Содержание к диссертации
Введение
Глава 1. Анализ предметной области 9
1.1 Анализ ситуации на перекрестках и методов распределения потоков транспорта
1.2 Анализ классических подходов к распределению потоков транспорта
1.2.1 Метод распределения потоков транспорта на основе транспортной задачи
1.2.2 Метод распределения потоков транспорта на основе дифференциальных уравнений
1.2.3 Методы систем массового обслуживания 16
1.3 Анализ подходов к распределению потоков транспорта на основе 19
искусственного интеллекта
1.3.1 Подход с применением алгоритмов нечеткой логики 19
1.3.2 Подход с применением нейронных сетей 22
1.4 Цели и задачи исследования 24
1.5 Выводы 25
Глава 2. Разработка подхода к построению информационной системы для моделирования потоков транспорта на перекрестке
2.1 Разработка требований к системе 27
2.2 Разработка структуры системы 31
2.3 Выбор и обоснование вычислительной сети для распределяемой информационной системы
2.4 Выводы 44
Глава 3. Моделирование распределения потоков транспорта на основе структурного и объектно-ориентированного анализа
3.1 Выбор методологии моделирования 46
3.2 Построение моделей информационной системы с помощью структурного анализа
3.3 Построение моделей для моделирующего стенда распределения потоков транспорта с помощью объектно-ориентированного анализа
3.4 Выводы 55
Глава 4. Разработка нейросетевых моделей 57
4.1 Анализ возможностей нейросетевых моделей и методов обучения 57
4.2 Анализ выбранных для исследования нейронных сетей и методов их реализации
4.2.1 Многослойный персептрон и метод обратного распространения ошибки
4.2.2 Алгоритмы обучения Хебба и Кохонена 68
4.3 Разработка правил выбора 72
4.4 Выводы
Глава 5. Анализ эффективности предлагаемого подхода 76
5.1 Методика исследования эффективности 76
5.2 Разработка программного обеспечения для моделирующего стенда 79
5.2.1 Разработка структуры моделирующего стенда 79
5.2.2 Метрическая оценка качества 86
5.2.3 Тестирование программного продукта 91
5.3 Анализ результатов экспериментальных исследований 94
5.4 Выводы 99
Заключение 101 Список литературы 103
Приложение
- Метод распределения потоков транспорта на основе транспортной задачи
- Выбор и обоснование вычислительной сети для распределяемой информационной системы
- Построение моделей информационной системы с помощью структурного анализа
- Многослойный персептрон и метод обратного распространения ошибки
Введение к работе
Актуальность темы исследования. Увеличение количества автомобильного транспорта вызывает значительные потери времени в автомобильных пробках. В настоящее время для управления потоками транспорта на перекрестках используются: автоматические светофоры с фиксированными интервалами сигналов, работающие в нескольких режимах (нормальный режим, пиковый, дежурный) или используется человек-регулировщик. Данные методы при их простоте не всегда справляются с управлением на перекрестках сложной конфигурации и в условиях широкого диапазона изменения интенсивности движения транспорта. В связи с этим выглядит актуальным разработка и применение новых методов для управления потоками транспорта.
При постановке вопроса о распределении потоков транспорта можно выделить теоретические подходы к решению, например, методы динамического программирования, в частности «транспортная задача», использование нелинейных уравнений, использование систем массового обслуживания. Однако все эти методы являются трудоемкими для случая сети взаимосвязанных перекрестков и высокой неопределенности интенсивности движения транспорта.
В настоящее время накоплен большой опыт применения интеллектуальных методов для различных прикладных проблем как у нас в стране (Васильев В.И., Галушкин А.И., Горбань А.И., Ильясов Б.Г., Куликов Г.Г., Миронов В.В., Поспелов Д.А., Юсупова Н.И. и др.), так и за рубежом (Гоп! А. Zadeh, Anil К. Jain, Narendra К.Р. и др.). Выглядит перспективным применение таких методов к задаче распределения потоков транспорта.
