Um Sistema Adaptativo para Controle de TráfegoUrbano

/

Gilberto S. Nakamiti!Ricardo L. FreitasJosé P.A. Prado

Fernando A .C. Gorrride"

I Universidade Es tadual Paulis t a - DEMAC - IC CERu a 10,2527, I:1500-2:W Rio Cla ro, SP , Brasil

nakamiti@demac .igce.unesp.br

2Univers idade Est.adua l de Camp inas - DCA - FEECCaixa Postal 178, 13100-000, Campinas, SP , Brasil

Abstract . This pap er presen ts a dis t ributed traffic con t.rol system buil t up on a Iuzzy di s-t ributed architecture, previously developed by t.he authors. The emphasis of Lhe pap er is on theapplication of the system to contro l part of Campinas dowutown area. Simul a ti on ex per imentscons ide ring several t raffic scenarios were perforrn ed to verify t.he capabilit ies of thc syst.e m incontrolling a set of coupled intersections. T he perfor man ce of the proposed sys t.em is co rn parcdwit h conventional t raffic control strategies under the sarne scenarios . T he resul ts obt.ained showthat the dis tribut ed traffic contro l system ou tperforrns conventi ona l systems as far as averagequeues, ave rage delay and maximum delay measures are concerned.

Resumo. Este t rabalho mostra um sistema d ist r ibu ído de contro le de tráfego urbanoconstruído sobre uma pla taforma já desenvolvid a pelos autores . O en foque deste trabalho ésobre a aplicação do sistema no controle de parte da área centra l da cidade de Campinas. Váriassimulações são realizad as, em diferentes situa ções de trá fego, para verifica r o desemp enho dosistema no cont role de cruzamentos urbanos próximos. O desempenho do sistema é compa radoao de estratégias convenc ionais de con t role de tráfego urbano sob as mesm as cond ições. Osresultados obtidos mostram que o sist em a proposto é superior aos con ven cionais ao compara rem-se as filas médias e os at rasos médio e máximo na malh a urban a.

1 Introdução

O cont role de tráfego urbano é uma área críti cade pesquisa aplicada, pelo impacto que pode te r navid a diária da população , especia lmente nas grandescidades. Requer sis temas flexív eis e adaptativospara manipular as informações di sp ersas pela malhaviária e as mudanças constantes e muitas vezes im-previsíveis no trânsi to.

A maior parte da pesquisa em controle de t rá fegourbano, 'particularmente quando agrega construçõesnebulosas para prover flexibilidade e adaptabilidad eaos sistemas, restringe-se a um único cruzamento.[9] de scr eve um controlador para um cruzamentode duas avenid as, decidindo a extensão do tempode verde do semáforo em cada sentido de fluxo . [8]apreserita um sistema de cont role para dois cruza-mentos consecutivos e uma via de gr ande movi-mento, de mão única. Outros trab alhos , tais como[1, 3, 4, 10], apresentam sis temas nebulosos parao controle de um só cruzamento com vários sen-tidos de fluxo de veículos. Po rém, em áreas de

gra nde den sidad e de tráfego, o fluxo de veícu losem um sentido depende do que estive r ocorrendonos cruzamentos próximos. Esse fato n ão é levadoem conta na maior parte d as abordagens atuais.

Neste t ra balho, apresentamos um sistema decontrole de tráfego urb ano construído sobre umaarquitetura dis t ribuída , que incorpora conceit os dateoria do s conjuntos nebulosos, do s sistemas basea-do s em casos e dos algori tmos genéticos para provera flexib ilidade e ad ap tabilidade necessári as. NaSeção 2, apresent amos uma visã o geral da arquite-tura de In teligên cia Computacional Dis t ribuída (ICO)[6], que integra as técnicas de Inteligên cia ArtificialDi stribuída em uma arquitetura única de resoluçãode problemas. A Seção 3 mos tra um sistema dis-tribu ído de con trole de tráfego urbano, implemen-tado sobre essa arqui tetura. O desempenho do sis-tema é comparado com o de abordagens conven-cionais de cont role de tráfego urbano na Seção 4para mos trar sua aplicabilidade. Ao contrário de[6, 5], onde o objetivo principal era o de mostrar a

154

- Recebe.Solucionadorfdesempenho);2 Arquitetura de Inteligência Computacional

Distribuída

arqui te tura, a ênfase neste t r abalho é o de mostrar - Seleciona.casos.bem.sucedidos;tanto o fun cionamento quanto os resultados da aplicação.A Última seção apres enta as conclusões do trabalho. - Combina....ações;

