controle de semáforos por lógica fuzzy e redes neurais
Transcrição
controle de semáforos por lógica fuzzy e redes neurais
ALEXANDRE ROBERTO RENTERÍA CONTROLE DE SEMÁFOROS POR LÓGICA FUZZY E REDES NEURAIS Dissertação apresentada ao Departamento de Engenharia Elétrica da PUC/Rio como parte dos requisitos para a obtenção do título de Mestre em Engenharia Elétrica : Sistemas de Computação. Orientadores: Ricardo Tanscheit Marley M. B. R. Vellasco Departamento de Engenharia Elétrica Pontifícia Universidade Católica do Rio de Janeiro Fevereiro de 2002 Dedicatória à Danielle Agradecimentos • Ao Professor Moisés Szwarcman, pelo apoio; • Aos meus orientadores Ricardo Tanscheit e Marley Vellasco; • À minha família; • À Trafficware, pelos softwares; • À CET-Rio, pelos dados; • Ao CNPq e à FAPERJ, pelo apoio financeiro; RESUMO Este trabalho apresenta a utilização de lógica fuzzy e de redes neurais no desenvolvimento de um controlador de semáforos – o FUNNCON. O trabalho realizado consiste em quatro etapas principais: estudo dos fundamentos de engenharia de tráfego; definição de uma metodologia para a avaliação de cruzamentos sinalizados; definição do modelo do controlador proposto; e implementação com dados reais em um estudo de caso. O estudo sobre os fundamentos de engenharia de tráfego aborda a definição de termos, os parâmetros utilizados na descrição dos fluxos de tráfego, os tipos de cruzamentos e seus semáforos, os sistemas de controle de tráfego mais utilizados e as diversas medidas de desempenho. Para se efetuar a análise dos resultados do FUNNCON, é definida uma metodologia para a avaliação de controladores. Apresenta-se, também, uma investigação sobre simuladores de tráfego existentes, de modo a permitir a escolha do mais adequado para o presente estudo. A definição do modelo do FUNNCON compreende uma descrição geral dos diversos módulos que o compõem. Em seguida, cada um destes módulos é estudado separadamente: o uso de redes neurais para a predição de tráfego futuro; a elaboração de um banco de cenários ótimos através de um otimizador; e a criação de regras fuzzy a partir deste banco. No estudo de caso, o FUNNCON é implementado com dados reais fornecidos pela CET-Rio em um cruzamento do Rio de Janeiro e comparado com o controlador existente. É constatado que redes neurais são capazes de fornecer bons resultados na predição do tráfego futuro. Também pode ser observado que as regras fuzzy criadas a partir do banco de cenários ótimos proporcionam um controle efetivo do tráfego no cruzamento estudado. Uma comparação entre o desempenho do FUNNCON e o do sistema atualmente em operação é amplamente favorável ao primeiro. ABSTRACT This work presents the use of fuzzy logic and neural networks in the development of a traffic signal controller – FUNNCON. The work consists of four main sections: study of traffic engineering fundamentals; definition of a methodology for evaluation of traffic controls; definition of the proposed controller model; and implementation on a case study using real data. The study of traffic engineering fundamentals considers definitions of terms, parameters used for traffic flow description, types of intersections and their traffic signals, commonly used traffic control systems and performance measures. In order to analyse the results provided by FUNNCON, a methodology for the evaluation of controllers is defined. The existing traffic simulators are investigated, in order to select the best one for the present study. The definition of the FUNNCON model includes a brief description of its modules. Thereafter each module is studied separately: the use of neural networks for future traffic prediction; the setup of a best scenario database using an optimizer; and the extraction of fuzzy rules from this database. In the case study, FUNNCON is implemented with real data supplied by CET-Rio from an intersection in Rio de Janeiro; its performance is compared with that of the existing controller. It can be observed that neural networks can present good results in the prediction of future traffic and that the fuzzy rules created from the best scenario database lead to an effective traffic control at the considered intersection. When compared with the system in operation, FUNNCON reveals itself much superior. ÍNDICE LISTA DE FIGURAS ......................................................................................... I LISTA DE TABELAS .......................................................................................II 1 INTRODUÇÃO .............................................................................................1 1.1 1.2 1.3 1.4 MOTIVAÇÃO...............................................................................................................1 OBJETIVOS DO TRABALHO ....................................................................................1 DESCRIÇÃO DO TRABALHO ...................................................................................1 ORGANIZAÇÃO DA DISSERTAÇÃO ......................................................................2 2 SISTEMAS DE CONTROLE DE TRÁFEGO ...........................................3 2.1 2.2 2.3 2.4 2.5 2.6 HISTÓRICO..................................................................................................................3 FUNDAMENTOS DE ENGENHARIA DE TRÁFEGO..............................................3 DESCRIÇÃO DOS TIPOS DE CRUZAMENTO ........................................................7 MEDIDAS DE DESEMPENHO DE CRUZAMENTOS CONTROLADOS.............13 SISTEMAS DE CONTROLE DE TRÁFEGO EM USO ...........................................15 DISCUSSÃO...............................................................................................................18 3 METODOLOGIA PARA A AVALIAÇÃO DE UM SISTEMA DE CONTROLE DE TRÁFEGO ADAPTATIVO ..............................................22 3.1 3.2 3.3 METODOLOGIA........................................................................................................22 SIMULADORES.........................................................................................................23 SIMULADOR UTILIZADO.......................................................................................25 4 SISTEMA DE CONTROLE DE TRÁFEGO FUNNCON ......................27 4.1 4.2 4.3 4.4 CONSTRUÇÃO E ELABORAÇÃO DO SISTEMA .................................................27 MÓDULO DE PREVISÃO DE TRÁFEGO FUTURO ..............................................31 MÓDULO BANCO DE CENÁRIOS ÓTIMOS.........................................................33 MÓDULO FUZZY......................................................................................................34 5 ESTUDO DE CASO....................................................................................38 5.1 5.2 5.3 5.4 5.5 5.6 LAYOUT DO CRUZAMENTO .................................................................................38 DADOS .......................................................................................................................40 IMPLEMENTAÇÃO DO FUNNCON .......................................................................43 RESULTADOS COM O CONTROLE FIXO ............................................................52 RESULTADOS DO FUNNCON ................................................................................50 COMPARAÇÃO.........................................................................................................55 6 CONCLUSÃO E TRABALHOS FUTUROS ...........................................56 6.1 6.2 CONCLUSÕES...........................................................................................................56 TRABALHOS FUTUROS..........................................................................................56 REFERÊNCIAS BIBLIOGRÁFICAS............................................................57 LISTA DE FIGURAS Figura 2-1 – Relação entre volume e densidade .........................................................................7 Figura 2-2 – Geometria de um cruzamento, plano de fases com 2 fases..................................12 Figura 2-3 – Geometria de um cruzamento, plano de fases com 3 fases..................................12 Figura 2-4 – Geometria de um cruzamento, plano de fases com 4 fases..................................13 Figura 2-5 – Simbologia dos planos de fases ...........................................................................13 Figura 2-6 – Ilustração de medidas de atraso ...........................................................................15 Figura 4-1 – Controlador em malha aberta ...............................................................................28 Figura 4-2 – Controlador de malha fechada .............................................................................28 Figura 4-3 – Diagrama do FUNNCON com seus três módulos ...............................................30 Figura 4-4 – Predição do tráfego futuro com uma rede neural.................................................31 Figura 4-5 – Entradas de uma rede neural para séries temporais .............................................32 Figura 4-6 – Sistema de inferência fuzzy .................................................................................34 Figura 4-7 – Divisão dos domínios de entrada e saída em regiões fuzzy.................................36 Figura 5-1 – Layout do cruzamento..........................................................................................38 Figura 5-2 – Layout do cruzamento de 3 vias ..........................................................................39 Figura 5-3 – Conjunto de fases do cruzamento ........................................................................39 Figura 5-4 – Imagem da fita de vídeo fornecida pela CET-Rio ...............................................40 Figura 5-5 – Imagem da fita de vídeo sob chuva......................................................................41 Figura 5-6 – Volume previsto na Via 01 ..................................................................................44 Figura 5-7 – Volume previsto na Via 02 ..................................................................................45 Figura 5-8 – Volume previsto na Via 03 ..................................................................................45 Figura 5-9 – Etapas da otimização pelo Synchro: (a) desenho, (b) sentidos e volumes, (c) otimização ..........................................................................................................................47 Figura 5-10 – Conjuntos e funções de pertinência das variáveis de entrada e saída para a determinação da duração do ciclo ......................................................................................49 Figura 5-11 – Simulação no SimTraffic ...................................................................................51 I LISTA DE TABELAS Tabela 2-1 – Níveis de controle de cruzamento .........................................................................8 Tabela 2-2 – Característica das Estratégias de Controle do UTCS [5].....................................17 Tabela 2-3 – Comparação de Sistemas de Controle de Tráfego [6] .........................................18 Tabela 2-4 – Benefícios Diversos Sistemas de Controle de Tráfego .......................................19 Tabela 2-5 – Comparação de Resultados de Estratégias do UTCS [5] ....................................20 Tabela 3-1 – Principais Características dos Simuladores de Tráfego.......................................25 Tabela 5-1 – Volumes durante os dias e horários de estudo (número de veículos a cada 15 minutos)..............................................................................................................................42 Tabela 5-2 – Validação cruzada da Via 02 ...............................................................................43 Tabela 5-3 – Número de neurônios na camada escondida e número de épocas de treinamento ............................................................................................................................................44 Tabela 5-4 – Avaliação das predições nas três vias ..................................................................46 Tabela 5-5 – Volumes previstos, durações de ciclo e durações da fase 1 gerados pelo FUNNCON ........................................................................................................................50 Tabela 5-6 - Medidas de eficiência do FUNNCON de 6:15hs às 10:00hs ...............................51 Tabela 5-7 – Programação semafórica e planos de fases da CET-Rio para uma quinta-feira entre 6 e 10hs .....................................................................................................................52 Tabela 5-8 – Medidas de eficiência do controle fixo da CET-Rio de 6:15hs às 10:00hs.........53 Tabela 5-9 – Programação semafórica e planos de fases do FUNNCON-f..............................54 Tabela 5-10 – Medidas de eficiência do FUNNCON-f de 6:15hs às 10:00hs..........................54 Tabela 5-11 – Comparação do FUNNCON e do FUNNCON-f com o controle fixo da CETRio ......................................................................................................................................55 II 1 1.1 INTRODUÇÃO MOTIVAÇÃO Devido ao grande fluxo de pessoas e de bens que trafegam pelas ruas das grandes cidades, engarrafamentos, acidentes e poluição do ar vêm se constituindo em umas das principais preocupações das sociedades modernas. Na tentativa de amenizar esses problemas, semáforos são empregados no controle de tráfego de vias urbanas. Porém, estes usualmente não possuem sistemas computadorizados que os auxiliem em suas decisões, ou, quando estes sistemas existem, eles são frequentemente ineficientes. Nos últimos anos, tem sido cada vez mais comum o emprego de métodos “inteligentes”, tais como lógica fuzzy e redes neurais, no desenvolvimento de sistemas eficientes de controle de semáforos. É importante salientar que, embora o bom funcionamento de um cruzamento não garanta que todos os semáforos de um conjunto de cruzamentos estejam operando eficientemente, o conjunto não pode ser eficiente sem que cada cruzamento o seja. Desta forma, neste trabalho será abordado o controle de um único cruzamento, embora complexo. 1.2 OBJETIVOS DO TRABALHO Os objetivos principais deste trabalho são a utilização de redes neurais para a predição de tráfego futuro nas vias de um cruzamento e a criação de regras fuzzy, juntamente com um sistema de inferência para o controle dos semáforos; para que no final um controle de tráfego seja implementado. 1.3 DESCRIÇÃO DO TRABALHO O trabalho realizado é constituído nas seguintes etapas: estudo dos fundamentos da engenharia de tráfego e dos controles existentes; definição de uma metodologia para a avaliação de cruzamentos sinalizados; definição do modelo do controlador proposto; e implementação com dados reais em um estudo de caso. 1 Para melhor entender o tráfego de veículos e o controle de semáforos, são apresentados inicialmente os fundamentos da engenharia de tráfego, tais como as definições dos termos, os parâmetros utilizados na descrição dos fluxos de tráfego, os tipos de cruzamentos e seus semáforos. Também são descritos os sistemas de controle mais frequentemente utilizados e como seus desempenhos são medidos. Em seguida é apresentada uma metodologia para a avaliação de controladores. Apresenta-se, também, uma investigação sobre simuladores de tráfego existentes, de modo a permitir a escolha do mais adequado para o presente estudo. Uma vez concluídas as etapas acima, a elaboração do controlador é apresentada. Cada módulo é estudado separadamente: o uso de redes neurais para a predição de tráfego futuro; a elaboração de um banco de cenário ótimos através de um otimizador; e a criação de regras fuzzy a partir deste banco. Enfim, o sistema proposto é implementado com dados reais fornecidos pela CET-Rio em um cruzamento do Rio de Janeiro e comparado com o controlador existente. 1.4 ORGANIZAÇÃO DA DISSERTAÇÃO Esta dissertação está dividida em cinco capítulos adicionais, organizados da seguinte maneira: O capítulo 2 trata dos fundamentos da engenharia de tráfego e dos sistemas de controle existentes. O capítulo 3 descreve a metodologia empregada para a avaliação de controladores de semáforos, assim como apresenta diversos simuladores de tráfego e o simulador escolhido para este estudo. O capítulo 4 expõe a elaboração do modelo do controlador proposto e detalha os seus módulos. No capítulo 5 é apresentado um estudo de caso. Também são efetuadas simulações, comparando-se os resultados obtidos pelo controlador desenvolvido com os proporcionados pelo sistema atualmente em operação. Finalmente, apresentam-se no capítulo 6 as conclusões e sugestões para trabalhos futuros. 2 2 2.1 SISTEMAS DE CONTROLE DE TRÁFEGO HISTÓRICO Os primeiros sinais de trânsito da América do Norte foram instalados em Cleveland em 1914. O primeiro semáforo coordenado eletronicamente apareceu em 1917 em Salt Lake City; em 1928, grandes cidades tais como Nova Iorque haviam instalados vários semáforos. Em 1952, engenheiros de Denver utilizaram computadores analógicos com amostradores para a seleção, a partir de um conjunto de soluções, do melhor plano de tempo para os sinais. Entre o primeiro sinal de trânsito em Cleveland e os anos 50, o dispositivo predominante para controladores de tráfego isolados ou interconectados era o controlador eletromecânico pré-ajustado. Durante os anos 50 e 60, muitas cidades americanas instalaram Sistemas de Controle de Tráfego Urbano (UTCS – Urban Traffic Control System) que consistiam de conjuntos de semáforo eletromecânicos interconectados. Os avanços na eletrônica e a disponibilidade comercial destes novos componentes, a partir da metade da década de 60, abriram a porta para muitos avanços nos equipamentos para controle de tráfego. Computadores digitais foram pela primeira vez utilizados em controle de tráfego em Toronto (Canadá), em 1963. Empregando-se transistores de baixíssimo custo, antes reservados para aplicações militares, produtos para controle de tráfego com maiores recursos foram lançados no mercado. Os controladores eletromecânicos foram substituídos por componentes em estado sólido, resultando em sistemas requerendo menos manutenção. Os microprocessadores e os circuitos integrados criaram a possibilidade do desenvolvimento de controladores menos dispendiosos. De forma geral, os avanços no controle de sinais de trânsito desde a metade da década de 60 têm melhorado os equipamentos mas afetando pouco a lógica de controle. 2.2 FUNDAMENTOS DE ENGENHARIA DE TRÁFEGO A engenharia de transportes é definida pelo Instituto de Engenheiros de Transportes (ITE) como a aplicação de tecnologia e princípios científicos no planejamento, desenho funcional, operação e administração de meios de transporte (para qualquer tipo de transporte) 3 com o objetivo de providenciar a segurança, rapidez, conforto, conveniência, economia, e compatibilidade com o meio ambiente no movimento de pessoas e bens [1]. A engenharia de tráfego é definida pelo ITE como a área da engenharia de transportes que lida com o planejamento, o desenho geométrico e a operação de tráfego em estradas, ruas e rodovias, suas redes, terminais e áreas próximas, e o relacionamento com outros meios de transporte [1]. Utilizando esta definição, os sistemas de tráfego têm como componentes vitais: § motoristas § veículos § estradas e rodovias § o meio ambiente § dispositivos de controle Estes componentes interagem entre si para formar fluxos de tráfego. Estes, por sua vez, são descritos por parâmetros que se dividem em duas categorias distintas: os parâmetros macroscópicos, que caracterizam o fluxo de tráfego como um todo; e os parâmetros microscópicos, que caracterizam o comportamento individual dos veículos no fluxo de tráfego em sua interação com os outros veículos presentes [2]. Ao todo, existem três parâmetros macroscópicos: volume, velocidade e densidade [3]. - Volume É o número de carros que passam por uma via ou faixa durante um intervalo de tempo. A unidade é simplesmente “veículos”, porém é frequentemente representada como veículos por unidade de tempo. - Velocidade e Tempo de Viagem Em um fluxo de tráfego, os diversos carros trafegam em diversas velocidades. Logo, de uma distribuição discreta de velocidade de veículos, passa-se para uma média que caracteriza o fluxo de tráfego como um todo. Por isso, velocidades médias podem ser computadas de duas maneiras distintas: 4 § Velocidade Média Temporal (TMS): é a velocidade média de todos os veículos passando pelo mesmo ponto da via durante um intervalo de tempo. Ex: quando se está no alto do prédio e se mede a velocidade com que os carros passam por um ponto A, a média destas medidas é a velocidade média temporal. § Velocidade Média Espacial (SMS): é a velocidade média de todos os veículos ocupando uma seção de estrada em um intervalo de tempo. Ex: do alto de um prédio, duas fotografias são tiradas em um intervalo de 1 segundo. Anotam-se todos os ∆i percorridos pelos veículos entre as duas fotos, e estima-se a velocidade média de cada um ∆i / 1 sec, e computa-se a média. Esta é a velocidade média espacial. TMS = SMS = 1 d ∑ n ti d t ∑ ni (1) =n d ∑t (2) i onde: d = distância percorrida n = número de tempos de viagem observados ti = tempo de viagem do i-ésimo veículo Razões para se preocupar com esta diferença de medidas: 1. para evitar erros sistemáticos, 2. para que a velocidade média medida não passe de uma para a outra quando a tecnologia de aquisição é trocada. § Tempo de Viagem: é o tempo total para a travessia de um determinado segmento de estrada. - Densidade É o número de veículos ocupando um determinado pedaço de via (ou faixa), e é geralmente expresso como veículos por quilometro (vpk) ou veículos por quilometro por faixa (vpkpf). 5 Devido à dificuldade de medição, usa-se a fórmula: V =S×D onde ⇒ D= V S (3) D = densidade V = volume S = velocidade (velocidade média espacial) É importante ressaltar que este é o mais importante dos três parâmetros pois: § é a partir da densidade que o volume e a velocidade são estabelecidos § ela informa sobre a distância entre os veículos Existem também dois parâmetros microscópicos: distanciamento (spacing) e headway. - Distanciamento É a distância entre dois veículos sucessivos em uma mesma faixa. Ela deve ser medida em relação a um ponto comum dos veículos (para-choque, eixos...) - Headway É o tempo percorrido entre dois veículos sucessivos em uma mesma faixa. Também deve ser medido em relação a um ponto comum dos veículos. Uma vez definidos todos estes parâmetros, varias relações podem ser estabelecidas entre eles. Uma relação muito importante é a existente entre o volume e a densidade de tráfego (equação 3): o volume é igual ao produto da velocidade e da densidade. A Figura 2-1 ilustra a forma genérica desta relação. 