В данной работе используется подход к распределению потоков транс
порта для произвольного перекрестка и различных условий дорожного дви
жения С Применением НеЙрОННЫХ Сетей. і *'ul" НАЦИОНАЛЬНАЯ і
СПетер» 09 W
Цель н задачи исследования. Целью работы является исследование и разработка инструментальных средств моделирования процесса управления потоком транспорта на перекрестках сложной конфигурации на основе нейронных сетей.
Для достижения поставленной цели в работе сформулированы и решены следующие задачи:
Разработка подхода к моделированию процессов распределения потоков транспорта для сети взаимосвязанных перекрестков на основе нейронной сети;
Разработка моделей для.информационной системы распределения потоков транспорта для произвольного перекрестка и моделирующего стенда с использованием структурного и объектно-ориентированного анализа;
Разработка алгоритмов распределения потоков транспорта на основе нейросетевого подхода для сети взаимосвязанных перекрестков;
Разработка программного обеспечения для реализации предложенных методов и алгоритмов, методики исследования работоспособности и эффективности разработанных методов, алгоритмов и программного обеспечения.
Методика исследования. В работе применяются методы системного анализа, системного моделирования, CASE-технологии, нейросетевые методы, методы компьютерного моделирования и анализа данных.
На защиту выносятся
1. Подход к моделированию процессов распределения потоков транс
порта для сети взаимосвязанных перекрестков на основе нейронной сети;
2. Модели для информационной системы и моделирующего стенда рас
пределения потоков транспорта для произвольного перекрестка с использо
ванием CASE-технологий;
3. Алгоритмы распределения потоков транспорта для сети взаимосвя
занных перекрестков для различных типов нейронных сетей и алгоритмов
обучения;
4. Результаты исследования эффективности предложенных методов
распределения потоков транспорта на основе разработанных инструменталь
ных средств.
Научная новизна
Предложен новый подход к распределению потоков транспорта на основе нейронной сети, позволяющий повысить пропускную способность перекрестков;
Впервые для решения поставленной задачи разработаны модели информационной системы распределения потоков транспорта на основе нейронной сети, применение которой позволяет координировать работу каждого перекрестка в составе взаимосвязанной сети перекрестков;
Впервые разработаны модели для реализации моделирующего стенда с целью исследования методики распределения потоков транспорта для произвольного перекрестка на основе нейронной сети;
Впервые для решения поставленной задачи использованы алгоритмы обучения Кохонена и Хебба и нейронная сеть Кохонена, что позволило сократить время обучения нейронной сети.
Практическая значимость
В результате выполнения диссертационной работы автором получены следующие результаты:
Разработаны инструментальные средства, позволяющие реализовать методику распределения потоков транспорта на перекрестках произвольной конфигурации;
Разработано программное обеспечение, реализующее методику распределения потоков транспорта в условиях перекрестка произвольной конфигурации на основе нейронной сети «многослойного персептрона» и алго-
ритма обучения «обратного распространения ошибки», нейронной сети Кохонена и алгоритмов обучения Кохонена и Хэбба. Разработаное программное обеспечение зарегистрировано в Реестре программ для ЭВМ (свидетельство о регистрации №2002611009 от 20.06.2002г);
3. Проведены модельные эксперименты, которые показали, что применение нейронных сетей к распределению потоков транспорта на перекрестках является более эффективным по сравнению с традиционным методом и позволяет уменьшить количество транспорта перед светофором на 10-15%.
Работа велась в рамках научной работы по хоздоговорной научно-исследовательской теме "Исследование проблем развития, управления, контроля и моделирования в сложных системах" № ИФ-ТК-14-03-03/6. Работа частично поддержана грантом РФФИ 03-07-90242."Интернет-комплекс поддержки выполнения проектов фундаментальных исследований сложных систем с применением интеллектуальных технологий на базе экспертных систем" (2003 - 2005 гг.) и федеральной целевой программой "Интеграция науки и высшего образования Российской Федерации на 2002 - 2006 годы", проект П0039 "Фундаментальные исследования и новые, технологии проектирования сложных технических систем1*.
