Разработка программных средств адаптивного управления дорожным трафиком и оценка их эффективности

Актуальность исследования обусловлена тем, что, с одной стороны, развитие искусственного интеллекта и информационных технологий в целом открывает новые перспективы внедрения в процессы дорожного регулирования инновационных методик и алгоритмов управления трафиком, а с другой – в большинстве существующих решений присутствует ряд ограничений: статические модели не адаптивны к изменениям интенсивности потока автомобилей и не рассчитаны на эффективную работу в условии пиковых нагрузок, а динамические обладают медленной реакцией на непредсказуемые ситуации, например, возникновение аварий или массовые мероприятия, а также их применение ограничено особенностями регионов.

Целью данной работы является выбор граничных параметров разработанного алгоритма и анализ его эффективности по сравнению с другими методами управления дорожным трафиком. В ходе исследования были использованы методы теории массового обслуживания и теории графов для модели дорожного движения, мультиагентный подход и обучение с подкреплением для алгоритма управления фазами светофоров, для оценки эффективности системы ‒ имитационное моделирование.

Решение научной задачи: сформированы функциональные требования разработанного программного обеспечения; проведена серия экспериментов по имитационному моделированию процесса управления дорожным трафиком при различных сценариях; реализована имитационная модель участка дороги Невского района Санкт-Петербурга; проведен ряд экспериментов по моделированию дорожной ситуации и оптимизации длительности фаз светофора, а также выявлению граничных параметров эффективно функционирования системы; проведен сравнительный анализ методов управления дорожным трафиком.

Научная новизна работы определяется авторским подходом к комбинированию способов управления дорожным трафиком и формировании алгоритма, выявляющего наиболее подходящие методы для текущей дорожной ситуации.

Практическая значимость разработанного решения состоит в том, что оно более эффективно по сравнению с другими, рассматриваемыми в статье, алгоритмами и может быть использовано для управления автомобильным трафиком и анализа эффективности дорожной сети.

1. Малыгин И.Г. Интеллектуальные светофорные комплексы и пути внедрения их в мегаполисах // Всероссийская научно-практическая конференция «Технологии построения когнитивных транспортных систем» (Санкт-Петербург, Российская Федерация, 30–31 мая 2018 г.). СПб.: Институт проблем транспорта им. Н.С. Соломенко РАН, 2018. С. 15–20. EDN:XRWWTJ

2. Шаталова Н.В., Орешкина А.Д. Технологические принципы интеллектуальных транспортных систем // IV Международная научно-практическая конференция по направлению НТИ Автонет «Перспективные транспортные технологии: материалы» (Екатеринбург, Российская Федерация, 8 июля 2025 г.). М.: Московский Политех, 2025. С. 159–164. EDN:LBQFJM

3. Бондаренко И.Б., Пелих Д.А. Проектирование архитектуры мультиагентной системы в решении частных задач городского управления // Научно-технический вестник Поволжья. 2025. № 2. С. 48–51. EDN:DRPBFF

4. Коновалова Т.В., Надирян С.Л., Изюмский А.А., Коцурба С.В. Элементы дорожной инфраструктуры и влияние их на безопасность дорожного движения // International Journal of Advanced Studies: Transport and Information Technologies. 2022. Т. 12. № 2. С. 49–68. DOI:10.12731/2227-930X-2022-12-2-49-68. EDN:OKEKTL

5. Зиарманд А.Н., Хаханов В.И. Модели и методы мониторинга и управления транспортом // Радиоэлектроника и информатика. 2016. № 3. С. 64–80.

6. Елькин Д.М., Вяткин В.В. На пути к интернету вещей в управлении транспортными потоками: обзор существующих методов управления дорожным движением // Известия ЮФУ. Технические науки. 2019. № 5(207). С. 100–113. DOI:10.23683/2311-3103-2019-5-100-113. EDN:XZWTPC

7. Городецкий В.И., Карсаев О.В., Самойлов В.В., Серебряков С.В. Инструментальные средства для открытых сетей агентов // Известия РАН. Теория и системы управления. 2008. № 3. C. 106‒124. EDN:IMQNUP

8. Родзина Л.С. Прикладные многоагентные системы. Программирование на платформе JADE. Saarbrucken: LAP LAMBERT Academic Publishing GmbH&Co, 2011. 174 с.

9. Маслобоев А.В. Модели и алгоритмы взаимодействия программных агентов в виртуальной бизнес-среде развития инноваций // Вестник МГТУ. Труды Мурманского государственного технического университета. 2009. Т. 12. № 2. С. 224–234. EDN:KPYRAD

10. Душкин Р.В. Многоагентные системы для кооперативных ИТС // Тренды и управление. 2021. № 1. С. 42–50. DOI:10.7256/2454-0730.2021.1.34169. EDN:ZNESUF

11. Шепелев В.Д., Альметова З.В., Моор А.Д., Берстенева В.И. Оптимизация работы адаптивных светофоров на основе использования машинного зрения // Вестник Южно-уральского государственного университета. Серия: Экономика и менеджмент. 2020. Т. 14. № 1. С. 189–196. DOI:10.14529/em200119. EDN:YWEJSZ

12. Расулмухамедов М.М., Ташметов К.Ш. Оптимизация управления транспортным потоком на перекрестках с помощью нейронной сети // Интеллектуальные технологии на транспорте. 2023. № S1(35-1):92–96. EDN:YBZSPQ

13. Поваляев Н.Д., Крылатов А.Ю., Шаталова Н.В. Методы кластерного анализа дорожных сетей для выявления узких мест и оптимизации движения // T-Comm: Телекоммуникации и транспорт. 2025. Т. 19. № 7. С. 34–40. DOI:10.36724/2072-8735-2025-19-7-34-40. EDN:AALGBX

14. Акопов А.С., Зарипов Е.А., Мельников А.М. Адаптивное управление транспортной инфраструктурой в городской среде с использованием генетического алгоритма вещественного кодирования // Бизнес-информатика. 2024. Т. 18. № 2. С. 48–66. DOI:10.17323/2587-814X.2024.2.48.66. EDN:DTPMML

15. Haupt R.L., Haupt S.E. Practical genetic algorithms. Wiley, 2004.

16. Архангельский А.Н. Моделирование движения автомобиля в транспортном потоке на ЭВМ // Автоматизация и моделирование в проектировании и управлении. 2020;1(07):26–31. DOI:10.30987/2658-6436-2020-1-26-31. EDN:EBPRMN