Modelo de rede neural bioinspirada para o controle do trânsito urbano.

• Ano de defesa: 2017
• Autor(a) principal: Castro, Guilherme Barros
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial intelligence; Biologically-inspired neural network; Complex dinamic systems; Controle de tráfego; Inteligência artificial; Redes neurais; Sistemas dinâmicos; Urban traffic control
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/3/3141/tde-17042017-095544/

Congestionamentos no trânsito urbano são uma preocupação principal em grandes cidades pelo mundo, devido a seus impactos negativos multifacetados na saúde humana, no meio ambiente e na economia. A urbanização crescente, e seu consequente aumento no volume do trânsito, causam ainda mais congestionamentos por causa do ritmo lento - e, em alguns casos, inexistente - das melhoras na infraestrutura urbana. Uma solução com bom custo-benefício para reduzir o tempo médio de viagem dos veículos e prevenir os congestionamentos é o controle do trânsito urbano. No entanto, a maior parte das abordagens de controle do trânsito urbano adota um ciclo de controle fixo, o qual limita o desempenho de controle devido à consequente inabilidade de agir quando necessário. Ao contrário dessas abordagens, esse trabalho propõe uma rede neural bioinspirada que monitora o estado do sistema de forma contínua e é capaz de agir em qualquer momento. A rede neural bioinspirada proposta adota plasticidade intrínseca e inibição lateral para gerar uma competição natural entre os neurônios, a qual determina quais semáforos devem ser ativados em cada momento. Além disso, interneurônios inibitórios são adotados para coordenar intersecções vizinhas e melhorar os fluxos de veículos. Devido à grande quantidade de possíveis combinações dos parâmetros, um método para determinar o comportamento do modelo de acordo com as características intrínsecas da rede neural bioinspirada também é proposto. A convergência e a estabilidade do modelo proposto são avaliadas por seus pontos-fixos e autovalores, respectivamente. Ademais, o tempo de processamento e a complexidade computacional da rede neural bioinspirada também são avaliados. Por fim, o desempenho do modelo para diferentes demandas de veículos e situações do trânsito é avaliado com um simulador de mobilidade urbana e comparado a um método de controle adaptativo.