- Envia.Solucionadorfações);

Controle Distribuído de Tráfego

- Decide....se_armazena(situação,ação,desempenho)

3

Para implementar os mecanismos evolutivos, aestrutura dos casos foi modelada como uma sequênciade slots, onde cada slot é visto como um gene,como em uma cadeia de DNA . Essa estrutura édividida em quatro partes: uma parte de a t ribu-tos , uma parte de ações, uma parte de resultados,e uma parte de informações complementares, comoé mos trado na Figura 2. Essa estrutura é utilizadapar a comparar os casos e identificar casos similares,sel ecionar os casos mais similares e mais bem suce-didos, combinar suas ações .a t ravés de algoritmosgenéticos [2J e analisar o desempenho do caso. Paramais detalhes, veja [7J .

- Receb e_dispositivosJocais( informação);

- Receb e_outros_ agentes(informação) ;

- Atualiza .visâo.sistema;

o sistema distribuído de controle de tráfego urbanoconsist e de um processador situado em cada cruza-mento com semáforos, comunicando-se com os pro-cessadores vizinhos e decidindo sobre o estado deseus semáforos locais. Existem sensores medindoo fluxo de tráfego que entra em cada cruzamento,sendo que esses sensores enviam seus dados aos pro-cess adores locais. O objetivo do sistema é otimizaro fluxo de tráfego, reduzindo o atraso médio dosveículos e o t amanho médio das filas, melhorandoassim a qualidade do tráfego. A estratégia uti-lizada para melhorar o desempenho do sistema éa alt eração do tempo de verde de cada semáforo,alt erando seu tempo de ciclo 1, de acordo com as

- Informa.agentes.vizinhos ; chegadas de veículos e comprimentos de filas .Para o estudo des te problema, foi modelada

- se não.capazf'Iornar_decisão(visâo.regras.ou .heu- parte da área central da cidade de Campinas-SP,risticas)) medidas as taxas de chegada de veículos e cornpri-

Envia-.MBC (situação) ; mento de filas para diversos cruzamentos, e desen-Receb e-.MBC(decisão) ; volvido um sistema de controle de semáforos imple-

mentado sobre a arquitetura distribuída.- Executa(decisão);

A arquite tura de Inteligência Computacional Dis-tribuída (ICD) consiste de uma rede de agentesautônomos e cooperativos, capazes de tomar suaspróprias decisões, e controlar seus dispositivos lo-ca is. Para obter isso, eles necessitam conhecer aestrutura e o estado do sistema, além dos objetivosglobais e restr ições. Os agentes devem comunica r-se entre si para compartilhar informações.

Cada agente é ca paz de raciocinar sobre a es-trutura da rede por manter informações detalhadassobre su a vizinhança, e informações gera is sobre amalha total. É ainda capaz de ra ciocin ar sobre oproblema global, e pode, conhecendo o contextoda aplicação e cooper ando com os outros agentes,alc ançar um a solução para o problema. O conheci-mento do age nte, representado na parte superior daFigura 1, provê a informação necessári a para faci-litar a cooperação (para uma descrição mais det a-lhad a da arquitetura, veja [6J) .

O Solucionador Local é a unidade básica depro cessamen to do agente. É o responsável por trataras situações comuns, isto é, as situações bem enten-didas e que puderam ser modeladas na aplicação,sob forma de heurísti cas ou regras, por exemplo. Oesquema geral de pro cessamen to do Solucionadorlocal é o segu inte:

- Envia .vizinhos]decisão) ;

- EnviaJvIBC(desempenho.decisão]

Um Mecanismo Baseado em Casos (MBC) evo-lu tivo [7J auxilia o Solucionador Local em ambi-entes complexos e dinâmicos, onde todas as possíveissituações não puderam ser previstas p elo sistema.Seu esquema básico de funcionamento é o seguinte:

- Receb e_Solucionador(si tuação);

- Procura.casos.similaresfsi tuação );

3.1 Solucionador Local

O objetivo do Solucionador Local é controlar osfluxos de entrada de veículos em seu cruzamentocorrespondente. Basicamente, ele compara o tráfego

10 tempo de ciclo é o inter valo de tempo neces sáriopa ra uma sequ encia completa de indicações de sinal emum semáforo. O te mpo de ciclo é normalmente di vidido emfases, onde cada fas e é a parte do t em po de ciclo a loc ada aum ou mais m ovimentos de veíctilos ou pedestres. A fase deverde é um es t ado part icular que provê luz verde (direit o deprosseguir ) em um sentido em particul ar . O tempo de verderepre senta a du ração da fase de verde .

