Details

Данная работа посвящена исследованию влияния технологий Vehicle-to-Everything (V2X) на эффективность работы городских транспортных систем, а также разработке подхода к их оценке с использованием алгоритмов обучения с подкреплением (Reinforcement Learning, RL). Задачи, которые решались в ходе исследования: 1. Изучение особенностей технологий V2X и их интеграции в автоматизированные системы управления дорожным движением (АСУДД). 2. Разработка критериев и метрик для оценки влияния внедрения V2X на пропускную способность перекрёстков, время ожидания и выбросы CO₂. 3. Создание имитационной модели транспортной сети в программной среде SUMO. 4. Реализация RL-алгоритма для адаптивного управления светофорным регулированием. 5. Проведение экспериментов с моделированием различных сценариев доли V2X транспорта и анализ результатов. Работа была выполнена на базе открытого программного инструмента SUMO, который позволил проводить моделирование транспортных потоков и оценивать влияние технологий V2X на ключевые показатели эффективности. В ходе исследования были созданы транспортные модели городской дорожной сети, включающие различные сценарии доли подключённых автомобилей (0–100%). Реализация алгоритмов обучения с подкреплением (например, Q-Learning) обеспечила адаптивное управление фазами светофоров, что позволило минимизировать задержки на перекрёстках и снизить выбросы углекислого газа. Результаты моделирования продемонстрировали, что использование V2X и RL технологий приводит к значительным улучшениям: – Сокращение среднего времени ожидания транспортных средств до 40%; – Увеличение пропускной способности перекрёстков до 30%; – Снижение выбросов CO₂ на 25%. В результате исследования были разработаны рекомендации по внедрению V2X технологий в АСУДД, включая критерии для определения доли подключённых автомобилей, при которой достигаются значительные улучшения показателей транспортной сети. Полученные результаты подтверждают эффективность интеграции V2X и RL технологий для создания интеллектуальных транспортных систем, направленных на повышение качества городской инфраструктуры и экологической устойчивости. Работа может быть применима в рамках программ "Умный город", а также для разработки и модернизации систем управления дорожным движением в мегаполисах.

This work is dedicated to studying the impact of Vehicle-to-Everything (V2X) technologies on the efficiency of urban traffic systems and developing an approach to evaluate their effectiveness using Reinforcement Learning (RL) algorithms. The research set the following goals: 1. Studying the features of V2X technologies and their integration into Automated Traffic Control Systems (ATCS). 2. Developing criteria and metrics for assessing the impact of V2X technologies on traffic performance indicators, such as intersection capacity, waiting time, and CO₂ emissions. 3. Creating a simulation model of the traffic network in the SUMO environment. 4. Implementing an RL algorithm for adaptive traffic light control. 5. Conducting experiments with various V2X penetration scenarios and analyzing the results. The research was carried out using the open-source SUMO (Simulation of Urban Mobility) tool, which facilitated traffic flow modeling and assessment of the influence of V2X technologies on key performance metrics. Traffic models of urban road networks were created, simulating various scenarios of V2X vehicle penetration (0–100%). The implementation of RL algorithms (e.g., Q-Learning) enabled adaptive control of traffic light phases, minimizing intersection delays and reducing CO₂ emissions. The results of the research demonstrated significant improvements through the integration of V2X and RL technologies: – Reduction of average vehicle waiting time by up to 40%; – Increase in intersection throughput by up to 30%; – Reduction in CO₂ emissions by up to 25%. As a result of the study, recommendations for implementing V2X technologies in ATCS were developed, including criteria for determining the optimal penetration level of connected vehicles to achieve substantial improvements in traffic network performance. The findings confirm the efficiency of integrating V2X and RL technologies to create intelligent traffic systems, enhancing urban infrastructure and promoting environmental sustainability. Practical relevance: The work can be applied as part of "Smart City" initiatives and for the development and modernization of traffic management systems in metropolitan areas. The proposed approaches contribute to increasing traffic flow efficiency, reducing delays at intersections, and improving ecological conditions in urban environments.