Page 67 - TST Conference 2018

18th International ConferenceInternational Conference
18th

18th International Conference Transport Systems Telematics TST’18
Polish Society of Transport Systems Telematics

systems, deep neural network, urban traffi c model

BADURA Dariusz 1

PREDICTION OF URBAN TRAFFIC FLOW BASED ON GENERATIVE
NEURAL NETWORK MODEL

The article will present a generative model of movement in a network of streets and intersections
that enables to predict traffi c congestions of an accidental or deterministic character. The model has a
modular, hierarchical character. At the lowest level the model is microscopic and depicts the movement
of vehicles, public transport and pedestrians at intersections and between them. It allows comparing real
measurements with simulated data and add data obtained from the learned neural network. At its higher
level, the model refl ects the traffi c in a selected sub-area of the network of intersections. On this level the
model is macroscopic, taking into account the parameters of vehicle streams. On both levels, the model
is based on a generative deep neural network. A multi-layered neural network was chosen from many
deep architectures. In order to train this network the following methods were used: algorithms prepared
for Deep Believe Network and neighborhood network. These architectures and methods adapt to the
real dependencies of traffi c much better and more accurately than traditional structures and methods of
learning. Thanks to the mentioned solutions it is possible to eliminate damaged or incorrect data from
data processing. One of the aims of the proposed model is to predict changes in the urban traffi c in short-
term forecasts, also in cases that have not yet occurred.

PROGNOZOWANIE RUCHU MIEJSKIEGO BAZUJĄCE NA MODELU
GENERATYWNEJ SIECI NEURONOWEJ

W artykule będzie zaprezentowany generatywny model ruchu w sieci ulic i skrzyżowań umożliwiający
przewidywanie zjawisk zatorów mających charakter losowy lub deterministyczny. Model ma charakter
hierarchiczny. Na najniższym poziomie model ma charakter mikroskopowy odwzorowujący zdarzenia
w ruchu pojazdów, komunikacji miejskiej i pieszych na skrzyżowaniu i połączeniach między skrzyżo-
waniami. Model pozwala konfrontować dane z pomiarów rzeczywistych z uzyskanymi z symulatora
oraz uzupełniać je danymi uzyskanymi z wyuczonej sieci neuronowej. Na wyższym poziomie model od-
zwierciedla ruch w wybranym podobszarze sieci skrzyżowań i ma charakter makroskopowy, uwzględ-
niający parametry strumienia pojazdów. Obie składowe modelu bazują na generatywnej głębokiej sieci
neuronowej. Spośród wielu dostępnych głębokich architektur wybrano wielowarstwową sieć neuro-
nową. Do jej uczenia wykorzystano algorytmy opracowane dla DBN (Deep Believe Network) i sieć
sąsiedztwa. Te architektury i metody znacznie lepiej i dokładniej dopasowują się do rzeczywistych za-
leżności ruchu niż tradycyjne struktury i metody uczenia. Wspomniane rozwiązania pozwalają również
eliminować z przetwarzania dane uszkodzone lub błędne.

1 University of Dąbrowa Górnicza, Faculty of Applied Sciences, Cieplaka 1 c, 43-100 Dąbrowa Górnicza, Poland;
E) dbadura@wsb.edu.pl
22

67