6 Volume Capacidade A X X B Densidade de engarrafamento Densidade Figura 2-1 – Relação entre volume e densidade Deste diagrama é importante notar que um mesmo volume ocorre para duas situações distintas (pontos A e B), além disso o volume é nulo nas seguintes situações: § densidade nula, que é chamado de fluxo livre pois é virtualmente a velocidade máxima de um veículo que a via permite; § densidade máxima, que é chamada de densidade de engarrafamento, e neste caso todos os veículos estão parados, portanto o volume é nulo. O diagrama também mostra que o volume atinge um máximo que é chamado de capacidade da via. Conclui-se que, como um mesmo volume pode ocorrer para duas situações distintas, o volume não pode ser utilizado na descrição das condições de tráfego. É a velocidade e a densidade que devem ser utilizados. 2.3 DESCRIÇÃO DOS TIPOS DE CRUZAMENTO As localizações mais complexas de qualquer sistema de ruas e rodovias são os cruzamentos. Neles, os fluxos veiculares de diversas direções que possuem movimentos de virar à esquerda, à direita ou seguir em frente procuram ocupar o mesmo espaço físico. Somando-se a estes fluxos veiculares, pedestres também tentam utilizar este espaço para 7 atravessar a rua. Em nenhum outro lugar de um sistema de ruas e rodovias existem tantos conflitos potencias e reais presentes. Para administrar estes conflitos, três níveis de controle podem ser providenciados nos cruzamentos: regras básicas de prioridade em estradas, controle com sinais de PARE ou PREFERÊNCIA, e os semáforos, conforme ilustrado na Tabela 2-1. A análise de qual destes é o mais apropriado para uma dada situação é uma das mais importantes tarefas do engenheiro de tráfego, e frequentemente uma das mais percebidas pela população. OPÇÕES DE CONTROLE DE CRUZAMENTO Que julgamento os motoristas podem executar com segurança para evitar colisões? Três níveis de controle estão disponíveis: Nível I Controle Passivo – aplicação das regras básicas de prioridade em estradas § Não há controle § Somente sinais de aviso § Sinais de alerta Nível II Designação de direito-de-travessia para a via principal § Controle por PREFERÊNCIA § Controle por PARE em uma via § Controle por PARE em todas as vias Nível III Designação de direito-de-travessia alternado § Semáforos § Policias de trânsito Tabela 2-1 – Níveis de controle de cruzamento É importante ressaltar que, embora os controles ativos de cruzamento sejam placas de PREFERÊNCIA e de PARE e os semáforos, qualquer outro tipo de comunicação com o motorista também afeta o controle do cruzamento. Esta comunicação pode ser feita através de: § cores, como por exemplo o vermelho da placa de PARE; § padrões, como por exemplo as linhas contínuas ou tracejadas na ruas e estradas; 8 § formato da placa de sinalização, como por exemplo as placas de PARE são quadradas, as de PREFERÊNCIA são triangulares, e as de limite de velocidade são redondas; § texto, como por exemplo os avisos da qualidade do tráfego. Os sinais de trânsito são dispositivos complexos que podem ser operados de diversas maneiras. Por isso, um número de termos e definições serão apresentadas para a melhor compreensão deste trabalho. - Ciclo Um ciclo de um sinal é a rotação completa por todas as indicações possíveis. Geralmente, cada movimento de veículos permitido recebe um “verde” uma vez a cada ciclo; contudo existem algumas exceções para esta regra. - Duração do ciclo É o tempo necessário (em segundos) para a execução completa de um ciclo. É denotada pela letra ‘C’. - Estágio Um estágio é o período durante o qual nenhuma luz de um cruzamento sinalizado muda. Em qualquer cruzamento, existem vários estágios em um ciclo, sendo eles: § estágio de mudança: corresponde à indicação “amarelo” para um dado movimento. Cada movimento do cruzamento recebe este estágio entre o “verde” e o “vermelho”. § estágio de desobstrução: é o “vermelho total” para um determinado movimento. Após cada estágio de mudança, há um período durante o qual todos os sinais do cruzamento ficam vermelhos. Este estágio tem como finalidade permitir que os carros que passaram pelo semáforo enquanto este estava amarelo atravessem completamente o cruzamento, garantindo desta forma que o cruzamento esteja livre para o fluxo de outra via. A soma dos estágios de mudança e de desobstrução (“amarelo” + “vermelho total”) é denotada pela letra Yi. 9 § estágio verde: é a indicação de “verde” para um movimento, e é simbolizado pela letra Gi. § estágio vermelho: é a indicação de “vermelho” para um movimento, e é simbolizado pela letra Ri. É importante perceber que os estágios de um movimento podem coincidir com os estágios de outros movimentos. Os estágios verde, de mudança e de desobstrução para um movimento correspondem ao estágio vermelho para os outros movimentos. - Fase É o estágio verde mais os estágios de mudança e de desobstrução que o seguem. Isto corresponde ao conjunto de estágios que permite que um movimento flua e seja parado com segurança antes do início de outro movimento. - Retardo O retardo (offset) entre sinais de trânsito sucessivos corresponde à diferença de tempo entre o início da fase verde no cruzamento a montante (upstream) e o início da fase verde em um cruzamento a jusante (downstream). As fases dos sinais são “sincronizadas” para que, em condições de tráfego livre, os veículos atravessem os cruzamentos sem que sejam parados. Sinais de trânsito que operam desta maneira estão coordenados. Considerando-se um único cruzamento, os semáforos podem ser classificados de acordo com o grau de flexibilidade em se ajustar às condições de tráfego, variando a duração do ciclo e/ou a duração de cada fase [4]. Normalmente esta classificação é: - Controle Pré-Temporizado O controlador principal determina as fases e a duração do ciclo baseado em valores pré-determinados. Estes valores pré-determinados são obtidos através de dados estatísticos. - Controle Atuado Um controlador atuado tem sua operação baseada na demanda do tráfego que é informada por detectores de veículos e/ou pedestres. Existem vários tipos de controladores 10 atuados, mas a sua característica principal é a habilidade de adaptar as durações das fases em função das condições do tráfego. Se não há veículos em uma das vias, o controlador pode pular esta fase. O tempo de verde de cada via é uma função do fluxo de tráfego, e pode variar entre durações mínima e máxima, dependendo do fluxo. § Controle Semi-Atuado: ele pode atuar em todas as fases exceto na fase principal. Um verde contínuo é mantido na via principal exceto quando uma demanda é registrada em uma das vias secundárias. O direito de passagem sempre retorna à via principal quando não há veículos presentes nas vias secundárias ou um tempo limite é alcançado. A operação semi-atuada é mais indicada para localidades com baixo volume de tráfego nas vias secundárias. Também pode ser utilizado para permitir que pedestres atravessem no meio da rua. § Controle Totalmente Atuado: a função do controlador é de medir o fluxo de tráfego em todas as vias de um cruzamento e designar o direito de passagem de acordo com a demanda de tráfego. Controladores totalmente atuados requerem a instalação de detectores em todas as vias de um cruzamento. A habilidade do controlador de responder ao fluxo de tráfego tem a sua eficiência máxima em cruzamentos isolados. - Controle Modo Sensível ao Tráfego (ou Adaptativo) Neste modo, o sistema responde às entradas que refletem as condições atuais do tráfego. As entradas incluem: § Predição de Tráfego Futuro: o sistema de controle utiliza os dados sobre volume fornecidos pelos detectores e projeta as condições futuras. § Atuado por Veículo: utiliza dados de detectores de presença e modifica a quebra de fases baseando-se na presença e separação dos veículos. Este procedimento é referente ao tráfego atual e não depende das projeções de tráfego. § Reconhecimento de Padrões: os dados sobre volume e ocupação do sistema são suavizados e ponderados e em seguida comparados com perfis armazenados em memória. Isto possibilita a identificação do perfil armazenado que mais se assemelha com as condições do tráfego atual. Quando um padrão é identificado, parâmetros apropriados são colocados em operação. 11 Finalmente, o plano de fases deve ser consistente com a geometria do cruzamento, o uso de cada faixa, os volumes e as velocidades, e a necessidade de travessia de pedestres. Alguns exemplos de planos de fases são apresentados nas Figura 2-2, Figura 2-3 e Figura 2-4, e a simbologia utilizada está descrita na Figura 2-5. Fase A Fase B Figura 2-2 – Geometria de um cruzamento, plano de fases com 2 fases Fase A Fase B Figura 2-3 – Geometria de um cruzamento, plano de fases com 3 fases 12 Fase C Fase A Fase B Fase C Fase D Figura 2-4 – Geometria de um cruzamento, plano de fases com 4 fases Tráfego em Movimento Virar a Direita Virar a Esquerda Tráfego Parado Figura 2-5 – Simbologia dos planos de fases 2.4 MEDIDAS DE DESEMPENHO DE CRUZAMENTOS CONTROLADOS Como os cruzamentos sinalizados são basicamente pontos ou nós contidos em um sistema de rodovias e ruas, a definição de medidas de eficiência para descrever a qualidade de operação é mais difícil do que em vias de fluxo contínuo. Tradicionalmente, medidas são utilizadas na análise da capacidade e em modelos de simulação, sendo que todas quantificam algum aspecto da experiência da travessia de um cruzamento sinalizado do ponto de vista do motorista. As mais comuns são: § atraso § filas § paradas O atraso é a medida mais diretamente relacionada com a sensação do motorista, visto que ele descreve a quantidade de tempo consumida na travessia do 13 cruzamento. O atraso, todavia, pode ser quantificado de várias maneiras diferentes. Os tipos de atraso mais frequentemente utilizados estão definidos abaixo: - Atraso parado É o tempo durante o qual o veículo fica totalmente parado enquanto espera para atravessar o cruzamento. Logo este atraso começa quando o veículo pára completamente e termina quando ele começa a acelerar. - Atraso de aproximação Inclui o atraso parado, mas também inclui o tempo de desaceleração e o tempo de aceleração até o retorno à velocidade original em que trafegava. - Atraso no tempo de viagem É definido como a diferença entre o tempo total desejado pelo motorista para atravessar o cruzamento e o tempo que realmente levou a travessia. - Atraso na fila É o tempo total contado a partir do veículo alcançar o final da fila até ele atravessar o cruzamento. As medidas de atrasos parado, de aproximação e no tempo de viagem estão exemplificados na Figura 2-6. Estas medidas de atraso podem ser bastantes diferentes, dependendo das condições do cruzamento sinalizado em questão. As medidas de atraso também podem ser apresentadas sob forma agregada ou sob forma de média por veículo. O atraso agregado é apresentado como o total de horas-veículo de atraso sofrido por todos os veículos que atravessaram o cruzamento durante um determinado intervalo de tempo. O atraso médio