Simulação e Otimização de Sistemas de Sinalização Semafórica
Resumo
O presente artigo propõe um simulador de trânsito, capaz de reproduzir o comportamento de um sistema real sob determinadas condições. Em conjunto ao simulador, é proposto também um otimizador de tempos semafóricos. Desta forma, têm-se como objetivos principais: simular um sistema de acordo com um conjunto de parâmetros de entrada e retornar ao usuário os resultados obtidos, como o tempo médio de espera de cada carro nos semáforos, ou descobrir qual a melhor configuração dos sinais de trânsito em cada cruzamento, buscando atingir menores tempos de espera. O modelo de simulação tem base no paradigma de simulação orientada a eventos discretos e se baseia na ideia de que é possível determinar o tempo de espera de um veículo no semáforo com base no estado do semáforo no momento da chegada deste veículo e no momento de saída do veículo anterior. O otimizador tem como base a metaheurística algoritmo genético. O simulador de cruzamentos foi testado e seus dados comparados com informações obtidas em um sistema real, resultando em valores que ficaram bem próximos aos reais. Além disso, os resultados obtidos com o otimizador indicam que a ferramenta pode ser útil para o auxílio na tomada de decisões e é capaz de gerar sugestões de melhorias nas configurações semafóricas.
Referências
I. A. Braga, M. C. Monard, and E. T. Matsubara. Combining unigrams and bigrams in semi-supervised text classification. pages 489–500, 2009.
J. Han, M. Kamber, and J. Pei. Data Mining: Concepts and Techniques. Morgan Kaufmann, 3rd edition, 2011.
R. Kohavi. A study of cross-validation and bootstrap for accuracy estimation and model selection. In Proceedings of the 14th International Joint Conference on Artificial Intelligence - Volume 2, IJCAI’95, pages 1137–1143, San Francisco, CA, USA, 1995. Morgan Kaufmann Publishers Inc.
E. Loper and S. Bird. Nltk: The natural language toolkit. In Proc. of the ACL-02 Workshop on E↵ective Tools and Methodologies for Teaching Natural Lang. Proc. and Comp. Ling. - V.1, pages 63–70. Assoc. for Comp. Ling., 2002.
M. Makrehchi and M. S. Kamel. Automatic Extraction of Domain-Specific Stopwords from Labeled Documents, pages 222–233. Springerg, 2008.
C. J. V. Rijsbergen. Information Retrieval. London: Butterworths, 2 edition, 1979.
S. J. Russell and P. Norvig. Artificial Intelligence: A Modern Approach. Pearson, 2 edition, 2003.
F. Sebastiani. Machine learning in automated text categorization. ACM Comput. Surv., 34(1), Mar. 2002.
W. Shalaby, W. Zadrozny, and S. Gallagher. Knowledge based dimensionality reduction for technical text mining. In 2014 IEEE International Conference on Big Data, pages 39–44, 2014.
L. A. Silva, S. M. Peres, and C. Boscarioli. Introdu¸c˜ao `a Minera¸c˜ao de Dados com Aplica¸c˜oes em R. Elsevier, 1st edition, 2016.
R. Xu and D. Wunsch, II. Survey of clustering algorithms. Trans. Neur. Netw., 16(3):645–678, 2005.
X. Zhang and B. Wu. Short text classification based on feature extension using the n-gram model. In 2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), pages 710–716, 2015.
