Імітаційне моделювання керування транспортним потоком із застосуванням S-­гіпермережі

DOI: 10.31673/2412-9070.2024.015256

Анотація

Розглянуто проблему впливу на пропускну здатність мережі запровадження одностороннього руху на певних ділянках вулиць. Запропоновано можливість застосування імітаційного моделювання для визначення правил керування потоками машин у мегаполісі. В основу побудови імітаційної моделі покладено нестаціонарну s-гіпермережу, яка дає можливість цілком адекватно відобразити потоки машин вулицями міста.
У процесі побудови моделі варто зважати не лише на містобудівні фактори дорожньо-транспортної мережі, а й на поведінку потоків та характеристики видів транспортних засобів, що їх становлять. Наприклад, уведення одностороннього руху може як збільшити, так і зменшити пропускну здатність ділянки дорожньо-транспортної мережі залежно від структури потоків даної території міста. Отже, імітаційна модель дасть можливість обчислити оптимальну орієнтацію руху вулицями міста.

Ключові слова: потоки машин; керування транспортом; S-гіпермережі.

Список використаної літератури
1. Elsken T., Metzen J.H., Hutter F. Multi-objective Architecture Search for CNNs. 2018.
2. Domhan T., Springenberg J.T., Hutter F. Speeding up automatic hyperparameter optimization of deep neural networks by extrapolation of learning curves // International Joint Conferences on Artificial Intelligence. 2015.
3. Bergstra J. Algorithms for hyper-parameter optimization // Advances in Neural Information Processing Systems. 2011.
4. Bengio Y. Gradient-based optimization of hyperparameters // Neural Computation. 2000.
5. Snoek J., Adams R. Practical bayesian optimization of machine learning algorithms // Advances in Neural Information Processing Systems. 2012.
6. Li L., Talwalkar A. Random Search and Reproducibility for Neural Architecture Search. 2019.
7. Bergstra J., Bengio Y. Random search for hyper-parameter optimization // Journal of Machine Learning Research. 2012. No. 13. P. 281–305.
8. Cai H., Chen T., Zhang W. Efficient Architecture Search by Network Transformation // AAAI. 2017. No. 18.
9. Elsken T., Metzen J., Hutter F. Neural Architecture Search: A Survey // Journal of Machine Learning Research. 2019. No. 20. P. 1–21.
10. Лящинський П. Б., Лящинський П. Б. Автоматизований синтез структур згорткових нейронних мереж // Problèmes et perspectives d’introduction de la recherche scientifique innovante. 2019. Вип. 2. С. 104–105.