individual é definido em termos de segundos/veículo de atraso, novamente para um determinado intervalo de tempo. Atraso é a medida de eficiência mais frequentemente utilizada para cruzamentos sinalizados. Contudo, outras medidas também são úteis: o tamanho da fila em um determinado instante (denotado QT) é crítico para a determinação de quando um cruzamento vai começar a impedir o “descarregamento” ou movimento de 14 uma via que fica a montante (upstream); o número de paradas efetuadas (denotado NS) é um parâmetro importante para os modelos de qualidade de ar. Distância D1 = Atraso Parado D2 = Atraso de Aproximação D3 = Atraso no Tempo de Viagem Trajeto Desejado D2 D3 Trajeto Real D1 Tempo Figura 2-6 – Ilustração de medidas de atraso Nos últimos anos, é cada vez mais frequente o uso de duas outras medidas de eficiência dos controles de cruzamentos: o consumo de combustível (em litros e US$), e a emissão de gases poluentes tais como CO, NOx e HC. 2.5 SISTEMAS DE CONTROLE DE TRÁFEGO EM USO Após a introdução de sinais de controle de tráfego computadorizados em meados dos anos 60, vários projetos de pesquisa se concentraram no desenvolvimento de estratégias de controle mais sensíveis e avançadas. Um dos estudos mais completos foi o Sistema de Controle de Tráfego Urbano (UTCS) gerenciado pelo Federal Highway Administration (EUA) [5]. Avanços significativos em controles mais sensíveis foram obtidos durante os anos 80 com a introdução do SCOOT no Reino Unido [5] e do SCATS na Australia [5]. Na América do Norte o UTCS é o sistema de controle de sinais de trânsito mais empregado. SCOOT e SCATS ganharam popularidade na Australia, Europa e Ásia, e, mais recentemente, na América do Norte. 15 Alguns dos sistemas e softwares de controle de sinais de trânsito mais comuns são apresentados abaixo: - Traffic Network Study Tool (TRANSYT) Um dos programas de temporização de semáforos mais utilizado é o TRANSYST. A versão original do TRANSYT foi desenvolvida pelo Transportation and Road Research Laboratory na Inglaterra em 1968. O modelo necessita dos fluxos nas vias e a proporção de conversão1 nas vias como entradas e considera que são constantes durante todo o período de simulação. O TRANSYT simula as condições do tráfego para a duração de um ciclo completo, e estas condições são consideradas constantes para todos os outros ciclos. A heurística do TRANSYT tem provido um bom equilíbrio entre acurácia e eficiência nos últimos 30 anos. Desde o seu desenvolvimento, versões adaptadas aos EUA foram lançadas com o título de TRANSYT-7F. Este último é capaz de avaliar uma rede coordenada de até 50 cruzamentos com até 250 vias. - Urban Traffic Control Systems (UTCS) UTCS é um sistema de controle de tráfego centralizado que controla todos os cruzamentos de um sistema com planos de fase fixos ou variáveis. Dados históricos baseados na hora do dia e no dia da semana são freqüentemente a base do plano. As estratégias de controle do UTCS são categorizadas em três gerações, e estão resumidas na Tabela 2-2. - Split Cycle and Offset Optimization Technique (SCOOT) SCOOT é o modelo de controle de tráfego computadorizado centralizado desenvolvido no Transportation and Road Research Laboratory (Inglaterra). Diferentemente do TRANSYST que é somente um programa, o SCOOT é um sistema completo de controle de tráfego. Ele é um melhoramento em relação à primeira geração de UTCS e fornece um controle de tráfego adaptativo em tempo real. SCOOT utiliza detectores para medir o fluxo de tráfego em tempo real, e, fazendo uso de tempos de viagem pré-determinados e do grau de saturação (razão fluxo/capacidade), prediz as filas nas interseções. O modelo de tráfego do SCOOT é baseado em um 1 fração de veículos que viram à direita ou à esquerda 16 modelo de fila, logo, não considera o efeito de engarrafamentos nos cruzamentos a jusante (downstream) na sua saída. Este modelo funciona bastante bem enquanto a rede não estiver congestionada. Porém, ele falha na modelagem do efeito de um engarrafamento durante o refluxo (spillback) da fila. ATRIBUTOS Intervalo de Atualização Geração do Plano de Controle Predição de Tráfego Determinação da Duração do Ciclo 1a Geração de Controle (1-GC) 15 min 2a Geração de Controle (2-GC) 5-10 min 3a Geração de Controle (3-GC) 3-5 min Otimização On-line Otimização On-line Nenhuma Baseada em histórico Fixa para cada seção de cruzamentos Fixa dentro de um grupo variável de cruzamentos Valores atuais suavizados Variável em tempo e espaço. Predeterminado para um período de controle Otimização Off-line. Seleção dentro de uma biblioteca em função da hora do dia, do tráfego, ou modo manual Tabela 2-2 – Característica das Estratégias de Controle do UTCS [5] - Distributed Intelligence Traffic Control System (DITCS) DITCS é o sistema de controle no qual os controladores de interseção usam planos de fase, mas podem ajustar dinamicamente as quebras de fase para satisfazer as condições de tráfego no nível do controlador. DITCS são sistemas de malha fechada fornecendo controle de tráfego adaptativo em tempo real. Alguns dos DITCS mais conhecidos são o Sydney Coordinated Traffic Adaptative System (SCATS) e TracoNet: § SCATS – É um sistema de controle dinâmico com uma arquitetura descentralizada. Ele atualiza a duração do ciclo utilizando os detectores posicionados nas faixas de pedestres. § TracoNet – Também tem uma arquitetura descentralizada, e possui algoritmos sensíveis ao tráfego baseados em reconhecimento de padrões. - Real-Time Traffic Adaptative Signal Control System (RT-TRACS) Em 1991 a Federal Highway Administration solicitou propostas para o desenvolvimento de um controlador adaptivo de sinais de trânsito em tempo real chamado de RT-TRACS. O requisito principal deste sistema é administrar 17 eficientemente e responder às variações rápidas das condições do tráfego. O RTTRACS está atualmente em estado de prototipagem. A Tabela 2-3 apresenta a comparação entre os sistemas de controle de tráfego UTCS, SCOOT, SCATS e TracoNet. Controle Offsets Resposta ao Tráfego Custo de Software e Instalação (master) ($1994) Contato UTCS Central Predeterminado Encaixe (Matching) de planos utilizando detectores SCOOT Central Dinâmico Algoritmo de projeção de tráfego utilizando detectores SCATS Distribuído Predeterminado Ajuste da quebra de fase para o tráfego atual utilizando detectores de grau de utilização TracoNet Distribuído Predeterminado Reconhecimento de padrões utilizando detectores $100.000 $350.000 $130.000 $8.000 Honeywell, Spery, etc. TRRL, GE, Fortran Systems New South Wales Dept. of Roads, Phillips, AWA Traconex Tabela 2-3 – Comparação de Sistemas de Controle de Tráfego [6] 2.6 DISCUSSÃO Uma vez implementado o sistema de controle de tráfego, procura-se medir as reduções no atraso sofrido pelos veículos, no tempo de viagem de um determinado percurso, e no número de paradas. De uma forma menos sistemática, medem-se as reduções de consumo de combustível e de emissão de gases poluentes. Outra forma de avaliação do sistema é a velocidade média dos veículos, que deve ser maximizada. A Tabela 2-4 apresenta o resumo dos benefícios encontrados após a aplicação de diversos sistemas e técnicas de controle de tráfego em diferentes cidades. Da Tabela 2-4, pode-se notar que a implementação de sistemas de controle de tráfego pode trazer resultados muitos bons em cidades muito grandes que possuem um tráfego tradicionalmente caótico, como é o caso de Los Angeles e Tokyo. 18 Localidade Glasgow Orange County § § § § § § Texas § § § Parramatta, New South Wales Great West Highway (Via Arterial) Tokyo Los Angeles Orlando Virginia § § § § § § § § § § § § § § § § § § Benefícios redução de 12% no atraso redução de 6% no tempo de viagem (em relação aos planos calculados pelo programa TRANSYT em 1967) aumento na velocidade de 30mph para 33mph no horário de pico da manhã aumento na velocidade de 26mph para 33mph no horário de pico da tarde redução no número de paradas e atraso redução de 13,5% no consumo de combustível (20,8 milhões de galões/ano) redução de 29,6% no atraso redução de 11,5% no número de paradas Ao todo, isto representa uma economia de US$252 milhões por ano redução de 3% no tempo de viagem redução de 1% no número de paradas redução de 4% no tempo de viagem redução de 25% no número de paradas redução de 13 a 31% no tempo de viagem redução de 24 a 45% no número de paradas redução de 18% no tempo de viagem redução de 44% no atraso devido aos sinais redução de 41% no número de paradas redução de 13% no consumo de combustível redução de 14% na emissão de gases poluentes redução de 56% no número de paradas e atraso redução de 9 a 14% na emissão de gases poluentes redução de 10,2% no tempo de viagem redução de 25,5% no número de paradas redução de 25,2% no atraso redução de 3,7% no consumo de combustível redução de 16 a 19,5% na emissão de gases poluentes Tabela 2-4 – Benefícios Diversos Sistemas de Controle de Tráfego A Tabela 2-5 apresenta um resumo de alguns testes em campo realizados com o UTCS no início dos anos 80 nos EUA, comparando cada geração em uma via arterial e em uma malha de ruas. 19 Estratégia UTCS 1-GC (arterial) 1-GC (malha) 2-GC (arterial) 2-GC (malha) 3-GC (arterial) 3-GC (malha) % de mudança no tempo de viagem acumulado em relação à base Pico da Manhã Fora do Pico Pico da Tarde Media Diária - 2,6 - 3,2 - 1,3 + 4,4 + 9,2 + 14,1 - 4,0 + 1,9 - 3,8 + 1,9 + 24,0 - 0,5 - 12,2 - 1,6 + 0,5 + 10,7 + 21 + 7,0 ND ND - 2,1 +5,2 + 16,9 + 8,2 ND: Dado Não Disponível Tabela 2-5 – Comparação de Resultados de Estratégias do UTCS [5] Como mostrado na tabela acima, os métodos mais simples obtiveram melhores resultados (+ indica um aumento no tempo de percurso). Na 2-GC e na 3-GC, a eficiência da resposta do sistema de controle depende inteiramente da qualidade do modelo de predição. Contrariamente à intuição, as estratégias mais sensíveis resultaram em um desempenho inferior àquele do ciclo fixo (1-GC), estratégia não sensível ao tráfego. Uma análise mais detalhada dos experimentos indica que as expectativas não foram atendidas porque os modelos e procedimentos utilizados no estudo do UTCS falharam. Os motivos propostos para o sucesso limitado do controle adaptativo incluem: § Imprecisões inerentes ao ciclo de predição de medidas, de tal modo que as estratégias não podiam responder de modo suficientemente rápido. § A transição freqüente na temporização dos sinais podendo levar à atrasos consideráveis. § O tempo permitido aos modelos para o cálculo do ótimo ter sido insuficiente. Estudos em campo indicam que vários sistemas de controle de tráfego urbano em tempo real, incluindo o SCOOT, são capazes de atingir reduções na faixa do 10 por cento no tempo de percurso comparado com o controle convencional de tempo fixo. Porém, foi impossível atingir com consistência estas reduções [5]. Aponta-se como motivo principal pela falta de melhores resultados nestes sistemas UTC em tempo real a complexidade do problema, a variação dos fluxos nas vias e a imprecisão nas medidas dos detectores de veículos. 20 Em virtude destas falhas, é proposto um modelo de controle de tráfego cuja predição de volume de tráfego é feita por uma rede neural, sendo assim mais flexível no tratamento da variação dos fluxos nas vias. Em relação à imprecisão nas previsões de volume, o modelo proposto utiliza lógica fuzzy no controle dos semáforos de um cruzamento. 