Результаты внедрены в учебный процесс УГАТУ по изучению нейронных сетей и используются в материалах лекций, практических и лабораторных работ дисциплин «Нейрокомпьютерные системы», «Системы искусственного интеллекта», «Теоретические основы информационных процессов» для студентов специальностей 351500 «Математическое обеспечение и администрирование информационных систем», 220400 «Программное обеспечение вычислительной техники и автоматизированных систем», а также магистрантов направления 552800 «Информатика и вычислительная техника», обучающихся по программе 552819 «Компьютерный анализ и интерпретация данных».
Результаты внедрены в учебный процесс БАГСУ и используются в материалах лекций и лабораторных работ дисциплин «Разработка управленческих решений», «Информационные технологии в управлении», «Основы системного анализа» по специальностям 061000 «Государственное и муниципальной управление», 061100 «Менеджмент организации».
Апробация работы. Основные положения, представленные в диссертационной работе, докладывались и обсуждались на различных конференциях, в частности на VIII Всероссийской конференции с международным участием «Нейрокомпьютеры и их применение» (Москва, 2002), на 10-ом Всероссийском студенческом семинаре «Проблемы управления» (Москва, 2002), на юбилейной студенческой научно-теоретической конференции (Уфа, 2002), на международных конференциях «Computer Science and Information Technologies» (CSIT) (Патрас, Греция, 2002; Уфа, 2003).
Результаты работы отражены в 6 публикациях, 3 приняты к публикации в различных изданиях.
Структура и объем диссертации. Диссертация состоит из 113 страниц машинописного текста, в том числе введения, 5 глав, заключения, литературы и приложений.
Метод распределения потоков транспорта на основе транспортной задачи
Например, если в обычном режиме длительность зеленого или красного сигнала светофора составляет приблизительно 60 сек, то в пиковом режиме приблизительно - 15 сек. Преимуществами данного подхода являются простота реализации и независимость от конфигурации дорожной сети. Автоматические светофоры могут быть поставлены на любом перекрестке. К недостаткам можно отнести жестко заданный режим работы. При изменении интенсивности движения потока транспорта светофоры: продолжают работать в заданном режиме, даже если это становится неэффективно.
Кроме того, для настройки светофоров при данном подходе к распределению потоков транспорта необходимо собрать достаточно полную информацию о движении транспорта в различные часы, согласовать движение потоков транспорта через ряд перекрестков, и т.д.
Вывод: Рассмотрены существующие подходы к распределению транспорта на перекрестках. Установлено, что при их использовании при резком увеличении потока транспорта возникают трудности, что приводит к поиску и разработке принципиально новых подходов к распределению потоков транспорта.
Рассматриваются подходы к распределению потоков транспорта на основе транспортной задачи и дифференциальных уравнений. При постановке вопроса об улучшении распределения потоков транспорта можно выделить два возможных подхода к решению: оптимизация перемещения из одного пункта в другой и сокращение времени ожидания перед каждым перекрестком.
Первый подход наиболее близко соответствует методам динамического программирования, в частности, классу задач, объединяемых под названием «транспортная задача». Этот подход не рассматривает каждую машину в отдельности, анализируя только перемещение и его стоимость в виде некоторой целевой функции.
Другой подход описывает движение транспорта через перекресток со светофором в виде нелинейных уравнений, что позволяет учесть многие факторы, например, время разгона автомашин после стояния перед светофором, время реакции водителей и т.д.
Для оптимизации перемещения из одного пункта в другой наиболее. очевидным представляется применение методов динамического программирования на основе широко известной транспортной задачи [8].
Для управления потоком транспорта данная задача должна иметь следующий вид: Входные данные: - количество машин, находящихся в каждом пункте; - количество машин, прибывающий в каждый пункт; - пропускная способность каждый дороги между каждым пунктом (0, если дороги между пунктами нет).
