Adaptive fine-tuning for large-scale nonlinear traffic control systems

Abstract

Despite the continuous advances in the fields of control and computing, the design and deployment of an efficient Large-scale Nonlinear Traffic Control System (LNTCS) remains a significant objective. This is mainly due to the complexity and the strong nonlinearities involved in the modeling of traffic flow processes. Practical control design approaches are often based on simplified models about the system dynamics, leading to LNTCS with suboptimal performance, as the use of more complex models of effective LNTCS is virtually unavoidable in most complex control system applications. The ultimate performance of a designed or operational LNTCS (e.g. urban signal control, or ramp metering) depends on two main factors: (a) the exogenous influences, e.g. demand, weather conditions, incidents, and (b) the values of some design parameters included within the LNTCS. When a new control algorithm is implemented there is a period of, sometimes tedious, fine-tuning activity that is needed in order to elevate the control algorithm to its best achievable performance. Fine-tuning concerns the selection of appropriate (or even optimal) values for a number of design parameters included in the control strategy. Moreover, the continuous medium- and long-term variations of the traffic system dynamics call for a frequent or even continuous maintenance of LNTCSs. When an operational but “aged” control algorithm needs to be updated the same fine-tuning procedure has to take place, which - if done properly - is extremely costly. Typically, this fine-tuning procedure is conducted manually, via trial-and-error, relying on expertise and human judgment and without the use of a systematic approach. Currently, a considerable amount of human effort and time is spent for initialization or calibration of operational LNTCSs, which does not always lead to a desirable outcome. In many cases, the result is that system maintenance is neglected and the system performance deteriorates year after year. This thesis introduces and analyzes a new learning/adaptive algorithm that enables automatic fine-tuning of LNTCS, so as to reach the maximum performance that is achievable with the utilized control strategy. The proposed Adaptive Fine Tuning (AFT) algorithm is aiming at replacing the conventional manual optimization practice with a fully automated online procedure. The thesis provides a detailed analysis of the algorithm as well as a step-by-step application description. Finally, application results of the algorithm to real-time fine-tuning problems of general LNTCS are presented. The efficiency and online feasibility of AFT algorithm is investigated through extensive simulation experiments for two LNTCS. The first test case is a large-scale ramp metering control problem. A multivariable ramp metering regulator is applied to the stretch of the Monash motorway in Melbourne, Australia. The latter test case corresponds to the application of an urban signal control strategy to the road network of Chania, in Greece. In both simulated cases, AFT is used in order to iteratively fine-tune the design parameters of the system. The simulation results illustrate the algorithm’s efficiency and real-time applicability. AFT is seen to provide efficient automatic fine-tuning of the design parameters of general LNTCS, guaranteeing safe and convergent behavior.