155

flllSPOSlTMlS Il l OCAIS--,

OAOOSII t

Figure I : Estrutura dos age llt<'s

InformaçõesComplementares

ResultadosAções

Grau de SucessoA tributos I Superchsse

Ações '-00 ' uGenéricos :> c iasse sGenéricas I Correlatas

...----....----. ...----. I I;'rox=[[[[]]]]::::O [[[[]]]]::::O [[[[]]]]::::O DJIIJII

Atribums IAtnt>uto 11

Atributo 2Atributo 1

Figure 2: Estru tura de IUH caso

de entrada e os comprimentos de fila de seu cruza-mento e dos cruzamen tos relacionados a ele. Ba-seado nessa decide estende r ou Hão asua fase de verde, e in forma os agentes (cruza-mentos) vizinhos sobre a sua decisão . Essa abor-dagem básica é utilizad a sempre que os fluxos det rá fego forem similar es aos fluxos de tráfego uti-lizados para ajustar os semáforos, de acordo com[11] . Neste caso, o Solucionador Local faz peque-nas modificações nos ajustes pré-d efinidos.

O Solucionador Local u tili za fun ções de per-t inênc ia para as chegadas de veículos, tamanhosdas filas , tempos de espera e extensão de tempo deverde, como ilus trado pelas figuras 3 a 6. Urnaamostra d as regras de controle empregadas peloSolucionador Local é mos trad a em form a to simpli-ficado, pela Tabela L Ela mostra a ex tensão dotempo de verde para uma fila local média e pou cachegada de veículos, em uma avenida, no horáriode rush. No total, o Solucionador Local utiliza 200regras desse tipo.

..,

o 100 250 400 550 700 jvcÕC:Jf>i.whj

F igure B: Função de pert.inenc ia para o atributoFluxo de tráf ego

O Solucionador Local adota a es tratégia daTabela 1 quando puder gera r um a solução eficazpar a a si tuação do trá fego, isto é, quando observarestados similares aos esp erado s, como filas médiasnos semáforos. Quando as condições de tráfegoforem diferentes às espera das, como em casos detráfego congest ionado ou filas grandes ou enormes,o Mecani smo Baseado em Casos é ac ionado pa ra '

156

Fila Lateral I NFIMA PEQUENA NORMAL GRANDE ENORMEFila C ruzamento P osterior

INFIMA m édio.Jnc pequeno.Jnc p eq ueno.Jn c pequeno.ríecr médic.zlecrPEQUENA rn êdio.Jnc pequeno.Ine nenhum pequenoidecr médio-<iec rNO RMAL p equen oJne p equeno.Jnc nenhum pequenocdec r méd io-<iecrGRANDE pequenoJne nenhum nenhum pequenocdecr méd io-<ieerENORME nen hum nenhum pequeno.idecr rnédio.decr médio-<ieer

Table 1: Incremen to/decremento do tempo de verde em uma via principal

tomar uma decisão de controle.

resultados, sequencialmente como em uma cadeiade DNA, e armazenadas na base de cas os. Es-sas informações são codificadas através de variáveislinguísticas. A recuperação é baseada nos atributosda nova situação, recebidos do Solucionador Local.Situações similares são recuperadas e combinadasatravés de algoritmos genéticos [2]. Como resul-tado , uma nova decisão de controle para a novasituação é gerada e aplicada. (Mais detalhes po-dem também ser obtidos ém [7]).

Após a decisão de controle ter sido aplicadapelo Solucionador Local, o Mecanismo Baseado emCasos observa seu desempenho, verificando os atra-sos e filas resultantes. O novo caso e seus resultadospoderão ser incluídos na base de casos, permitindoa tomada de melhores decisões com o passar dotempo.

4 R esultados

P ar a a comparação do desempenho do sistema de-senvolvido, foram também implementados sistemassimultâneo e progressivo. Em um sistema simultâneo[11], todos os semáforos ao longo de uma via apre-sentam a mesma cor, ao mesmo tempo. Em umsistema progressivo [11], cruzamentos consecutivosapresentam o mesmo tempo de ciclo, mas os temposde um semáforo em relação ao seguinte são arran-j ado s de forma a permitir movimento contínuo deveículos ao longo do sistema.