Выходные данные: количество машин, двигающихся по каждой дороге. Достоинствами данного подхода являются простота вычислений. К недостаткам можно отнести быстрое возрастание объема вычислений при увеличении количества пунктов отправления и пунктов назначения. Кроме того, этот подход ориентирован в первую очередь на решение задач планирования перевозок и малоприменим в случае высокой неопределенности исходных данных. В случае распределения потоков транспорта неопределенность информации о будущем потоке машин является весьма высокой.
Данный подход не учитывает следующие особенности: - наличие дорог к перекресткам, не вошедшим в исходные данные; - заранее неопределенное направление движения транспорта; - постановка транспортной задачи предполагает, что заранее известно, сколько машин и куда двигаются (в общем случае для произвольного перекрестка эта информация недоступна); - возможность существования большого количества перекрестков в составе дорожной сети.
Таким образом, видны основные ограничения методов динамического программирования, делающие их малоприменимыми для решения задачи распределения потоков транспорта в условиях сложной конфигурации дорожной сети и различной интенсивности движения транспорта.
Метод распределения потоков транспорта на основе дифференциальных уравнений Для описания движения потока транспорта через перекресток можно использовать дифференциальные уравнения: При этом поток транспорта рассматривается как некоторый непрерывный поток, при движении которого через перекресток со светофором возникают локальные уплотнения, связанные с включением красного сигнала светофора. Данных подход позволяет описать процесс движения потока транспорта через перекресток во времени путем применения нелинейных дифференциальных уравнений [55].
Выбор и обоснование вычислительной сети для распределяемой информационной системы
Рассматривается постановка задачи распределения потоков транспорта для перекрестка произвольной конфигурации. Предлагается подход к описанию перекрестка произвольной конфигурации, что позволяет сформулировать задачу управленияшрименительно к любому перекрестку и обобщить ее для реализации системы распределения потоков транспорта. Предлагаются подходы к распределению потоков транспорта в условиях сложной конфигурации перекрестка.
В общем случае любой перекресток можно представить в виде набора входов и выходов. Пример перекрестка приведен на рисунке 2.1 (см. Рис. 2.1) [63]. Каждый вход и выход имеет некоторую емкость - максимальное число машин, которое может пройти через этот вход или выход. Обозначим входные дуги как /, а выходные - как О. Очевидно, что по выходным дугам должно пройти такое же число машин, что и по входным. Тогда для данного перекрестка можно записать следующее условие:
В отличие от традиционного подхода предлагается изменять соотношение длительности сигналов светофора на различных направлениях. При этом на том направлении, где поток транспорта больше, длительность зеленого сигнала увеличивается, и наоборот, при уменьшении потока -сокращается длительность зеленого сигнала, а увеличивается длительность красного сигнала [65].
Система распределения потоков транспорта представлена в общем виде на рисунке 2.3 (см. Рис.2.3), на вход которого поступают сведения о наличии подходящих машин (об их количестве) к каждому перекрестку (в общем Случае Xk+i . . . Xj — ВХОДНОЙ ПОТОК И X+i . . . хп — выходной поток который является входным для другого перекрестка в нашем случае Xg... Xj0 (см. Рис.2.4), а для другого перекрестка Хц . . . х]3 будет входным). зо Конфигурация перекрестков (хі т.е. в нашем случае задан Т - образный) и улиц (в общем случае х2 . . . Хк а в нашем случае х2 . . . х7 это пропускная способность каждой улицы), их соединяющих, заданы. В общем, виде переставляется так х= Xi х2 ... Xk xk+i... xi xi+i ... xn I.
В случае если выход перекрестка разветвляется, то предполагается, что каждая подходящая к нему машина с одинаковой вероятностью пойдет по каждому из разветвлений. Управляющему устройству нужно решить какой сигнал светофора и какой длительности (Y) должен быть на каждом из перекрестков.
Вывод: Рассмотрен подход к описанию перекрестка произвольной конфигурации для построения системы распределения потоков транспорта. Рассмотрен процесс формализации описания конфигурации перекрестка. Предложена модель распределения потоков транспорта с учетом возможности изменения длительности сигналов светофора.