21 3 METODOLOGIA PARA A AVALIAÇÃO DE UM SISTEMA DE CONTROLE DE TRÁFEGO ADAPTATIVO A grande maioria dos atrasos das redes de ruas ocorre nos cruzamentos sinalizados. Dependendo da localidade, a implementação de controles de tráfego adaptativos (TAC) obteve benefícios diversos (Tabela 2-4). Embora a análise dos resultados obtidos pelo controle adaptativo seja útil, esta não é completamente confiável devido à grande variação dos benefícios encontrados. Em virtude disto, os engenheiros necessitam de uma metodologia que permita estimar o retorno do investimento com a melhoria do controle de tráfego [7]. 3.1 METODOLOGIA Existem três métodos de avaliação dos TAC: - Demonstração por um projeto piloto Este método requer a implementação do TAC. Através do acompanhamento de sua operação durante um período de tempo, estabelecem-se diretrizes para o seu uso em outros sistemas com características similares. Devido ao seu alto custo, estes projetos podem estar fora do alcance de muitas localidades. - Análise off-line por computador Neste método todas as análises são feitas em simuladores e ele é utilizado para encontrar benefícios potenciais. Resultados podem levar à identificação de locais para projetos pilotos de demonstração, ou até à implementação de um sistema completo. - Análise on-line Requer que os sinais de trânsito estejam ligados de modo on-line com a central. Desta maneira, a temporização dos sinais é otimizada em tempo real a partir de um módulo de otimização. 22 Por seu baixo custo, a metodologia utilizada nesta dissertação é a de análise off-line por computador. Os seus componentes são: a definição do sistema estudado, a aquisição de dados, a escolha do simulador de tráfego, a definição dos cenários, a análise e compilação dos resultados e a análise dos custos e benefícios. A estruturação destes componentes pode ser sistematizada como: - Definição do sistema O primeiro passo é determinar a extensão do sistema, indicando se ele consiste em uma rede de cruzamentos e semáforos, ou em um cruzamento isolado. Também devem ser definidos a localização do cruzamento e o horário durante o qual o estudo é realizado. - Aquisição de dados Uma vez definido o sistema, são necessários o desenho geométrico do cruzamento, determinação dos volumes de tráfego em todas as vias e o controle prétemporizado de tráfego empregado. Para melhor imitar o comportamento do sistema real, os volumes das vias são distribuídos em intervalos de quinze minutos. - Simulações De posse dos dados necessários, o controle pré-temporizado e o TAC proposto são simulados no computador. - Análises e Comparações Utilizando os relatórios fornecidos pelo simulador, as medidas de desempenho (seção 2.4) são comparadas e é realizada uma análise dos custos e benefícios. 3.2 SIMULADORES Existem vários simuladores e / ou otimizadores de semáforos no mercado, que possuem vantagens e desvantagens um em relação ao outro. Foram analisados seis pacotes de controle de tráfego: SIGSET, PASSER, SIG Cinema, Synchro+SimTraffic, Oscady e VISSIM. 23 - SIGSET [8] Desenvolvido na Inglaterra no início dos anos 80, o SIGSET é um programa DOS que otimiza os sinais de um único cruzamento. Mesmo não realizando nenhuma simulação, o SIGSET fornece algumas medidas de eficiência do cruzamento, tais como atraso e tamanho de fila. - PASSER (ttisoftware.tamu.edu) Este é o conjunto de programas de otimização de condições de tráfego desenvolvido pelo Texas Transportation Institute (TTI) da Texas A&M University. O PASSER existe em três versões diferentes: § PASSER II-90: otimizador de sinais de uma via arterial para ambiente Windows. § PASSER III-98: programa Windows de otimização de sinais em um trevo rodoviário. § PASSER IV-96: desenvolvido para ambiente DOS, esta versão otimiza os sinais de uma pequena rede de vias. Ao final da otimização, o PASSER fornece um relatório com as medidas de desempenho dos cruzamentos. - SIG Cinema (www.kldassociates.com) Desenvolvido pela KLD Associates conjuntamente com a Polytechnic University, ele otimiza os sinais para cruzamentos isolados. - Synchro + SimTraffic (www.trafficware.com) Este programa da Trafficware é dividido em dois módulos: Synchro e SimTraffic. O Synchro é responsavel pela entrada de dados (geometria, volumes, etc.) e pela otimização dos sinais de um cruzamento isolado ou de uma rede de vias. Uma vez terminada a otimização, o sistema é simulado pelo SimTraffic, que fornece um relatório das medidas de eficiência. 24 - OSCADY (www.trlsoftware.co.uk) Este é o otimizador do Transportation Research Laboratory (Inglaterra). Ele permite a otimização da temporização dos semáforos de um cruzamento isolado, ou pela minimização do atraso ou pela maximização da capacidade. - VISSIM (www.english.ptv.de/cgi-bin/produkte/vissim.pl) Criado na Alemanha pela PTV, o VISSIM é um simulador de transportes públicos (ônibus, trens urbanos...) que modela o desempenho de controles adaptativos. As principais características destes programas estão resumidas na Tabela 3-1. Programa SIGSET PASSER II-90 PASSER III-98 PASSER IV-96 SIG Cinema Synchro + SimTraffic Ambiente DOS Windows Windows DOS Windows Windows Simulador OSCADY VISSIM Windows Windows X X X X Otimizador X X X X X X Sistema 1 cruzamento via arterial trevo rodoviário rede de vias 1 cruzamento 1 ou vários cruzamentos 1 cruzamento 1 ou vários cruzamentos Tabela 3-1 – Principais Características dos Simuladores de Tráfego 3.3 SIMULADOR UTILIZADO A escolha do simulador entre os programas descritos na seção anterior é feita em função das características abaixo: § habilidade de otimizar os sinais e de simular a operação de um cruzamento; § flexibilidade na entrada dos dados; § capacidade de fornecer as medidas de eficiência solicitadas pelo estudo, tais como atraso, número de paradas, tempo de viagem, consumo e emissão de gases poluentes. 25 A primeira característica limita a escolha entre o SIG Cinema e o Synchro + SimTraffic. Entre estes dois, o Synchro + SimTraffic é o único que fornece o consumo de combustível e o nível de emissão de gases poluentes. Graças a sua interface gráfica e a sua compatibilidade com dados em formato ASCII, ele é o único a atender o requisito de flexibilidade na entrada dos dados. 26 4 SISTEMA DE CONTROLE DE TRÁFEGO FUNNCON Neste trabalho é apresentada uma proposta de um novo modelo de controle de tráfego para um cruzamento isolado com Modo Sensível ao Tráfego. A lógica de controle sugerida possui três partes principais: • módulo previsão de tráfego futuro, • módulo banco de cenários ótimos, • módulo fuzzy. Na próxima seção será apresentado a evolução do sistema de controle, e em seguida cada módulo será explicado separadamente. 4.1 CONSTRUÇÃO E ELABORAÇÃO DO SISTEMA Como visto na seção 2.3, a operação de sinais de trânsito pode ser descrita por quatro variáveis: § duração do ciclo § fases do sinal § quebras de fase § retardos No caso de um cruzamento isolado não existe retardo. Para um cruzamento de duas vias, sem conversões protegidas, somente duas fases são necessárias. Deste modo o controlador deve ser um otimizador da duração do ciclo e das quebras de fase que toma como base o fluxo de veículos que atravessa o cruzamento (Figura 4-1). 27 Duração do ciclo Fluxo de veículos OTIMIZADOR Quebras de fase Figura 4-1 – Controlador em malha aberta Nota-se que este é um controlador em malha aberta, pois não existe uma realimentação. Barnard e Shaw [9] propõem o uso do número de carros esperando na fila, já que este dado tem a propriedade – denominada feedback (realimentação) - de informar sobre o sucesso da estratégia de controle (Figura 4-2). Desta forma, pode-se estabelecer a seguinte associação: Fluxo de veículos → controlador com malha aberta Tamanho da fila → controle de malha fechada Duração do ciclo Volume SISTEMA OTIMIZADOR Quebras de fase Tamanho da fila SENSORES (cruzamento + semáforos) Condições do tráfego Figura 4-2 – Controlador de malha fechada Contudo, o elevado custo dos sensores medidores de tamanho de fila dificulta a implementação de controladores com realimentação. Outra limitação do controlador da Figura 4-2 é a ausência de algum tipo de predição do volume de tráfego, ou mesmo uma simples medida da evolução do volume de tráfego, fazendo com que ele não seja capaz de se adequar com rapidez a mudanças bruscas das condições do trânsito. Devido ao tempo de processamento do otimizador, ele é substituído por uma biblioteca de soluções ótimas previamente calculadas para diferentes condições do 28 tráfego (diversos volumes). Deste modo, o controlador deveria possuir um terceiro módulo, cuja função seria determinar a melhor alternativa da biblioteca de soluções ótimas, levando em conta os volumes de tráfego presente e previsto. Este módulo poderia executar um simples casamento de padrões, porém existem dois problemas inerentes a esta solução: o controlador dificilmente forneceria a temporização ótima já que a biblioteca não possui um padrão ótimo para todas as condições de tráfego possíveis; além disso, o casamento de padrões teria que ser flexível em relação às incertezas das condições do tráfego. Em virtude disso, utilizando os cenários do banco de soluções ótimas, regras fuzzy são criadas. Ou seja, um sistema de inferência fuzzy é utilizado para determinar a melhor temporização dos semáforos do cruzamento. Como os módulos “inteligentes” do controlador proposto são baseados em lógica fuzzy e redes neurais, o controlador é denomindado FUNNCON (FUzzy and Neural Network CONtroller). O diagrama da Figura 4-3 apresenta a estrutura do FUNNCON para um cruzamento de duas vias, denominadas via A e via B. 29 REDES NEURAIS VAt VBt SISTEMA DE INFERÊNCIA FUZZY PREDITOR A VAt+1 PREDITOR B VBt+1 Duração do ciclo BIBLIOTECA DE SOLUÇÕES ÓTIMAS Quebras de fase CRIAÇÃO DE REGRAS FUZZY Duração do ciclo SISTEMA VAt - Volume do tráfego na via A no instante t Quebras de fase VBt - Volume do tráfego na via B no instante t Volume nas vias A e B SENSORES Figura 4-3 – Diagrama do FUNNCON com seus três módulos 30 (cruzamento + semáforos) Condições do tráfego 4.2 MÓDULO DE PREVISÃO DE TRÁFEGO FUTURO Redes neurais já foram empregadas com diversas finalidades em controladores de tráfego, como por exemplo, na determinação das funções de pertinência de um controlador fuzzy [10], na escolha do melhor plano de controle em função dos volumes nas vias do cruzamento [9]. A predição de tráfego futuro já foi efetuada por uma rede neural do tipo Radial Basis Function (RBF) na rodovia I-70 do condado de Saint Louis, Missouri, EUA [11]. Devido aos resultados obtidos na predição de séries temporais [12], e ao fato dos volumes de tráfego em uma via formarem uma série temporal, uma rede neural foi escolhida como núcleo do módulo de predição de tráfego futuro (Figura 4-4). Vt-n+1 PREDITOR Vt Vt+1 (Rede Neural) Figura 4-4 – Predição do tráfego futuro com uma rede neural Embora o treinamento de uma rede neural possa ser demorado, uma vez terminado este processo ela é capaz de informar o volume de tráfego futuro quase que instantaneamente, sem que um novo treinamento seja realizado. - Arquitetura Para a obtenção de melhores resultados, a rede neural é responsável pela predição do tráfego de uma só via [12]. Ou seja, se o cruzamento possui três vias, o volume de tráfego em cada uma delas será previsto por uma rede, totalizando três redes neurais. § Entradas Em séries temporais, geralmente as entradas da rede neural correspondem a um índice relacionado ao tempo e a alguns valores passados da série [12], conforme mostrado na Figura 4-5. 