasonality).
A large urban network also implies an increased number of parameters to be optimized, which has been observed to reduce or even nullify the effectiveness of AFT, as it would take much longer to achieve convergence of parameters to a local minimum. This diploma thesis attempts to investigate the effectiveness of AFT on large-scale networks and to find ways to separate the network into smaller, independent sub-networks. The aim is to find a way for the partial optimization of the subnets to simultaneously lead to the improvement of the overall network.
The application of this technology requires the collection of data from the network to which it will be applied. The collection of data for the operation of AFT can be achieved either through the installation of sensors (e.g., monitors or cameras), or through signals received from geographical positioning systems (GPS) of mobile phones, which provide the necessary data of the connected vehicles. With the second option we achieve a significant reduction in costs and increased accuracy compared to conventional data collection methods.
Meeting ID: 95190428857
Password: 618537