Предложенный подход к формализации описания конфигурации перекрестка произвольной конфигурации позволяет реализовать алгоритмы: распределения потоков транспорта с применением различных подходов. В дальнейшем будут рассмотрены подхода к распределению потоков с.-использованием нейронной сети.
В данном разделе рассматривается подход к распределению потоков транспорта в условиях перекрестка произвольной конфигурации с применением алгоритмов нейронных сетей. Рассмотренный подход к описанию перекрестка произвольной конфигурации позволяет построить систему распределения потоков транспорта на основе нейронной сети [61].
Для реализации управления на основе нейронной сети достаточно на входы нейронной сети подать значения входных переменных, после чего на выходе получить управляющие сигналы для светофоров.
Преимуществами применения нейронной сети являются относительная простота построения системы управления потоком транспорта и высокая надежность. Простота построения системы управления объясняется тем, что используются однотипные устройства преобразования информации -нейроны, структура которых описывается очень простыми соотношениями. Кроме того, сам процесс функционирования нейронной сети описывается достаточно простыми соотношениями. Высокая надежность обеспечивается свойствами НС, а именно сохранением способности к функционированию при отказе некоторых нейронов.
Высокая надежность системы распределения потоков транспорта объясняется тем, что при отказе каких-либо нейронов общая работоспособность системы управления сохраняется.
К недостаткам системы распределения потоков транспорта на: основе нейронной сети можно отнести необходимость обучения нейронной сети перед практическим использованием. При этом в зависимости от сложности управляемой системы перекрестков время обучения может быть весьма значительным. Рассмотрим следующий подход к формализации задачи: Пусть имеется дорожная сеть, состоящая из участков дорог и, перекрестков. Такую сеть можно представить в виде графа, вершинами которого являются перекрестки, а дугами - участки дорог между перекрестками. Так как существуют дороги с односторонним движением,.то дуги графа должны быть направленными. В этом случае дорожная сеть описывается ориентированным графом. Дороги с двусторонним движением предлагается описывать в виде двух встречно направленных дуг. С учетом направления дорог пример участка дорожной сети будет выглядеть, как представлено на рисунке 2.5 (см. Рис.,2.5).
Построение моделей информационной системы с помощью структурного анализа
Под нейронными сетями подразумеваются вычислительные структуры, которые представляют собой распределенные и параллельные системы, способные к адаптивному обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон или просто нейрон, названный так по аналогии с биологическим прототипом.
Каждый нейрон характеризуется своим текущим состоянием, которые могут быть возбуждены или заторможены. Он обладает группой синапсов -однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий; вид нейрона приведен на рисунке 4.1 (см. Рис. 4.1). Каждый синапс характеризуется величиной синаптическои связи или ее весом Wj, который по физическому смыслу эквивалентен электрической проводимости. Ячейка нейрона
Будучи соединенными определенным образом, нейроны образуют нейронную сеть. В случае задачи распределения потоков транспорта НС применяется для решения задачи аппроксимации функции. При этом аргументом функции являются данные о потоке транспорта, а функцией - управляющие сигналы для светофоров. В общем виде эту функцию можно описать следующим образом: F{x],x2,...,xJ = {u),u2,...,un} (4.4) где х, - аргументы аппроксимируемой функции, и, - значения аппроксимируемой функции.
На рисунке 4.3 (см. Рис. 4.3) приведены некоторые наиболее часто встречающиеся типы перекрестков: пересечение двух дорог; пересечение дорог, на одной из которых полосы разделены достаточно большим промежутком; стык трех дорог.
