Adaptív jelzőlámpa-irányítás Megerősítéses Tanulás és MCTS alkalmazásával
Napjainkban egyre több figyelmet kap a klímaváltozás kérdésköre. A globális felmelegedés egyik legjelentősebb kontribútora a közlekedési szektor, hiszen az tehető felelőssé az üvegházhatású gázok (ÜHG) kibocsátásának negyedéért. A társadalom erős függése a fosszilis tüzelőanyagoktól, és a mobilitási igények rohamos emelkedése miatt a közlekedésből származó globális ÜHG-kibocsátás csökkentése – a hosszú távú éghajlatváltozás mértékének vagy ütemének korlátozása érdekében – nagyobb kihívást jelent, mint más ágazatokban. Ezért minél inkább arra kell törekednünk, hogy a hagyományos közlekedésirányítási módszereket Intelligens Közlekedési Rendszerekkel váltsuk fel annak érdekében, hogy a globális felmelegedést mérsékelni tudjuk. A közlekedési hálózatok hatékonyság szempontjából egyik legkritikusabb pontjai a kereszteződések, illetve az ezekben működő jelzőberendezések, mivel a jelenleg legtöbb helyen használt fix ciklusidővel rendelkező lámpák nem tudnak alkalmazkodni a forgalom dinamikájához. Ebben nyújtanak megoldást különböző adaptív forgalomirányítási technológiák, többek között egyes gépi tanulási algoritmusok.
Ebben a dolgozatban Megerősítéses Tanulás, és MCTS alkalmazásával vizsgáljuk meg a kereszteződések jelzőlámpa-irányítási problémáját, amelyben egy új, általunk kifejlesztett rewarding koncepció kerül bemutatásra, majd összehasonlításra más rewardingokkal és a szimulátorként használt SUMO szoftver beépített algoritmusaival. Ezek felhasználásával elsődleges célunk emissziócsökkentés elérése a városi környezetekben. Eddigi eredményeink alapján kijelenthető, hogy az általunk használt rewarding formula segítségével tanított ágensek nem csak a hagyományos minőségjelzők (mint például utazási idő, várakozási idő), hanem az emissziós metrikák szempontjából is felülmúlják a szakirodalomban található rewarding koncepciókat, illetve a SUMO szoftver beépített algoritmusait.
szerző
-
Pelenczei Bálint
Járműmérnöki
alapképzés (BA/BSc)
konzulens
-
Kővári Bálint
PhD hallgató, Közlekedés- és Járműirányítási Tanszék