Sinais de trânsito inteligentes

Detalhes bibliográficos
Autor(a) principal: Carrilho, Diana Sofia Araújo
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/80558
Resumo: Dissertação de mestrado em Matemática e Computação
id RCAP_22cc8b8a8c4bd853ae907744430f0634
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/80558
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Sinais de trânsito inteligentesIntersecção inteligenteMachine learningSupervised learningSemáforoIntelligent intersectionTraffic LightCiências Naturais::MatemáticasDissertação de mestrado em Matemática e ComputaçãoCom o aumento do número de veículos nas cidades, os semáforos convencionais de tempos fixos não conseguem escoar todos os veículos que chegam aos cruzamentos, levando a que os automobilistas fiquem retidos nas filas por longos períodos de tempo. Como consequência, são originados inúmeros problemas de congestionamento de tráfego que têm um impacto negativo na vida dos condutores, nas cidades, no meio ambiente do planeta e na saúde mental das populações. Nesta dissertação, numa primeira parte, é desenvolvido e estudado um modelo que simula um cruzamento contendo semáforos com tempos fixos, designado por simulador convencional. Posteriormente, tendo por base o simulador convencional, foi desenvolvido um simulador manual que permite gerar e guardar dados de fluxo de tráfego que serão usados como conjuntos de dados de treino em redes neuronais. Este simulador manual consiste numa alteração do simulador convencional, permitindo a um utilizador activar a luz verde, através do teclado do computador, consoante o número de veículos que se encontram nas filas de espera do cruzamento de maneira a escoar o fluxo de tráfego. Numa segunda parte, tendo novamente por base o simulador convencional, foi desenvolvido um simulador inteligente. O mecanismo inteligente foi implementado com abordagem de Machine Learning, mais concretamente com abordagem de Supervised Learning, usando redes neuronais artificiais. O simulador inteligente foi usado para treinar e para testar as redes neuronais propostas nesta dissertação. Após o treino de uma rede neuronal o simulador começará a tomar decisões de qual o semáforo a abrir, de modo a tentar minimizar os tempos de espera bem como a tentar maximizar a fluidez do trânsito. Com estas técnicas, os semáforos serão activados consoante o número de veículos e o tempo médio de espera das filas, havendo assim uma gestão inteligente dos tempos de verde e de vermelho.With the increase in the number of vehicles, conventional fixed-time traffic lights are not able to drain all vehicles arriving at intersections, causing drivers to be stuck in traffic for long periods of time. As a consequence, numerous traffic congestion problems originate, that have a negative impact on the lives of drivers, cities, on the planet’s environment and on the mental health of the populations. In this thesis, a model for the implementation of an intersection containing traffic lights with fixed times is pre sented. This model is called the conventional simulator. Using this simulator, a manual simulator was subsequently developed, allowing to generate and save traffic flow data, that will be used as training data sets in neural networks. This manual simulator consists of a modification to the conventional simulator, allowing the user to activate the green light, via the computer keyboard, depending on the number of vehicles that are in the waiting queues at the intersection, in order to drain the traffic flow. Based again on the conventional simulator, an intelligent simulator was developed. The intelligent mechanism was implemented with a textit Machine Learning approach, more specifically with a textit Supervised Learning approach, using artificial neural networks. The intelligent simulator was used to train and test the neural networks proposed in this dissertation. After training a neural network, the simulator will start making decisions about which traffic light to open, in order to minimize waiting times as well as to maximize the traffic fluidity. With these techniques, traffic lights will be activated depending on the number of vehicles and the average waiting time of the queues, thus making use of an intelligent management of green and red times.Soares, A. J.Costa, M. Fernanda P.Universidade do MinhoCarrilho, Diana Sofia Araújo2021-02-052021-02-05T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/80558por202690989info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-12-16T01:19:05Zoai:repositorium.sdum.uminho.pt:1822/80558Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:28:44.006044Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Sinais de trânsito inteligentes
title Sinais de trânsito inteligentes
spellingShingle Sinais de trânsito inteligentes
Carrilho, Diana Sofia Araújo
Intersecção inteligente
Machine learning
Supervised learning
Semáforo
Intelligent intersection
Traffic Light
Ciências Naturais::Matemáticas
title_short Sinais de trânsito inteligentes
title_full Sinais de trânsito inteligentes
title_fullStr Sinais de trânsito inteligentes
title_full_unstemmed Sinais de trânsito inteligentes
title_sort Sinais de trânsito inteligentes
author Carrilho, Diana Sofia Araújo
author_facet Carrilho, Diana Sofia Araújo
author_role author
dc.contributor.none.fl_str_mv Soares, A. J.
Costa, M. Fernanda P.
Universidade do Minho
dc.contributor.author.fl_str_mv Carrilho, Diana Sofia Araújo
dc.subject.por.fl_str_mv Intersecção inteligente
Machine learning
Supervised learning
Semáforo
Intelligent intersection
Traffic Light
Ciências Naturais::Matemáticas
topic Intersecção inteligente
Machine learning
Supervised learning
Semáforo
Intelligent intersection
Traffic Light
Ciências Naturais::Matemáticas
description Dissertação de mestrado em Matemática e Computação
publishDate 2021
dc.date.none.fl_str_mv 2021-02-05
2021-02-05T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/80558
url https://hdl.handle.net/1822/80558
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 202690989
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132784357277696

Registros relacionados