Foram feitas simulações em uma malha de 6cruzamentos, composta por 18 semáforos, como ilus-t rado pela Figura 7. Ela mostra o layout dos cruza-mentos e seus di agramas de fase , que in dicam ospossíveis movimentos de veículos. Os dados utiliza-dos correspondem a observações reais das taxas dechegada na região central de Campinas, às quintas-feir as , durante o período de rush. Os tempos deciclo e de verde para os sistemas simultâneo e pro-gressivo também correspondem às observações reais.Esses tempos foram calculados de acordo com [11] eajustados no local por engenheiros de tráfego paramelhorar o desempenho dos cruzamentos.

Na primeira simulação de20.000 segundos, ilus-t ra da pela Figura 8a , foram mantidas as mesmastaxas de chegada observadas nos cruzamentos. Afigura mostra o comportamento das três aborda-gens sob essa s condições. O sistema de ICD apre-

(sIo

Figure .5: Função de pertinência para o atributoTempo de espera

Figure 4: Função de pertinênc ia para o atributoFila

rnêdio- pequeno- pequeno- médio.1.0

3 .2 Mecanism o Basea do em Casos

As princip ais funções do Mecani smo Baseado emCasos (MBC) são: identificar, recuperar e sele-cionar casos similares, combinar.os casos selecion a-dos, gerar decisões de controle e ger enciar a basede casos. As informações referentes a casos an teri-ores são codifi cadas nos slots de a tributos, ações e

Fi gure 6: Função de pertinência para o at ributoexten são

157

it- it-o ®--.rn fas e I fas e 2 fase 1 fase2

it- it-- 0) G)fase I fase2 fase 1 f.se2

-® @-- it- it-fese1 fase2 fese I fase2

Figure 7: l.ayout da malh a de cruzamentos

20000Iorrc o

l eo-nc de Lscor c [ s ij? :', ...... , .. '"

20000Iomoo (!"I

.....•..'

..•.....'

J "' ·.Jv \.:J -I\,' ./ .·.....-v-

lemco [s i

282Tempo co Espcen

20000Ion-oo [si

Filo Med. Tempo Med. Tempo Max. Fila Med. Tempo Med. Tempo Max.AbordagemIEliC D: O Sfmult õneoI <. 5

" .5

13 . 22 3 . 32 3 . 2

24.431. 83 0 .0

Abordagem

IBicoO SII'"I'lultõr"eoI

8 .927 .12A. . 3

64 .62 81 . 7259.0

(a) (h)

Figure 8: Resul tados comparat ivos - ( I)

A incorporação de conceitos da teori a dos conjun-tos nebulosos aos sis temas distribuídos in teligen tespode aumentar sua flexibilidade e adaptabilidade,conduzindo a um a abordagem efetiva para o des en-volvimento de sistemas complexos " mundo-real" .

Este trabalho mostrou um sistema de cont-rol e de tráfego construído sobre uma arquit eturadistribuída, que une conceito s e técnicas da teo-

Conclusão5

sentou des empenho melhor que os sis temassimult âne o mentadas em .50% em relação ao horário de rush.e progressivo, mos trando que seus agentes conseguiramapós 3.000 segundos. O sistema de ICD adap tou-seob ter coorde nação. Seu desempenho foi cerca de melhor, apresentando filas médi as de 15.0 veículos24% melhor em relação às filas médi as (3.4 contra e 60.9 segundos de tempo médio de espera , con-4.5 veículos), e cerca de 4:3% melhor em relaç ão aos tra pelo menso 22.1 veículos e 102.0 segundos dastempos de espera (1:t2 contra 23.2 segundos) . abordagens convenc ionais.

Os experimentos de simulação realizados a seguir Quando as t axas 'de chegada for am menoresvisaram a avaliação do sis tema em diferen t es cenários. que as esperadas , o sistema de rCD também apre-Embora algumas das variações no fluxo de t ráfego sentou desempenho supe rior. A Figura 9b mostrapo ssam parecer irreais, o objet ivo delas foi o de os resul tados para um decréscimo de 20% nas che-te star os limites do sis tema. gadas após 3.000 segundos. O tamanho médio das

Na segunda simulação , ilustrada pel a Figura 8b , filas do sistema de ICD foi cerca de 36% menor, eaumen tamos as taxas de chegada em 30% a partir os tempos médio s de espera, cerca de 62% menoresde 3.000 segundos. O sistema de ICD foi cap az que os das abordagens convenc ionais.de se adaptar às mudanças no ambiente, e apre-sentou filas médi as de 8.9 veículos e 38.4 segundosde tempo médio de esp era. As abordagens con-vencionais não conseguiram suportar o aumento defluxo , e suas filas e tempos de espera aumentaramcontinuamente. O desempenho médio do sistemade rCD foi cerca de 63% melhor em relação às filase 70% melhor em relação aos atrasos .