31 Distância Valor futuro Entradas da rede Série 8 9 10 11 12 13 14 15 16 17 Tempo Figura 4-5 – Entradas de uma rede neural para séries temporais Para o caso de um cruzamento com várias vias, as entradas são um índice temporal e os valores passados dos volumes em todas as aproximações. § Pré-processamento dos dados Os volumes nas vias devem ser normalizados segundo a equação 4: V'= V − 0,9V min 1,1V max − 0,9V min (4) onde: V = volume não normalizado V’ = volume normalizado entre 0 e 1 Vmin = menor volume observado na via Vmax = maior volume observado na via Os volumes mínimo e máximo são subtraídos e acrescidos de 10% como margem de tolerância, permitindo que a saída da rede neural possa ser menor (ou maior) que os extremos observados durante o seu treinamento. 32 § Saída Durante o treinamento, na saída da rede neural é apresentado o volume que ela deve prever. Após o término do treinamento, a saída da rede será o volume previsto. Como os dados de entrada são normalizados, a saída também será. Para que ela possa ser utilizada pelos outros módulos do FUNNCON, deve-se efetuar uma desnormalização: V = (1,1V max − 0,9V min ) × V '+0,9Vmin (5) onde: V = volume não normalizado V’ = volume normalizado entre 0 e 1 Vmin = menor volume observado na via Vmax = maior volume observado na via 4.3 MÓDULO BANCO DE CENÁRIOS ÓTIMOS O conjunto de soluções ótimas – e sub-ótimas – consiste em um grupo de soluções previamente calculadas para um determinado número de cenários. Em princípio poder-se-ia utilizar as soluções encontradas por programas de temporização de semáforos, tais como o Synchro, ou optar em encontrar estas soluções com a ajuda de Algoritmos Genéticos (GA). Os GAs têm sido aplicados com sucesso em problemas de tráfego e transporte, ainda que sua utilização na área continue limitada. Foy et al. [13] relatam o uso de GAs para determinar os parâmetros de semáforos. Hadi e Wallace [14] utilizaram GAs para obter a fase ótima na coordenação de sinais. Abu-Lebdeh e Benekohal fizeram um extenso uso dos GAs no tratamento de filas [15, 16] e no controle de tráfego [17, 18]. A empresa BNN technologies, numa parceria com FHWA (Federal Highway Administration, EUA), desenvolveu um controlador em tempo real [19]. Fwa et al. [20] e Chan et al. [21] utilizaram GAs no problema combinatório de otimização da manutenção do pavimento. O aspecto principal que torna os GAs atraentes para o uso neste tipo de problema é a sua habilidade de superar a explosão combinatória [22, 23]. Porém, na determinação da duração do ciclo e das quebras de fase de um cruzamento isolado, a utilização do GAs não é necessária, uma vez que os modelos analíticos existentes foram testados e aprovados. Desta forma, o banco de cenários ótimos será criado a partir das soluções calculadas pelo Synchro. 33 Cumpre observar que dados de uma pesquisa entre engenheiros de tráfego apontam o Synchro como o programa de otimização de temporização mais utilizado e cujos resultados são mais confiáveis [24]. 4.4 MÓDULO FUZZY Uma das primeiras aplicações de lógica fuzzy no controle de tráfego urbano foi realizada por Pappis e Mamdani em 1977 [25]. Nas duas décadas seguintes, o seu uso em controle de tráfego foi exaustivamente testado [10, 26, 27]. Devido aos resultados limitados, principalmente na coordenação de semáforos, a pesquisa em controladores exclusivamente fuzzy foi abandonada nos últimos anos. No FUNNCON a lógica fuzzy é responsável pela determinação da duração do ciclo e da quebra de fase baseada nos volumes previstos pelas redes neurais. O seu sistema de inferência fuzzy é composto pelo banco de cenários ótimos e pelo módulo de aprendizado de regras fuzzy (Figura 4-6). SISTEMA DE INFERÊNCIA FUZZY Duração do ciclo BIBLIOTECA DE SOLUÇÕES ÓTIMAS Quebras de fase CRIAÇÃO DE REGRAS FUZZY Figura 4-6 – Sistema de inferência fuzzy O banco de cenários ótimos pode ser visualizado como um conjunto de regras de controle, tais como: SE volume via 01 = 1000 vph E volume via 02 = 2500 vph E volume via 03 = 90 vph = 120 segundos ENTÃO duração do ciclo 34 ou SE volume via 01 = 1000 vph E volume via 02 = 2500 vph E volume via 03 = 90 vph = 0,8 ENTÃO quebra de fase Estas regras são transformadas em regras fuzzy pelo método de Wang & Mendel e Wang [28, 29] que é composto de três etapas: § Divisão dos domínios de entrada e de saída em regiões fuzzy, § Geração das regras fuzzy a partir dos pares de dados de entrada, § Atribuição de um grau a cada regra. Sejam os pares de entrada/saída da forma: (x1(1), x2(1), y(1)), (x1(2), x2(2), y(3)), ... onde x1 e x2 são as entradas e y é a saída. 1. Os domínios de entrada e de saída são divididos em regiões fuzzy, como mostra a Figura 4-7. 2. A partir dos pares de dados de entrada as regras fuzzy são geradas: Os graus de pertinência µ(x1(i)), µ(x2(i)), µ(y(i)) de x1(i), x2(i) e y(i) nas diferentes regiões são determinados. No exemplo da Figura 4-7, x1(1) tem grau 0,8 em B1, 0,2 em B2 e zero nas outras regiões. Em seguida, a região de maior grau é atribuida aos x1(i), x2(i) e y(i), desta forma no exemplo x1(1) é B1. Finalmente, uma regra é obtida para um par de entrada/saída: (x1(1), x2(1), y(1)) ⇒ [(x1(1) (0,8 em B1), x2(1) (0,7 em S1), y(1) (0,9 em CE)] ⇒ Regra 1 35 que deve ser lida como: SE x1 é B1 E x2 é S1 ENTÃO y é CE Este procedimento é repetido para todos os pares de dados. µ(x1) S2 S1 CE B1 B2 1,0 0,0 x1- x1(2) x1(1) B1 B2 x1+ x1 µ(x2) S3 S2 S1 CE B3 1,0 0,0 x2- x2(1) x2(2) x2+ x2 µ(y) S2 S1 CE B1 B2 1,0 0,0 - (1) y y (2) y + y Figura 4-7 – Divisão dos domínios de entrada e saída em regiões fuzzy 36 y 3. A cada regra fuzzy é atribuido um grau. Para uma regra do tipo “SE x1 é A E x2 é B ENTÃO y é C”, define-se como grau desta regra: D(regra) = µA(x1)µB(x2)µC(y) (6) Como existem muitos pares de dados e como cada par gera uma regra, é altamente provável a existência de regras conflitantes, isto é, regras com os mesmos antecedentes mas com consequentes diferente. Uma maneira de resolver este conflito é pela atribuição de um grau a cada regra gerada. Assim, dentro de um grupo conflitante somente a regra de maior grau é selecionada. Desta forma, não somente o problema de conflito é solucionado, mas o número de regras é reduzido. Resolvidos todos os conflitos, um banco de regras fuzzy é criado. 37 5 ESTUDO DE CASO No capítulo anterior, um modelo de controle de semáforos baseado em lógica fuzzy e redes neurais foi proposto, o FUNNCON. Com base em dados reais, o FUNNCON será implementado no controle de um cruzamento isolado da cidade do Rio de Janeiro. Seguindo a metodologia do capítulo 3, ele será avaliado e comparado com o controle fixo utilizado pela CET-Rio. 5.1 LAYOUT DO CRUZAMENTO Em cooperação com a Companhia de Engenharia de Tráfego do Rio de Janeiro (CET- Rio), o cruzamento da Avenida Ayrton Senna com o retorno para o Riocentro foi escolhido por ser um cruzamento isolado e ao mesmo tempo possuir um grande volume de tráfego. O layout do cruzamento é mostrado na Figura 5-1. Cruzamento 2 Cruzamento 1 Figura 5-1 – Layout do cruzamento Aparentemente o layout mostra dois cruzamentos distintos; porém, segundo a Gerência de Controle de Tráfego da CET-Rio, devido à pequena extensão do retorno (aproximadamente 60 metros), ele pode ser abstraído (Figura 5-2). 38 VIA 02 VIA 01 VIA 03 Figura 5-2 – Layout do cruzamento de 3 vias Desta forma, este é um cruzamento entre 3 vias que necessita de duas fases, conforme mostra a Figura 5-3. Fase A Fase B Figura 5-3 – Conjunto de fases do cruzamento No restante do texto as vias do cruzamento serão denominadas: VIA 01 → Sentido Cidade de Deus VIA 02 → Sentido Barra VIA 03 → Retorno 39 5.2 DADOS Para uma comparação realista entre o controle implementado pela CET-Rio e o FUNNCON, dados reais foram obtidos com a CET-Rio. Para o treinamento das redes neurais do FUNNCON são necessários dados de vários dias; no entanto, a CET-Rio só dispunha dos volumes de um único dia da semana (23/09/1999). Consequentemente, volumes de tráfego de quatro dias foram coletados manualmente: a partir de fitas de vídeo do cruzamento gravadas pela CET-Rio, os fluxos em cada via foram contados em intervalos de 15 minutos (Figura 5-4). Figura 5-4 – Imagem da fita de vídeo fornecida pela CET-Rio Para simular o efeito dos veículos pesados que trafegam pelo cruzamento, os volumes de ônibus e de caminhões foram ajustados. Desta forma, um ônibus equivale a 2,25 carros e um caminhão a 1,75 carros. Também foram fornecidos pela CET-Rio os planos de controle hoje utilizados, baseados em ciclos fixos que se alternam ao longo do dia e da semana. 40 § Dias e horários de estudo Com o objetivo de evitar sazonalidade em função do dia da semana, os dados foram adquiridos ao longo de quatro quintas-feiras: 28 de junho, 5 de julho, 27 de setembro e 4 de outubro de 2001. Devido à dificuldade na contagem manual, o horário de estudo não pôde ser de 24 horas; assim, foi limitado entre as 6:00hs e as 10:00hs de cada dia. § Tratamento dos dados No dia 5 de julho, durante as 7:00hs e as 7:45hs, devido a uma forte chuva não foi possível contar o número de carros que passavam pela via sentido Cidade de Deus (Figura 5-5). Esta lacuna foi peenchida utilizando-se os volumes desta via nos outros dias adquiridos. Figura 5-5 – Imagem da fita de vídeo sob chuva Em função da atuação dos guardas de trânsito, que são agentes externos, os volumes na via Retorno apresentavam uma grande flutuação. Esta variação foi suavizada utilizando uma média móvel de dois pontos ao longo da série. § Volumes Os volumes coletados, após o tratamento descrito acima, estão resumidos na Tabela 5-1. 