Neurofuzzy Traffic Signal Control

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorNiittymäki, Jarkko
dc.contributor.authorBingham, Ella
dc.contributor.departmentTeknillisen fysiikan ja matematiikan osastofi
dc.contributor.schoolTeknillinen korkeakoulufi
dc.contributor.schoolHelsinki University of Technologyen
dc.contributor.supervisorEhtamo, Harri
dc.date.accessioned2020-12-03T22:46:12Z
dc.date.available2020-12-03T22:46:12Z
dc.date.issued1998
dc.description.abstractTyön tavoitteena oli luoda sumea liikennevalojen ohjausjärjestelmä, jonka parametrit mukautuvat ympäröivään liikennetilanteeseen. Olemassaolevaan sumeaan ohjausjärjestelmään lisättiin oppimisalgoritmi, jonka avulla järjestelmän parametreja hienosäädettiin erilaisiin liikennetilanteisiin sopiviksi. Ohjausjärjestelmän tehokkuuden mittarina olivat ajoneuvojen viiveet. Sumea liikennevalojen ohjausjärjestelmä käyttää kielellisiä sääntöjä kuten "jos saapuva liikennemäärä on suuri ja jonottava liikennemäärä on pieni, niin vihreä valo on pitkä". Sumeat käsitteet suuri, pieni ja pitkä esitetään jäsenyysfunktioiden avulla. Neuraaliverkot koostuvat yksinkertaisista laskentayksiköistä, jotka on yhdistetty toisiinsa verkoksi. Neurosumeassa liikennevalojen ohjauksessa jäsenyysfunktioiden parametreja hienosäädetään neuraaliverkon avulla. Tässä työssä käytetty neuraaliverkon opetusalgoritmi on nimeltään vahvistava oppiminen (reinforcement learning). Tarkasteltava neurosumea järjestelmä on sellainen, että tavallisimpia neuraaliverkkojen opetusalgoritmeja ei voida käyttää. Mukautuvaa liikennevalo-ohjausta tutkittiin liikennesimulaattorissa, johon sisältyy sumea valo-ohjausjärjestelmä. Neuraaliverkon opetusalgoritmi toteutettiin Matlab-ohjelmassa, joka vaihtaa tietoja liikennesimulaattorin kanssa. Opetusalgoritmi toimii menestyksellisesti tilanteissa, joissa liikennemäärä on vakio. Alkuperäiset jäsenyysfunktiot muuttuvat oppimisen myötä erilaisiksi eri liikennemäärillä. Oppimisen tuloksena saadut jäsenyysfunktiot tuottavat pienempiä viiveitä kuin alkuperäiset jäsenyysfunktiot. Sen sijaan opetusalgoritmi ei anna hyviä tuloksia tilanteissa, joissa liikennemäärä muuttuu nopeasti. Diplomityössä tehtiin lisäksi pieni muutos sumean liikennevalojen ohjausjärjestelmän sääntökantaan. Muutoksen ansiosta ajoneuvojen viiveet pienenivät merkittävästi pienillä liikennemäärillä.fi
dc.format.extent107
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/86323
dc.identifier.urnURN:NBN:fi:aalto-2020120445161
dc.language.isoenen
dc.programme.majorSovellettu matematiikkafi
dc.programme.mcodeMat-2fi
dc.rights.accesslevelclosedAccess
dc.subject.keywordfuzzy logicen
dc.subject.keywordsumea logiikkafi
dc.subject.keywordneural networksen
dc.subject.keywordneuraaliverkotfi
dc.subject.keywordneurofuzzy systemsen
dc.subject.keywordneurosumeafi
dc.subject.keywordreinforcement learningen
dc.subject.keywordvahvistava oppiminenfi
dc.subject.keywordtraffic signal controlen
dc.subject.keywordliikennevalojen ohjausfi
dc.titleNeurofuzzy Traffic Signal Controlen
dc.titleNeurosumea liikennevalo-ohjausfi
dc.type.okmG2 Pro gradu, diplomityö
dc.type.ontasotMaster's thesisen
dc.type.ontasotPro gradu -tutkielmafi
dc.type.publicationmasterThesis
local.aalto.digiauthask
local.aalto.digifolderAalto_38478
local.aalto.idinssi13655
local.aalto.openaccessno
Files