Na Figura 9a, são mostrados os resul tados desimulação quando as t ax as de chegada foram au-

158

Fila Med. Tempo Med. Tempo Max.

Tompo do Esporo [sl30 f....•

r-,

File [co-res]6

20000 20000TO<T"po [sl TO<T"po [sl

Abordagem Fila Med. Tempo Med. Tempo Max.BICO 2.3 8.0 22 .3IJsrmultõneo '3.6 21.3 29.1E3Progr-osslvo 3.6 2D.9 28 .4

139 .2271.9255.1

60 .9T08.3T02.0

Tempo de Espe-o [s]

20000Tempo [sl

Y,(.....'.:»

272

15 .023.622.1

10000Tampo [s1

Filo [co-r-es ]57

AbordagemElicoDsrmultôneoE3Pr o o r e s s lv o

(a) (b)

Figure 9: Resultados comparativos - (2)

ria dos conjuntos nebulosos , dos sistemas basea-dos em casos e dos algoritmos genéticos em umaarquitetura única. O foco do trabalho foi o demostrar o seu uso e ao mesmo tempo sua capaci-dade quando submetido a diferentes testes de de- [6]sempenho, tendo sido comparado com estratégiasde controle de tráfego convencionais, em simulaçõescom dados reais. O sistema distribuído de controlede tráfego urbano mostrou cooperação e adaptação [7]a mudanças ambientais, e desempenho superior mesmoquando as condições de tráfego utilizadas foram asmesmas usadas para ajustar os semáforos conven-cionais, de acordo com os princípios da Engenhariade Tráfego.

Proc. Biennial conference of the No rth Amer-ican Fuzzy information processing Society -NAFIPS 96, Berkeley, CA (1996) 433-437.

Nakamiti C ., Freitas R., Prado J. e Comide F.,Fuzzy Distributed Artificial Intelligence Sys-tems, Proc. 3rd IEEE Int. Conf. on Fuzzy Sys-tems, Orlando-FL (1994) 462-467.

Nakamiti C . e Gomide F., An evolutive fuzzymechanism based on past experiences, Proc.2nd European Congress on Intelligent Tech-niques and Soft Computing - EUFIT 94,Aachen, Cermany (1994) 1211-1217.

Agradecimentos

Os três primeiros autores agradecem à Capes, eo último autor agradece ao CNPq pelo auxílio #300729/86-3.

References

[1] Favilla J. , Machion A. e Comide F. , FuzzyTraffic Control: Adaptative Strategies, Proc.2nd IEEE Int. Conf. on Fuzzy Systems, SanFrancisco-CA (1993) 506-511.

[2] Coldberg D.E., Genetie AIgoritbms in Seareb ,Optimization, and Maebine Learning, Addison-Wesley Publ. Co. (1989) .

[:3] Hoyer, R. e Jumar, U., Fuzzy Control of Traffic -Lights, Proc. 3rd IEEE lnt. Conf. on Fuzzy Sys-tems, Orlando - FL (1994) 1526-1531.

[8] Nakatsuyama, M., Nagahashi, H. e Nishizura,N., Fuzzy Logic Controller for a Traffic Junctionin the One-Way Arterial Road, Proc. IX !FAC- World Congress, Budapest, Hungary (1984)13-18.

[9] Papis, C. e Mamdani, E., A Fuzzy Logic Con-troller for a Traffic Junction, IEEE Trans. Syst.,Man, and Cybetti., V.7 (1977) 707-717.

[10] Skowronski, W. e Shaw, L., Self-LearningFuzzy Traffic Controller for a Traffic Junc-tion, P roc. I European Congress on IntelligentTechniques and Soft Computing - EUFIT 93,Aachen, Cermany (1993) 751-761.

[l1J Wohl M. e Martin 8., Treiiic System Analysisfor Engineers and Planners, McCraw-Hill BookCo. (1967).

[4] Kelsey, R., Bisset, K. e Jamshidi, M., A Simu-lation Environment for Fuzzy Control of Traf-fic Systems, Proc. XII IFAC - World Congress,Sydney, Australia (1993) 553-556.

[5] Nakarniti C. and Comide F., Incorporatingfuzzy sets in intelligent distributed systems,

159