41 28 de Junho 5 de Julho Intervalo VIA 01 VIA 02 VIA 03 06:00 06:15 262 403 29 06:15 06:30 397 532 35 06:30 06:45 563 706 48 06:45 07:00 782 977 83 07:00 07:15 931 842 121 07:15 07:30 1040 978 134 07:30 07:45 1112 939 151 07:45 08:00 1076 1082 156 08:00 08:15 1002 1084 160 08:15 08:30 1029 1096 169 08:30 08:45 1096 1041 149 08:45 09:00 1050 995 150 09:00 09:15 956 957 156 09:15 09:30 1017 1082 170 09:30 09:45 928 878 172 09:45 10:00 936 882 156 Intervalo VIA 01 VIA 02 VIA 03 06:00 06:15 271 412 27 06:15 06:30 412 571 34 06:30 06:45 578 667 61 06:45 07:00 714 870 79 07:00 07:15 956 999 114 07:15 07:30 1067 953 151 07:30 07:45 1142 1003 141 07:45 08:00 1105 1134 169 08:00 08:15 1019 1120 191 08:15 08:30 1045 1105 170 08:30 08:45 1090 1033 179 08:45 09:00 1054 1131 178 09:00 09:15 1016 1139 174 09:15 09:30 1106 1000 182 09:30 09:45 1005 1039 159 09:45 10:00 1046 1093 146 27 de Setembro 4 de Outubro Intervalo VIA 01 VIA 02 VIA 03 06:00 06:15 300 483 26 06:15 06:30 471 711 39 06:30 06:45 642 884 75 06:45 07:00 904 974 94 07:00 07:15 1034 989 129 07:15 07:30 1091 1014 129 07:30 07:45 1059 1209 124 07:45 08:00 982 1056 160 08:00 08:15 904 1117 144 08:15 08:30 1033 1153 148 08:30 08:45 1012 1116 168 08:45 09:00 976 1123 156 09:00 09:15 1071 1079 154 09:15 09:30 1006 993 137 09:30 09:45 1061 1027 147 09:45 10:00 1027 1032 175 Intervalo VIA 01 VIA 02 VIA 03 06:00 06:15 322 427 32 06:15 06:30 444 627 38 06:30 06:45 706 821 66 06:45 07:00 785 909 83 07:00 07:15 1059 965 126 07:15 07:30 1015 988 141 07:30 07:45 1132 1056 146 07:45 08:00 944 1086 164 08:00 08:15 903 1104 145 08:15 08:30 1048 1099 141 08:30 08:45 1020 1020 152 08:45 09:00 1030 1091 148 09:00 09:15 1017 1097 160 09:15 09:30 991 1000 163 09:30 09:45 985 1036 146 09:45 10:00 1016 997 153 Tabela 5-1 – Volumes durante os dias e horários de estudo (número de veículos a cada 15 minutos) 42 5.3 IMPLEMENTAÇÃO DO FUNNCON Como foi visto no capítulo 4, o FUNNCON é composto de 3 módulos principais: redes neurais para predição de tráfego futuro, um banco de cenários otimizados pelo Synchro e um módulo de inferência fuzzy. § Módulo de Predição de Tráfego Futuro Este módulo é composto de três redes neurais que predizem o volume em cada via do cruzamento estudado. Em função do baixo volume de tráfego antes de 6:00hs, foi considerado que o volume de 5:45hs às 6:00hs é igual ao de 6:00hs às 6:15hs. Devido ao reduzido número de amostras (17 por dia) a rede possui como entradas: § os dois últimos valores dos volumes nas três vias; § um índice temporal Consequentemente cada rede possui sete entradas e uma saída e o treinamento tem um conjunto de 15 amostras. Além dos parâmetros da arquitetura das RN apresentados na seção 4.2, o número de neurônios na camada escondida e o número de épocas de treinamento devem ser determinados para cada rede. Para tanto, uma validação cruzada [30] foi executada onde o número de neurônios na camada escondida variou de 3 a 6 (Tabela 5-2). I e II => III I e III => II # Neuronios # Épocas Erro Aval. MSE Trein. # Neuronios # Épocas II e III => I Erro Aval. MSE Trein. # Neuronios # Épocas Erro Aval. MSE Trein. 3 3 3 10 3 7 4.9462 4.5608 8.2808 5.9293 0.006383 0.009061 0.004474 3 3 3 8 15 6 5.6636 5.7380 4.9495 5.4504 0.004006 0.005521 0.005162 3 3 3 12 8 5 7.6758 7.6429 8.1503 7.8230 0.003105 0.002345 0.002318 4 4 4 4 5 7 6.8434 5.1592 6.0584 6.0203 0.006977 0.006295 0.006037 4 4 4 9 13 12 5.1204 6.0048 6.4309 5.8520 0.004163 0.004047 0.003992 4 4 4 5 8 5 6.3785 7.6024 8.0731 7.3513 0.002877 0.002432 0.002510 5 5 5 4 8 7 6.2470 5.5753 4.1682 5.3302 0.005493 0.004921 0.004685 5 5 5 8 9 6 6.6847 5.0889 5.5002 5.7579 0.003177 0.003681 0.005067 5 5 5 14 4 6 7.3533 7.0239 7.1632 7.1801 0.003742 0.003511 0.002152 6 6 6 4 3 4 6.0186 5.3331 4.6809 5.3442 0.006648 0.007093 0.010616 6 6 6 19 5 10 6.0637 6.0301 6.6736 6.2558 0.004135 0.004681 0.002591 6 6 6 6 10 7 6.8180 8.8570 8.8488 8.1746 0.005102 0.003590 0.003270 Tabela 5-2 – Validação cruzada da Via 02 43 Como mostra a Tabela 5-2, os melhores resultados foram obtidos com 5 neurônios na camada escondida e para esta configuração são necessárias: (7 + 9 + 4) / 3 ≈ 7 épocas. Os resultados obtidos para as três vias estão resumidos na Tabela 5-3. Número de Neurônios na Camada Escondida 6 5 4 VIA 01 VIA 02 VIA 03 Número de Épocas de Treinamento 10 7 13 Tabela 5-3 – Número de neurônios na camada escondida e número de épocas de treinamento Em seguida, no Matlab três redes neurais Levenberg-Marquardt backpropagation [12] foram treinadas com os volumes dos três primeiros dias de estudo. Após o treinamento, cada rede foi executada para a predição do tráfego do quarto dia (4 de outubro). Os resultados das predições estão resumidos nas Figura 5-6, Figura 5-7, Figura 5-8. 1100 1000 900 800 700 600 500 400 1 2 3 4 5 6 7 8 Valor Previsto 9 10 11 Valor Real Figura 5-6 – Volume previsto na Via 01 44 12 13 14 15 1100 1000 900 800 700 600 1 2 3 4 5 6 7 8 9 Valor Previsto 10 11 12 13 14 15 13 14 15 Valor Real Figura 5-7 – Volume previsto na Via 02 180 160 140 120 100 80 60 40 20 1 2 3 4 5 6 7 8 9 Valor Previsto 10 11 12 Valor Real Figura 5-8 – Volume previsto na Via 03 Para cada via foi computado o erro percentual (equação 7) durante o treinamento de cada rede e os respectivos erros de predição. Os resultados são apresentados na Tabela 5-4. Erro = 1 15 reali − previstoi × 100 ∑ 15 i=1 reali onde: reali = volume que ocorreu durante o intervalo i previstoi = volume previsto para o intervalo i 45 (7) Erro no Treinamento Erro de Predição VIA 01 2,28 % 3,58 % VIA 02 3,72 % 3,20 % VIA 03 5,06 % 4,47 % Tabela 5-4 – Avaliação das predições nas três vias § Módulo Banco de Cenários Ótimos Utilizando os volumes apresentados na Tabela 5-1, os intervalos de variação dos volumes nas três vias do cruzamento são calculados: VIA 01 ∈ [200; 1200] VIA 02 ∈ [400; 1200] VIA 03 ∈ [25; 225] Em função destes intervalos, cenários são criados através da variação dos volumes das vias 01 e 02 de 100 em 100 e o volume da via 03 de 25 em 25. Desta forma são criados 11 x 9 x 9 = 891 cenários. A otimização dos semáforos de um cruzamento é feita em três etapas pelo Synchro [31]. Primeiramente, o layout do cruzamento estudado é desenhado em escala (Figura 5-9 a). Em seguida, os sentidos e volumes das vias são indicados (Figura 5-9 b). Finalmente, as funções de otimização de duração de ciclo e de quebra de fase são acionadas (Figura 5-9 c). Para cada cenário, a duração do ciclo e a quebra de fase são otimizadas pelo Synchro, constituindo, ao final, um banco com 891 cenários ótimos. 46 (a) (b) (c) Figura 5-9 – Etapas da otimização pelo Synchro: (a) desenho, (b) sentidos e volumes, (c) otimização 47 § Módulo Fuzzy Como pode ser visto na seção 4.4, os cenários ótimos são transformados em regras fuzzy pelo método de Wang & Mendel. Uma vez estabelecidas as regras fuzzy, a duração do ciclo e a quebra de fase são determinadas pelo sistema de inferência fuzzy. Para cada cenário foram otimizados a duração do ciclo e a quebra de fase em função dos volumes nas três vias do cruzamento. Logo, se cada cenário for considerado como uma regra de lógica crisp, estas regras possuem três antecedentes (os volumes das vias) e dois consequentes. A maneira mais simples e mais eficiente de modelar estas regras em lógica fuzzy é transformar cada regra crisp em duas regras fuzzy: a primeira possui três antecedentes (os volumes) e o consequente é a duração do ciclo, a segunda possui os mesmos três antecedentes e o consequente é a quebra de fase. O método de Wang & Mendel requer que um número de conjuntos fuzzy seja atribuido a cada variável. Neste trabalho o número de conjuntos fuzzy de cada variável (entrada e saída) foi variado de 5 até 11 e a melhor configuração encontrada foi: VIA 01: 7 conjuntos VIA 02: 5 conjuntos VIA 03: 5 conjuntos Duração do ciclo: 7 conjuntos Quebra de fase: 7 conjuntos Com esta configuração foram criadas 175 regras fuzzy que constituem o banco de regras fuzzy. A Figura 5-10 apresenta os conjuntos e funções de pertinência das variáveis de entrada e saída encontrados pelo método de Wang & Mendel para a determinação da duração do ciclo. Abaixo segue um exemplo de regra encontrada: SE VIA01 é E0_2 E VIA02 é E1_4 E VIA03 é E2_2 ENTÃO Duração do Ciclo é S_5 48 Figura 5-10 – Conjuntos e funções de pertinência das variáveis de entrada e saída para a determinação da duração do ciclo Após a criação destes três módulos, o FUNNCON está implementado. Apresentando os volumes previstos nas três vias do cruzamento, utilizando o mínimo para a interseção e para a implicação, as regras são defuzzificadas pelo método do centróide [32], informando a duração do ciclo e a quebra de fase. 49 5.4 RESULTADOS DO FUNNCON Como foi visto na seção 5.3, os volumes previstos nas três vias do cruzamento são informados ao FUNNCON, que fornece a duração do ciclo e a quebra de fase. Os volumes previstos (saídas das 3 redes neurais), as durações de ciclo e durações da fase 1 (saída dos 2 sistemas de inferência fuzzy) gerados pelo FUNNCON estão resumidos na Tabela 5-5. 06:15 06:30 06:45 07:00 07:15 07:30 07:45 08:00 08:15 08:30 08:45 09:00 09:15 09:30 09:45 06:30 06:45 07:00 07:15 07:30 07:45 08:00 08:15 08:30 08:45 09:00 09:15 09:30 09:45 10:00 VIA 01 VIA 02 VIA 03 1800 2660 3500 4212 4224 4248 3980 3668 4144 4024 3908 4080 4080 4128 3996 2884 3424 3732 3976 4092 4368 4440 4440 4448 4204 4276 4228 4116 4172 3988 156 276 400 508 552 568 640 568 592 636 640 628 628 604 628 Duração do Ciclo 119 161 195 178 178 178 178 178 178 178 178 178 178 178 178 Duração da Fase 1 95 137 171 154 154 154 154 154 154 154 154 154 154 154 154 Tabela 5-5 – Volumes previstos, durações de ciclo e durações da fase 1 gerados pelo FUNNCON O FUNNCON é avaliado com o mesmo conjunto de 15 amostras utilizado no treinamento das redes neurais. Para cada amostra é criado um cenário no Synchro com os volumes correspondentes. Em seguida o cenário é simulado no SimTraffic [33] (Figura 5-11) e as medidas de eficiência do controle são obtidas. A Tabela 5-6 apresenta as medidas de eficiência nos 15 cenários (6:15hs às 10:00hs) avaliados. 50 Figura 5-11 – Simulação no SimTraffic Intervalo 06:15 06:30 06:45 07:00 07:15 07:30 07:45 08:00 08:15 08:30 08:45 09:00 09:15 09:30 09:45 06:30 06:45 07:00 07:15 07:30 07:45 08:00 08:15 08:30 08:45 09:00 09:15 09:30 09:45 10:00 Total Atraso (hr) Tempo de Parado Viagem 2.7 5.3 6.6 40.3 40.4 57.6 62.1 54.4 64.2 45.9 62.7 61.6 45.8 40.5 41.4 1.3 2.2 2.9 30.8 31.2 46.2 51.4 43.4 51.6 36.5 50.3 49.5 37.7 31.3 32.9 631.5 499.2 Paradas Tempo de Consumo (l) Viagem (hr) 279 8 182.9 387 12.8 236.5 377 15.2 253.6 1077 49.2 236.8 1108 48.6 232.9 1303 66.4 240.2 1216 70.3 250.3 1206 62.4 217.5 1337 72.4 233.6 1160 54.3 232.9 1409 71 232.6 1433 69.8 232.2 995 54.2 253.1 1137 49.2 230.2 1075 50 245.8 15499 753.8 3511.1 HC Emissões (g) CO NOx 118 148 152 147 145 152 158 142 149 145 150 149 156 144 150 7532 8657 8293 4595 4604 3267 3703 3292 2878 4198 3111 3218 4906 4343 4685 469 622 659 469 457 405 415 370 353 446 370 370 502 468 499 2205 71282 6874 Tabela 5-6 - Medidas de eficiência do FUNNCON de 6:15hs às 10:00hs 51 5.5 RESULTADOS COM CONTROLE FIXO 5.5.1 CONTROLE FIXO DA CET-Rio A Tabela 5-7 apresenta a programação dos semáforos e os planos de fases empregados pela Companhia de Engenharia de Tráfego do Rio de Janeiro (CET-Rio) no controle do cruzamento estudado. Plano 1 2 3 Duração do Ciclo (seg) 160 70 180 Duração da Fase 1 (seg) 118 44 147 Duração da Fase 2 (seg) 42 26 33 Tabela 5-7 – Programação semafórica e planos de fases da CET-Rio para uma quinta-feira entre 6 e 10hs No període entre 6:00hs e 10:00hs de uma quinta-feira é utilizado o plano 1. É importante ressaltar que para este plano: § o Vermelho Total da Fase 1 dura 3 seg, e o da Fase 2 dura 4 seg. § para ambas as fases a duração do Amarelo é de 4 seg. § os semáforos do cruzamento entre a via 02 (sentido Barra) e a via 03 (retorno) estão atrasados de 7 seg. em relação aos semáforos do cruzamento entre a via 01 (sentido Cidade de Deus) e via 03. O controle fixo da CET-Rio é avaliado com o mesmo conjunto de 15 amostras utilizado na avaliação do FUNNCON, e da mesma forma, para cada amostra é criado um cenário no Synchro com os volumes reais correspondentes. Em seguida o cenário é simulado no SimTraffic (Figura 5-11) e as medidas de eficiência do controle são obtidas. A Tabela 5-8 apresenta as medidas de eficiência nos 15 cenários (6:15hs às 10:00hs) avaliados. 