Перекресток, схема которого приведена на рисунке 4.3а является наиболее простым типом перекрестка, и образуется пересечением двух дорог. Обозначим каждую из дорог в соответствии с направлении одной из букв N, S, W, E, (север, юг, запад, восток). Для данного перекрестка используются следующие входные переменные: информация о находящемся перед перекрестке транспорте - всего 4 переменных Ntf,.Ns, Nw, NE, характеризующих поток машин: на каждом направлении; информация о будущем потоке транспорта от соседних перекрестков -также 4 переменных F , Fs, Fw, FE Выходными переменными являются управляющие сигналы для светофоров, их число зависит от основных потоков транспорта на перекрестке.
Для реализации «хорошей» системы распределения потоков транспорта необходимо провести обучение нейронной сети на известных наборах тестовых данных. Место нейронной сети в контуре управления на этапе обучения в рамках системы управления дорожным движением приведено на рисунке 4.4 (см. Рис. 4.4).
Обучение нейронной сети осуществляется с использованием одного из стандартных методов (например, методом обратного распространения, алгоритмом Кохонена или правилом обучения Хебба) [1, 10].
Контроль качества распределения потоков транспорта можно осуществить путем контроля плотности потока машин, идущего через перекресток, и средней длины пробки перед перекрестком на каждой входной дуге. Качество распределения потоков транспорта можно считать приемлемым, если в результате реализации выработанных управляющих воздействий ситуация на дороге улучшилась. Под улучшением ситуации будем подразумевать сокращение длины пробки перед перекрестком, соответственно ухудшение ситуации:- увеличение длины пробки:. Можно. считать, что качество распределения потоков транспорта является; приемлемым, если суммарная длина пробок на всех входных дугах в результате распределения потоков транспорта уменьшилась. При: этом возникает вопрос о качестве распределения потоков транспорта в случае когда единовременно пришедший большой поток транспорта резко увеличивает суммарную длину пробок на данном перекрестке. Поэтому будем считать качество распределения потоков транспорта приемлемым, если за некоторое количество циклов светофора система распределения потоков транспорта на основе нейронной сети обеспечила более хорошее управление по сравнению с традиционным регулятором на основе автоматических светофоров.
Для реализации системы распределения потоков транспорта рассмотрим нейронные сети, основанные на следующих алгоритмах обучения: метод обратного распространения ошибки, алгоритм обучения Кохонена и обучение по правилу Хебба.
Вывод: Рассмотрены основные характеристики нейронных сетей. В случае задачи распределения потоков транспорта на перекрестках нейронные сети используются для решения задачи аппроксимации функции, где аргументом функции являются данные; о потоке транспорта, а функцией -управляющие сигналы для светофоров. Для исследования нейросетевого; подхода к распределнию потоков транспорта выбраны нейронные сети «многослойный персептрон» и сеть Кохонена с алгоритмами обучения методом обратного распространения ошибки и алгоритмами обучения Кохонена и Хебба.
На вход нейронной сети поступает информация о состоянии дорожного движения, куда входит информация о входящих потоках транспорта, о пропускной способности выходных дуг, а также о потоках транспорта, движущихся с соседних перекрестков. На выходах нейронной сети -интервалы работы сигналов светофора. В качестве функции активации предлагается использовать сигмоидную функцию. Это связано с тем, что на выходе необходимо получать сигнал от 0 до 1, соответствующий доле зеленого сигнала в полном цикле работы светофора.
