Sinais de trânsito inteligentes

Abstract

Com 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.