52 Intervalo 06:15 06:30 06:45 07:00 07:15 07:30 07:45 08:00 08:15 08:30 08:45 09:00 09:15 09:30 09:45 06:30 06:45 07:00 07:15 07:30 07:45 08:00 08:15 08:30 08:45 09:00 09:15 09:30 09:45 10:00 Total Atraso (hr) Tempo de Parado Paradas Tempo de Consumo (l) Viagem Viagem (hr) 5 2.9 432 10.3 174.1 10.4 5.5 799 18 195 18.1 10 1128 26.4 177.6 70.1 57.2 1646 78.1 218.3 67.1 54.1 1660 75.4 216 99 86 1673 107.2 271.8 71.8 58.9 1719 80.3 226.4 65.4 52.7 1670 74 216.9 96.4 83.4 1680 104.6 269.9 74.8 61.9 1653 83.2 229.1 86.7 73.8 1712 94.9 252.7 84.7 71.6 1690 93.2 252.7 61.6 48.8 1724 70.1 211.4 69.1 56 1669 77.4 222.7 65.6 52.9 1680 74.1 218.1 945.8 775.7 22535 1067.2 3352.7 HC Emissões (g) CO NOx 114 126 107 145 143 184 151 143 179 152 167 167 136 146 142 6830 5935 3625 2185 2209 2623 2296 2301 2560 2289 2442 2459 2152 2263 2212 438 492 385 297 300 341 314 311 333 311 325 332 302 310 306 2202 44381 5097 Tabela 5-8 – Medidas de eficiência do controle fixo da CET-Rio de 6:15hs às 10:00hs 5.5.2 CONTROLE FIXO DERIVADO DO FUNNCON Em casos como o abordado neste trabalho, em que há pouca variação nas temporizações ao longo do dia, é interessante averiguar a possibilidade de se efetuar uma simplificação nos resultados obtidos com o FUNNCON. Esta simplificação facilitaria uma eventual implementação pela CET-Rio. Os resultados do FUNNCON (Tabela 5-5) são empregados na criação de um controle pré-temporizado, através da identificação de intervalos nos quais há pouca variação nas temporizações. Seguindo este procedimento dois intervalos são obtidos: das 6:15hs às 7:00hs e das 7:00hs às 10:00hs. Consequentemente um controle fixo de 2 planos de fase – denominado FUNNCON-f - é encontrado: § PLANO 1 – 6:15hs às 7:00hs Neste caso o FUNNCON estabeleceu 3 temporizações ligeiramente diferentes, uma para cada intervalo de 15 minutos; logo, para a obtenção de uma só temporização para este período, os volumes médios são calculados (equações 8, 9 e 10) a partir dos dados da Tabela 5-5: VIA 01: 1800 + 2660 + 3500 ≈ 2653 veículos / 15 minutos 3 53 (8) VIA 02: 2884 + 3424 + 3732 ≈ 3347 veículos / 15 minutos 3 (9) VIA 02: 156 + 276 + 400 ≈ 277 veículos / 15 minutos 3 (10) Em seguida, para estes volumes médios, a duração do ciclo e a quebra de fase são otimizadas pelo Synchro. Os resultados encontrados estão na Tabela 5-9. § PLANO 2 – 7:00hs às 10:00hs Para este intervalo o FUNNCON estabeleceu apenas uma temporização (Tabela 5-5). A programação semafórica e os planos de fases do FUNNCON-f estão na Tabela 5-11. Plano 1 2 Duração do Ciclo (seg) 200 178 Duração da Fase 1 (seg) 176 154 Duração da Fase 2 (seg) 24 24 Tabela 5-9 – Programação semafórica e planos de fases do FUNNCON-f A avaliação do desempenho do FUNNCON-f é realizada com o mesmo conjunto de 15 amostras utilizado anteriormente; e da mesma forma, para cada amostra é criado um cenário no Synchro com os volumes reais correspondentes. Em seguida o cenário é simulado no SimTraffic (Figura 5-11) e as medidas de eficiência do controle são obtidas. A Tabela 5-10 apresenta as medidas de eficiência nos 15 cenários (6:15hs às 10:00hs) avaliados. Atraso (hr) Tempo de Parado Viagem Intervalo 06:15 06:30 06:45 07:00 07:15 07:30 07:45 08:00 08:15 08:30 08:45 09:00 09:15 09:30 09:45 06:30 06:45 07:00 07:15 07:30 07:45 08:00 08:15 08:30 08:45 09:00 09:15 09:30 09:45 10:00 Total 2.4 4.9 6.8 40.3 40.4 57.6 62.1 54.4 64.2 45.9 62.7 61.6 45.8 40.5 41.4 1.4 2.2 2.9 30.8 31.2 46.2 51.4 43.4 51.6 36.5 50.3 49.5 37.7 31.3 32.9 631 499.3 Paradas Tempo de Consumo (l) Viagem (hr) 165 7.8 193.8 291 12.6 241.1 363 15.3 246.9 1077 49.2 236.8 1108 48.6 232.9 1303 66.4 240.2 1216 70.3 250.3 1206 62.4 217.5 1337 72.4 233.6 1160 54.3 232.9 1409 71 232.6 1433 69.8 232.2 995 54.2 253.1 1137 49.2 230.2 1075 50 245.8 15275 753.5 3519.9 HC Emissões (g) CO NOx 130 155 150 147 145 152 158 142 149 145 150 149 156 144 150 8590 9200 8004 4595 4604 3267 3703 3292 2878 4198 3111 3218 4906 4343 4685 519 650 648 469 457 405 415 370 353 446 370 370 502 468 499 2222 72594 6941 Tabela 5-10 – Medidas de eficiência do FUNNCON-f de 6:15hs às 10:00hs 54 5.6 COMPARAÇÃO Na Tabela 5-11 os resultados do FUNNCON e do FUNNCON-f são comparados com os resultados do controle fixo da CET-Rio. Controle CET Atraso (hr) Tempo de Parado Paradas Tempo de Consumo Viagem Viagem (hr) (l) 945.8 775.7 22535 1067.2 3352.7 HC Emissões (g) CO NOx 2202 44381 5097 6874 FUNNCON Redução (%) 631.5 499.2 15499 753.8 3511.1 2205 71282 33.23 35.65 31.22 29.37 -4.72 -0.14 -60.61 -34.86 FUNNCON-f 631 499.3 15275 753.5 3519.9 2222 72594 Redução (%) 33.28 35.63 32.22 29.39 -4.99 -0.91 -63.57 -36.18 6941 Tabela 5-11 – Comparação do FUNNCON e do FUNNCON-f com o controle fixo da CET-Rio Em relação ao controle fixo da CET-Rio, o FUNNCON obteve uma redução entre 30% e 35% nas principais medidas de eficiência. Observa-se que, com o FUNNCON, foi registrado um aumento no consumo de combustível e na emissão de gases poluentes. Em princípio este é um comportamento não intuitivo, pois o consumo e a emissão de gases deveriam ser proporcionais ao número de paradas e aos atrasos. Mas, em uma rede congestionada, vários veículos podem estar parados; logo eles emitem e consomem menos (por segundo) do que um veículo em movimento. Desta forma, é possível que, melhorando o fluxo de tráfego, mais carros estejam se movendo causando um aumento nas emissões e no consumo. Nota-se que apesar da simplificação, o FUNNCON-f obteve resultados tão bons quanto os do FUNNCON. 55 6 CONCLUSÃO E TRABALHOS FUTUROS 6.1 CONCLUSÕES O principal objetivo do trabalho foi a elaboração de um controlador eficiente de semáforos através de lógica fuzzy e redes neurais. Para isso foi apresentado um novo modelo de sistema de controle de semáforos – denominado FUNNCON – para um único cruzamento. A este modelo foram aplicados dados reais obtidos junto à CET-Rio e os resultados foram comparados aos proporcionados por um controlador de planos fixos atualmente em operação. Observou-se que as redes neurais obtiveram bons resultados na predição de tráfego futuro, com erros de estimação variando de 3% a 4,5%. Também pôde ser notado que as regras fuzzy criadas a partir de cenários otimizados pelo Synchro conseguiram controlar o cruzamento estudado, fazendo com que o FUNNCON seja melhor do que o controle implementado pela CET-Rio (Tabela 5-11). Finalmente, o FUNNCON foi transformado em um controle fixo – o FUNNCON-f – proporcionando resultados similares. 6.2 TRABALHOS FUTUROS Para generalizar os resultados obtidos, o FUNNCON deve ser experimentado com dados mais extensos e para outros cruzamentos. No caso do FUNNCON-f, é importante salientar que os resultados encontrados estão fortemente vinculados à pouca variação do volume de veículos em certos horários; consequentemente seria prematuro generalizar os seus benefícios. Também seria interessante expandir o controlador para uma rede de vias, desde a que envolve um corredor principal (avenida ou via arterial) e várias rua secundárias, até aquelas que possuem uma malha de avenidas que se cruzam – cada uma constitui um sistema de tráfego diferente. 56 REFERÊNCIAS BIBLIOGRÁFICAS [1] Institute of Transportation Engineers, Institute of Transportation Engineers Directory, Junho 1995, p. A-29 [2] Roess, R. P., McShane, W. R., Prassas, E. R., Traffic Engineering, Pretince Hall, 2nd Edition [3] May, A. D., Traffic Flow Fundamentals, Prentice Hall, 1990. [4] ITS Decision, California PATH, Traffic Signal Control, http://www.path.berkeley.edu/~leap/TTM/Traffic_Control/traffic_signal_report.htm [5] Gartner, Nathan, Stamatindius, Tarnoff, Development of Advanced Traffic Signal Control Strategies for ITS, Transportation Research Record 1494, 1996. [6] Kagolam, K., A Comparative Study of Traffic Control Systems, Institute of Transportation Engineers, 1994 Compedium of Technical Papers [7] Jagannathan, R., Khan, A. M., Methodology for the Assessment of Traffic Adaptative Control Systems, ITE Journal, Junho 2001 [8] Allsop, R. E., Computer Program SIGSET for Calculating Delay-Minimising Traffic Signal Timings – Description and Manual for Users, University College London, Research Report, September 1981 [9] Barnard, C. J., and Shaw, I. S., Adaptive Control of a Traffic Intersection by Means of a Neural Network, 1995 [10] Kagolamu, K., Fink, R., Smartt, H., Powell, R., Larsen, E., An Intelligent Traffic Controller, Novembro 1995 [11] Center for Optimization & Semantic Control (COSC ), Washington University, St. Louis, Missouri, Decision and Control Project Page, http://rodin.wustl.edu/doc1.html [12] Haykin, S., Neural Netwoks A Comprehensive Foundation, Prentice Hall, second edition, 1999 [13] Foy, M. D., Benekohal, R. F., and Goldberg, D. E., Signal Timing Determination Using Genetic Algorithms, Transportation Research Record 1365, TRB, National Research Council, Washington, D.C., 1992, pp. 108-115 [14] Hadi, M. A., and Wallace, C. E., Hybrid Genetic Algorithm To Optimize Signal Phasing and Timing, Transportation Research Record 1421, TRB, National Research Council, Washington, D.C., 1993, pp. 104-112 57 [15] Abu-Lebdeh, G., Benekohal, R. F., Development of Traffic Control and Queue Management Procedures for Oversaturated Arterials, Transportation Research Record 1603, p.119-127 [16] Abu-Lebdeh, G., Benekohal, R. F., Genetic Algorithms for Traffic Signal Control and Queue Management of Oversaturated Two-Way Arterials, Transportation Research Record 1727, p.61-67 [17] Abu-Lebdeh, G., Benekohal, R. F., Computational Issues in Micro-Genetic Algorithms for Traffic Management, Transportation Research Record 1679, p.112-118 [18] Abu-Lebdeh, G., Benekohal, R. F., Signal Coordination and Arterial Capacity in Oversaturated Conditions, Transportation Research Record 1727, p.68-76 [19] BBN Technologies, Optiziming Traffic Flow Using Genetic Programming, http://vishnu.bbn.com/papers/traffic/ [20] Fwa, T. F., Chan, W. T., and Tan, C. Y., Road-Maintenance Planning Using Genetic Algorithms II: Analysis, Journal of Transportation Engineering, Vol. 120, No. 5, Sept./Oct. 1994, pp. 693-709 [21] Chan, W. T., Fwa, T. F., and Tan, C. Y., Road-Maintenance Planning Using Genetic Algorithms I: Formulation, Journal of Transportation Engineering, Vol. 120, No. 5, Sept./Oct. 1994, pp. 693-709 [22] Memon, G. Q., Bullen, A. G. R., Multivariate Optimization Strategies for Real-Time Traffic Control Signals, Transportation Research Record 1554, p.36-42 [23] Rentería, A. R., Pacheco, M. A. C., Identificação Robusta de Modelos Lineares por Partes Através de Algoritmos Genéticos, ENIA, 2001 [24] Transportation Software Survey 2000, http://www.trafficware.com/survey2000.htm [25] Pappis, C. P., Mamdani, E. H., A Fuzzy Logic Controller for a Traffic Junction, IEEE Transaction on Systems, Man, and Cybernetics, Vol. SMC-7, no. 10, outubro 1977 [26] Machion, Andréia, Um Controle Adaptativo Baseado em Lógica Nebulosa para Tráfego Urbano, Tese de Mestrado, UNICAMP, Julho 1993 [27] Chin, S., Chand, S., Adaptative Traffic Signal Control Using Fuzzy Logic, 2nd IEEE International Conference on Fuzzy Systems, Vol. II, Março/Abril 1993 [28] Wang, L. X., Mendel, J. M., Generating Fuzzy Rules by Learning From Examples, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 22, No. 6, Novembro/Dezembro 1992 58 [29] Mendel, J. M., Fuzzy Logic Systems for Engineering: A Tutorial, Proceedings of the IEEE, Vol. 83, No. 3, Março 1995 [30] Bishop, C. M.: “Neural Netowrks for Pattern Recognition”, Oxford University Press Inc., 1995 [31] Trafficware, Synchro User Guide Version 5.0 [32] George J. Klir/Bo Yuan, Fuzzy Sets and Fuzzy Logic: Theory and Applications, Prentice Hall PTR, 1995. [33] Trafficware, SimTraffic User Guide Version 5.0 59