prikaz prve stranice dokumenta Okruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju
  Download
PDF 3.03 MB
master's thesis
Okruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju
Zagreb: University of Zagreb, Faculty of Transport and Traffic Sciences, 2019. urn:nbn:hr:119:060236
Vrbanić, Filip
University of Zagreb
Faculty of Transport and Traffic Sciences
Division of Intelligent Transport Systems and Logistics
Department of Intelligent Transport Systems

Institutional repository: Faculty of Transport and Traffic Sciences

Cite this document

Vrbanić, F. (2019). Okruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju (Master's thesis). Zagreb: University of Zagreb, Faculty of Transport and Traffic Sciences. Retrieved from https://urn.nsk.hr/urn:nbn:hr:119:060236

Vrbanić, Filip. "Okruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju." Master's thesis, University of Zagreb, Faculty of Transport and Traffic Sciences, 2019. https://urn.nsk.hr/urn:nbn:hr:119:060236

Vrbanić, Filip. "Okruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju." Master's thesis, University of Zagreb, Faculty of Transport and Traffic Sciences, 2019. https://urn.nsk.hr/urn:nbn:hr:119:060236

Vrbanić, F. (2019). 'Okruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju', Master's thesis, University of Zagreb, Faculty of Transport and Traffic Sciences, accessed 27 March 2025, https://urn.nsk.hr/urn:nbn:hr:119:060236

Vrbanić F. Okruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju [Master's thesis]. Zagreb: University of Zagreb, Faculty of Transport and Traffic Sciences; 2019 [cited 2025 March 27] Available at: https://urn.nsk.hr/urn:nbn:hr:119:060236

F. Vrbanić, "Okruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju", Master's thesis, University of Zagreb, Faculty of Transport and Traffic Sciences, Zagreb, 2019. Available at: https://urn.nsk.hr/urn:nbn:hr:119:060236

Metadata
TitleOkruženje za simulacije sustava za upravljanje promjenjivih ograničenja brzine na gradskim autocestama zasnovano na dubokom učenju
Title (english)Framework for Simulation of Variable Speed Limit Control Systems on Urban Motorways Based on Deep Learning
AuthorFilip Vrbanić
MentorEdouard Ivanjko (mentor)
Committee memberSadko Mandžuka (predsjednik povjerenstva)
Committee memberMartin Gregurić (član povjerenstva)
Committee memberMiroslav Vujić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Transport and Traffic Sciences
(Division of Intelligent Transport Systems and Logistics)
(Department of Intelligent Transport Systems)
Zagreb
Defense date and country2019-09-25, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Traffic and Transport Technology
Intelligent Transport Systems and Logistics
Abstract
Radi povećane prometne potražnje dolazi do nastanka zagušenja na gradskim autocestama te se javlja potreba za uvođenjem upravljanja prometom. Upravljanje prometom ima za cilj smanjenje i prevenciju posljedica nastajanja prometnih zagušenja. Sustav za upravljanje ograničenjem brzine na gradskim autocestama predstavlja jedno od mogućih rješenja iz područja inteligentnih transportnih sustava. Takav pristup u upravljanju promjenjivim ograničenjem brzine na gradskim autocestama može koristiti... More algoritme zasnovane na dubokom učenju. U ovom radu je opisano upravljanje prometom na gradskim autocestama zasnovano na upravljanju promjenjivim ograničenjem brzine, analizirana je mogućnost primjene dubokog učenja s posebnim naglaskom na algoritmu učenja dualne duboke Q-mreže u upravljanju promjenjivim ograničenjem brzine te je izrađeno okruženje za simulaciju navedenog upravljanja korištenjem mikroskopskog simulatora VISSIM i programskog okruženja Python/Keras. Dobiveni rezultati dokazuju da je primjenom dubokog učenja moguće iskoristiti informaciju o brzini i položaju svakog vozila za povećanje razine uslužnosti gradske autoceste. Less
Abstract (english)
In the case of congestion on urban motorways due to increased traffic demand, there is a need to introduce dynamic traffic management to reduce and prevent the effects of traffic congestion. The urban motorway speed limit control system is one of the possible solutions in the field of Intelligent Transport System. Such an approach in managing variable speed limits on urban motorways can utilize a deep learning algorithm. This thesis describes urban motorway traffic management based on... More the variable speed limit control, analyzes the possibility of applying deep learning algorithm with special emphasis on the dueling deep Q-network learning algorithm in variable speed limit control, and creating an environment for simulating such system using the microscopic simulator VISSIM and the Python/Keras programming environment. The results prove that by applying such an algorithm it is possible to use information about the speed and position of each vehicle to increase the level of service of the urban motorway. Less
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:119:060236
Study programmeTitle: Intelligent Transport Systems and Logistics
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka prometa (magistar/magistra inženjer/inženjerka prometa)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2019-11-15 12:29:13
accessibility

closeAccessibilityrefresh

If you wish to permanently save changes, click on Save, if not - your settings will be reset when you restart the browser.