Neurofuzzy Traffic Signal Control
dc.contributor | Aalto-yliopisto | fi |
dc.contributor | Aalto University | en |
dc.contributor.advisor | Niittymäki, Jarkko | |
dc.contributor.author | Bingham, Ella | |
dc.contributor.department | Teknillisen fysiikan ja matematiikan osasto | fi |
dc.contributor.school | Teknillinen korkeakoulu | fi |
dc.contributor.school | Helsinki University of Technology | en |
dc.contributor.supervisor | Ehtamo, Harri | |
dc.date.accessioned | 2020-12-03T22:46:12Z | |
dc.date.available | 2020-12-03T22:46:12Z | |
dc.date.issued | 1998 | |
dc.description.abstract | Työn 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.extent | 107 | |
dc.identifier.uri | https://aaltodoc.aalto.fi/handle/123456789/86323 | |
dc.identifier.urn | URN:NBN:fi:aalto-2020120445161 | |
dc.language.iso | en | en |
dc.programme.major | Sovellettu matematiikka | fi |
dc.programme.mcode | Mat-2 | fi |
dc.rights.accesslevel | closedAccess | |
dc.subject.keyword | fuzzy logic | en |
dc.subject.keyword | sumea logiikka | fi |
dc.subject.keyword | neural networks | en |
dc.subject.keyword | neuraaliverkot | fi |
dc.subject.keyword | neurofuzzy systems | en |
dc.subject.keyword | neurosumea | fi |
dc.subject.keyword | reinforcement learning | en |
dc.subject.keyword | vahvistava oppiminen | fi |
dc.subject.keyword | traffic signal control | en |
dc.subject.keyword | liikennevalojen ohjaus | fi |
dc.title | Neurofuzzy Traffic Signal Control | en |
dc.title | Neurosumea liikennevalo-ohjaus | fi |
dc.type.okm | G2 Pro gradu, diplomityö | |
dc.type.ontasot | Master's thesis | en |
dc.type.ontasot | Pro gradu -tutkielma | fi |
dc.type.publication | masterThesis | |
local.aalto.digiauth | ask | |
local.aalto.digifolder | Aalto_38478 | |
local.aalto.idinssi | 13655 | |
local.aalto.openaccess | no |