Многослойный персептрон и метод обратного распространения ошибки
Задание перекрестка - Т-образный и. + образный (пункт меню Перекресток- Ввести данные о перекрестке)
Количество слоев сети - 4 (пункт меню Сеть- Создать сеть- Выбрать сеть (АОРО, Хеба, Кохонена)- Ввести цифру 4 в строчке число слоев в оконе Параметры сети)
Число нейронов во входном - для Т-образного 3, а +-образного 4 (пункт меню Сеть - Создать сеть - Выбрать сеть (АОРО, Хеба, Кохонена) - появиться сообщение "Сеть не создана" создать ее нажать Yes - Ввести цифру 3 и 4 в строчке Количество нейронов в слоях в окне Параметры сети)
Число нейронов в выходном - 2 (пункт меню Сеть - Создать сеть - Выбрать сеть (АОРО, Хеба, Кохонена) - появиться сообщение "Сеть не создана" создать ее нажать Yes - Ввести цифру 2 в строчке Количество нейронов в слоях в оконе Параметры сети)
Число нейронов в скрытом - для Т-образного 8, а +-образного 10 (пункт меню Сеть - Создать сеть - Выбрать сеть (АОРО, Хеба, Кохонена) - появиться сообщение "Сеть не создана" создать ее нажать Yes - Ввести цифру 8 и 10 в строчке Количество нейронов в слоях в окне Параметры сети)
Размер обучающей выборки — для Т-образного 12 пар, а +- образного 15 пар (пункт меню Обучение - Обучающие данные - в появившемся окне нажать "загрузить" - Выбрать файл test2T.ld и test2+.ld) - Максимальная ошибка обучения - 0,0001 (пункт меню Обучение - Параметры обучения - в появившемся окне в строке "максимальная ошибка обучения" ввести 0,0001) Проверка в экстремальных условиях.
При проверке на вход программы были поданы граничные значения данных (заданы большие значения). 1111 корректно отреагировал на данную ситуацию, работа программы началась, только время работы увеличилось в несколько раз [62]; Проверка в исключительных ситуациях. При вводе чужих параметров или данных в программу выдается предупреждающее сообщение.
Пример: При попытке ввода параметров сети или перекрестка вместо десятичных значений буквенных символов, программа выдавало соответствующее сообщение "Не верные данные". При тестировании была предпринята попытка открытия файла имеющего другую структуру данных. В результате программа корректно отреагировала на данную ситуацию и выдала соответствующее сообщение "Файл не найден, либо поврежден".
Все алгоритмы, использованные в программе, были проверены на достаточно большом количестве исходных данных. Степень полноты проверки можно оценить как достаточно высокую. Следует отметить, что проверка каждого модуля в отдельности и тестирование различных программных модулей на этапе обмена данными существенно минимизирует риск возникновения исключительных ситуаций и позволяет достаточно полно проверить работоспособность ПП в нормальных и экстремальных условиях [75].
Вывод: Разработана структура моделирующего стенда для исследования эффективности предложенных методов распределения потоков транспорта. Метрическая оценка качества разработанной программы показала, что для; улучшения качества программы необходимо разбить отдельные модули на более мелкие. Произведенное тестирование программного продукта показало, что на все тестирующие данные программа реагировала корректно. 5.3 Анализ результатов экспериментальных исследований
Проводится исследование эффективности предложенных методов распределения потоков транспорта в. условиях перекрестков: различных конфигураций. Для исследования эффективности системы распределения, потоков» транспорта на основе нейронной сети; предлагается набор обучающих данных, проводится оценка скорости обучения г нейронной сети, эффективности решения задачи распределения потоком транспорта: после: обучения.
Качественный анализ работоспособности методов распределения потоков транспорта характеризует способность предложенных, методов распределять потоки транспорта в условиях различной; конфигурации перекрестков и различной интенсивности движения транспорта [88];
При; проведении модельных экспериментов- для- сравнения эффективности алгоритмов различных нейронных сетей и алгоритмов обучения использовались три наиболее распространенных конфигурации перекрестка: Т-образный перекресток, пересечение двух дорог, сложный перекресток, состоящий из пяти дорог.
Для исследования применялась нейронная; сеть - типа «многослойный персептрон», состоящая из 4 слоев. Во входном слое находилось, в соответствии с количеством дорог на перекрестке 3, 4 и 5 нейронов, в выходном - 2, в каждом скрытом - по 8 нейронов. Каждый нейрон включал в себя единичный вход. Были использованы следующие алгоритмы обучения: алгоритм обратного распространения ошибки; алгоритм Кохонена;: обучение по правилу Хебба. Для обучения нейронной сети использовались следующие данные: размер обучающей выборки - 12 пар;. максимальная ошибка обучения для любой пары - 0,0001; начальные значения весов - случайные в диапазоне [-0.5; 0.5].
