Розглянуто особливості мультиагентного моделювання для оптимізації дорожнього руху в центральних районах міст. Оцінюючи унікальні виклики, пов’язані з високою концентрацією транспорту, пішоходів та історичної забудови, досліджено потенціал мультиагентних систем для ефективного вирішення проблеми заторів, безпеки та якості життя у міських умовах. Потенціал мультиагентного моделювання в контексті управління дорожнім рухом у центральних районах міста дає змогу визначити ключові виклики та можливості. Багато науковців звертаються до основних аспектів такого моделювання і використовують їх у транспортно-дорожній галузі. Огляд сучасних досліджень та розробок показав, що мультиагентні моделі мають на меті імітувати та оптимізувати нагляд і контроль перевезень у різних сценаріях руху. Моделювання організації дорожнього руху в центральних районах міст є одним із ключових елементів планування міського розвитку та управління. Унаслідок зростання населення міст та збільшення кількості транспортних засобів проблеми заторів, забруднення повітря та неефективного використання інфраструктури стають дедалі актуальнішими. Тому можна зазначити, що мультиагентне моделювання організації дорожнього руху відкриває нові перспективи для розроблення ефективних стратегій управління транспортними потоками, забезпечуючи гнучке та адаптивне вирішення цих проблем. Проаналізовано використовувані підходи, визначено ключові компоненти системи і на основі математичного опису розроблено модель, яка демонструє взаємодію між агентами і середовищем. Практична симуляція моделі, виконана із використанням програмного забезпечення AnyLogic на прикладі бульвару Лесі Українки в м. Києві, підтверджує ефективність мультиагентного підходу. Результати дослідження вказують на можливість застосування розробленої моделі для вдосконалення інтелектуальних інформаційних систем управління транспортним потоком, що відкриває нові перспективи для покращення дорожнього руху в центральних районах міст.
1. Titarmare, A. S., Khanapurkar, M. M., & Chandankhede, P. H. (2020). Analysis of traffic flow at intersection to avoid accidents using Nagel-Schreckenlerg model. In 2020 Fourth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (pp. 478-484). IEEE. doi: 10.1109/I-SMAC49090.2020.9243306 (in English).
https://doi.org/10.1109/I-SMAC49090.2020.9243306
2. Dukić, A., Bjelošević, R., Stojčić, M., & Banjanin, M. K. (2023). Network Model of Multiagent Communication of Traffic Inspection for Supervision and Control of Passenger Transportation in Road and City Traffic. In 2023 46th MIPRO ICT and Electronics Convention (MIPRO) (pp. 1167-1172). IEEE. doi: 10.23919/MIPRO57284.2023.10159771 (in English).
https://doi.org/10.23919/MIPRO57284.2023.10159771
3. Wang, J., Lv, W., Jiang, Y., Qin, S., & Li, J. (2021). A multi-agent based cellular automata model for intersection traffic control simulation. Physica A: Statistical Mechanics and its Applications, 584, 126356. doi: 10.1016/J.PHYSA.2021.126356 (in English).
https://doi.org/10.1016/j.physa.2021.126356
4. Wang, S., & Wang, S. (2023). A Novel Multi-Agent Deep RL Approach for Traffic Signal Control. Computer Science. Retrieved from: https://arxiv.org/abs/2306.02684. (in English).
5. Liu, D., & Li, L. (2023). A traffic light control method based on multi-agent deep reinforcement learning algorithm. Scientific Reports, 13(1), 9396. doi: 10.1038/s41598-023-36606-2 (in English).
https://doi.org/10.1038/s41598-023-36606-2
6. Learning Multi-intersection Traffic Signal Control via Coevolutionary Multi-Agent Reinforcement Learning. Retrieved from: https://www.techrxiv.org/doi/full/10.36227/techrxiv.23254547.v1 (in English).
7. Zhuang, H., Lei, C., Chen, Y., & Tan, X. (2023). Cooperative Decision-Making for Mixed Traffic at an Unsignalized Intersection Based on Multi-Agent Reinforcement Learning. Applied Sciences, 13(8), 5018. doi: 10.3390/app13085018 (in English).
https://doi.org/10.3390/app13085018
8. Mushtaq, A., Haq, I. U., Sarwar, M. A., Khan, A., Khalil, W., & Mughal, M. A. (2023). Multi-agent reinforcement learning for traffic flow management of autonomous vehicles. Sensors, 23(5), 2373. doi: 10.3390/s23052373 (in English).
https://doi.org/10.3390/s23052373
9. Le, N. T. T. (2023). Multi-agent reinforcement learning for traffic congestion on one-way multi-lane highways. Journal of Information and Telecommunication, 7(3), 255-269. doi: 10.1080/24751839.2023.2182174 (in English).
https://doi.org/10.1080/24751839.2023.2182174
10. Liu, Q., Li, Z., Li, X., Wu, J., & Yuan, S. (2022, October). Graph convolution-based deep reinforcement learning for multi-agent decision-making in interactive traffic scenarios. In 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC) (pp. 4074-4081). IEEE. doi: 10.1109/ITSC55140.2022.9922001 (in English).
https://doi.org/10.1109/ITSC55140.2022.9922001
11. Zouari, M., Baklouti, N., Kammoun, M. H., Ayed, M. B., Alimi, A. M., & Sanchez-Medina, J. (2021, July). A multi-agent system for road traffic decision making based on hierarchical interval type-2 fuzzy knowledge representation system. In 2021 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) (pp. 1-6). IEEE. doi: 10.1109/FUZZ45933.2021.9494502 (in English).
https://doi.org/10.1109/FUZZ45933.2021.9494502
12. Bastarianto, F. F., Hancock, T. O., Choudhury, C. F., & Manley, E. (2023). Agent-based models in urban transportation: review, challenges, and opportunities. European Transport Research Review, 15(1), 19. doi: 10.1186/s12544-023-00590-5 (in English).
https://doi.org/10.1186/s12544-023-00590-5
13. Hamza, A., Rizvi, S. T. H., Safder, M. U., & Asif, H. (2022). A Novel Mathematical Approach to Model Multi-Agent-Based Main Grid and Microgrid Networks for Complete System Analysis. Machines, 10(2), 110. doi: 10.3390/machines10020110 (in English).
https://doi.org/10.3390/machines10020110
14. Mathematical modeling of multi-agent search & task allocation. Retrieved from: https://www.duo.uio.no/bitstream/handle/10852/105314/Mathematical-modeli... (in English).