Παρά τις συνεχείς εξελίξεις στον τομέα του αυτόματου ελέγχου και της τηλεματικής ο σχεδιασμός αποτελεσματικών Ελεγκτών Κυκλοφορίας για Συστήματα Μεγάλης Κλίμακας (ΕΚΣΜΚ) εξακολουθεί να αποτελεί σημαντικό αντικείμενο έρευνας. Το γεγονός αυτό οφείλεται κυρίως στην πολυπλοκότητα και τις ισχυρές μη γραμμικότητες που παρουσιάζει η μοντελοποίηση της κυκλοφοριακής ροής. Οι υπάρχουσες πρακτικές προσεγγίσεις σχεδιασμού ελεγκτών βασίζονται συνήθως σε απλοποιημένα μοντέλα για την περιγραφή των δυναμικών εξισώσεων του συστήματος επειδή η χρήση πιο πολύπλοκων μοντέλων είναι σχεδόν ανέφικτη. Για το λόγο αυτό στις περισσότερες πρακτικές εφαρμογές συστημάτων αυτόματου ελέγχου οι ΕΚΣΜΚ που προκύπτουν έχουν υποβέλτιστη απόδοση. Η συνολική απόδοση ενός ΕΚΣΜΚ είτε αυτός εφαρμόζεται για πρώτη φορά είτε βρίσκεται ήδη σε λειτουργία (π.χ. ελεγκτή των σηματοδοτών ενός αστικού δικτύου ή ελεγκτή των ραμπών εισόδου ενός αυτοκινητοδρόμου) εξαρτάται από δύο κύριους παράγοντες (α) τις εξωγενείς επιρροές όπως π.χ. τη ζήτηση, τις καιρικές συνθήκες, τα συμβάντα και (β) τις τιμές κάποιων παραμέτρων σχεδιασμού που περιλαμβάνονται στον ΕΚΣΜΚ. Όταν ένας αλγόριθμος ελέγχου εφαρμόζεται για πρώτη φορά απαιτείται μια περίοδος βελτιστοποίησης του (fine-tuning). Παρόλο που η διαδικασία αυτή μερικές φορές μπορεί να είναι πολύ δύσκολη είναι απαραίτητη ώστε να επιτευχθεί η καλύτερη δυνατή απόδοση του αλγορίθμου ελέγχου. Η βελτιστοποίηση αυτή άφορα την επιλογή των κατάλληλων (η ακόμα και βέλτιστων) τιμών για ορισμένες παραμέτρους σχεδιασμού που περιλαμβάνονται στη στρατηγική ελέγχου. Επιπλέον άλλος ένας παράγοντας που κάνει απαραίτητη τη συχνή ή ακόμη και συνεχή συντήρηση των ΕΚΣΜΚ είναι οι συνεχιζόμενες μεσοπρόθεσμες και μακροπρόθεσμες διακυμάνσεις των δυναμικών του συστήματος κυκλοφορίας. Όταν ένας επιχειρησιακός άλλα απαρχαιωμένος αλγόριθμος ελέγχου χρειάζεται να ενημερωθεί μια παρόμοια διαδικασία πρέπει να διεξαχθεί η οποία - αν γίνει σωστά - είναι εξαιρετικά χρονοβόρα και δαπανηρή. Συνήθως αυτή η διαδικασία βελτιστοποίησης (fine-tuning) γίνεται πειραματικά μέσω δοκιμής και σφάλματος στηριζόμενη σε εμπειρογνώμονες και στην ανθρώπινη κρίση χωρίς τη χρήση μιας συστηματικής μεθοδολογίας. Επί του παρόντος για την αρχικοποίηση ή τη συντήρηση των επιχειρησιακών ΕΚΣΜΚ δαπανάται σημαντική ανθρώπινη ενέργεια και χρόνος χωρίς πάντα να προκύπτουν τα επιθυμητά αποτελέσματα. Σε πολλές περιπτώσεις το αποτέλεσμα είναι ότι η συντήρηση του συστήματος αμελείται και η απόδοσή του χειροτερεύει χρόνο με το χρόνο. Η παρούσα διατριβή εισάγει και αναλύει ένα νέο αλγόριθμο μάθησης (προσαρμοστικό αλγόριθμο) που επιτρέπει την αυτόματη βελτιστοποίηση του ΕΚΣΜΚ ώστε να επιτευχθεί η μέγιστη δυνατή απόδοση της χρησιμοποιούμενης στρατηγικής ελέγχου. Ο προτεινόμενος αλγόριθμος προσαρμοστικής βελτιστοποίησης (AFT) στοχεύει στην αντικατάσταση των συμβατικών πρακτικών βελτιστοποίησης με μια πλήρως αυτοματοποιημένη διαδικασία πραγματικού χρόνου. Η διατριβή παρέχει μια λεπτομερή ανάλυση του αλγορίθμου καθώς και μια βήμα-προς-βήμα περιγραφή της εφαρμογής του. Τέλος παρουσιάζονται τα αποτελέσματα προσομοίωσης του AFT για την επίλυση του προβλήματος βελτιστοποίησης παραμέτρων γενικών ΕΚΣΜΚ σε πραγματικό χρόνο. Η αποδοτικότητα και εφαρμοσιμότητα του αλγορίθμου AFT σε πραγματικό χρόνο διερευνάται μέσα από εκτενή πειράματα προσομοίωσης για δυο ΕΚΣΜΚ. Το πρώτο παράδειγμα αφορά μια εφαρμογή μεγάλης κλίμακας για τον έλεγχο ραμπών εισόδου αυτοκινητοδρόμου όπου ένας πολυμεταβλητός ελεγκτής εφαρμόζεται σε τμήμα του αυτοκινητοδρόμου Monash στη Μελβούρνη της Αυστραλίας. Το δεύτερο διερευνούμενο παράδειγμα αφορά την εφαρμογή μιας στρατηγικής ελέγχου αστικής σηματοδότησης στο οδικό δίκτυο των Χανίων στην Ελλάδα. Και στις δυο περιπτώσεις προσομοίωσης ο αλγόριθμος AFT χρησιμοποιείται για την επαναληπτική βελτιστοποίηση των παραμέτρων σχεδιασμού του συστήματος. Τα αποτελέσματα της προσομοίωσης αποδεικνύουν την αποτελεσματικότητα του αλγορίθμου και την καταλληλότητα εφαρμογής του σε πραγματικό χρόνο. Ο προτεινόμενος αλγόριθμος παρέχει αποτελεσματική αυτόματη βελτιστοποίηση των παραμέτρων σχεδιασμού για γενικά ΕΚΣΜΚ εξασφαλίζοντας ασφαλή και συγκλίνουσα συμπεριφορά.