Gestión de Trafico mediante regresión

logistica con logica difusa

Anurag Singh Tomara, Mridula

Singhc, Girish Sharmad, K.V. Aryae

Hector J Mesa Garcia

Asesor: Jaime Cortes
Agenda
1. Introducción
2. Método Propuesto
2.1 Regresión Logística
2.2 Lógica Difusa
3. Resultados y discusión
4. Conclusiones
5. Referencias
Introducción
El desarrollo económico, con el incremento de la población juegan un
papel importante en el aumento de vehículos adquiridos por y para las
personas.
Este aumento de vehículos conduce a un problema importante “La
congestión de Trafico”
Hay varios factores que influyen en la congestión del trafico:

Cantidad de vehículos, carreteras mal diseñadas, mantenimiento de las

mismas, etc.

El objetivo de Paper es proporcionar un marco para un sistema de

transporte inteligente que ayude a regular el trafico entre un punto de
origen y un punto de destino, teniendo en cuenta varias condiciones como
el clima, la condición de la carretera, el horario, etc.
Método Propuesto
• En este trabajo se discute la regresión logística con lógica
difusa para tomar decisiones inteligentes sobre la ruta
preferida.

• primero un sistema obtendrá la información del tráfico del

mapa de Google.

• Con base a estos parámetros, la probabilidad se calculará

para cada ruta mediante el método de regresión logística.

• La lógica difusa se aplicará luego al considerar los diversos

parámetros, como la distancia, las condiciones climáticas y
la ubicación.
 Marco de Trabajo propuesto

Selección de la
mejor ruta
Tiempo Real de Trafico
Información de ruta

Distancia de la
ruta a destino Regresión
Lógica Difusa
Logística
Condiciones de la ruta
Información de Trafico de Google Maps
Información de Trafico de Google Maps
2.1. Regresión Logística
Para calcular la probabilidad para encontrar la major ruta nos vamos apoyar en la
función sigmoide.

• HT(X) Representa el valor de la predicción de la variable de salida;

• Ti (fori∈ (0, 1, 2, 3) son coeficientes, T0 llamados sesgos and Ti

(where i>0) indica el peso asignado para cada variable de entrada;

• Xj (for j ∈ (1, 2,3) información de Tráfico, Distancia, condición de

la carretera;

• g(HT(X)) Representa la función Sigmoid sobre HT(X);

• p es la Probabilidad asociada con cada ruta;

a. Calculamos HT(X) = T0 + T1X1+ T2X2-T3X3.
donde X1 es la distancia normalizada de cada ruta para llegar al destino,
X2 es la velocidad de tráfico normalizada que se obtiene del mapa de
Google como se muestra en la figura 2 y X3 es condición de la carretera
b. la ecuación anterior ha sido reescrita en forma de vector de la siguiente
manera:

HT (X) = T'X, donde T 'es transpuesta de T. (3)

 c. Calculamos la probabilidad usando la función sigmoide de
la siguiente manera

p = g (Z) = 1 / (1 + e-Z),

donde Z = HT (X). (4)

Según la naturaleza de la función sigmoide para obtener una probabilidad mayor a 0.5, el
valor de z debe ser positivo, pero si el valor es menor que cero, la probabilidad es menor a
0.5.
El usuario seleccionará la ruta solo si la probabilidad es mayor a 0.5.
2.2 Lógica Difusa
• Después de calcular la probabilidad usando Regresión
logística, más factores como las condiciones meteorológicas,
la probabilidad, la ubicación del camino, el día y la hora de
la semana se tienen en cuenta para seleccionar la mejor
ruta.
Define Variables:
1. Condición del Clima
2. Tiempo
3. Día de la semana
4. Localización de la carretera
5. Probabilidad
Propuesta del controlar Difuso
 Fuzzy Sets of computed Probability

Fuzzy Set 1 Fuzzy Set 2 Fuzzy Set 3

Probability is very low Probability is average Probability is high
(less than 0.5) low (between 0.5 and (greater than 0.8)
0.8)

Weather Fuzzy set

Fuzzy Set 1 Fuzzy Set 2 Fuzzy Set 3 Fuzzy Set 4

Rainy Partially Rainy Pleasant Sunny Day

Road Location Fuzzy set

Fuzzy Set 1 Fuzzy Set 2 Fuzzy Set 3

More work places Less work places Very less work place
 Fuzzy set of Day

Fuzzy Set 1 Fuzzy Set 2

Normal Working Day Week End

Fuzzy set of Time

Fuzzy Fuzzy Fuzzy Fuzzy Fuzzy Fuzzy Fuzzy

Set 1 Set 2 Set 3 Set 4 Set 5 Set 6 Set 7

Mid Early mornin mornin afnoon evening night(

(12.01 mornin g1(8.01 g2(10.0 ( 12 to (4.01 to 8.01
to g(4:0 1 to 1 am to 4pm) 8pm) to
4am) to 10am) 11.59a 12pm)
8am) m)
Resultado y discusión:
Variables de entrada y salida en
lógica difusa
Se construyen otras reglas difusas
La decisión de la ruta preferida se toma después del procesamiento
de las reglas difusas y se ha implementado usando la función de
membresía triangular.
Conclusiones y Trabajo
futuro
• Este documento propuso un método que no solo
considera la longitud de la ruta para llegar al destino
sino también la información de tráfico actual y otros
factores como condición del clima, ubicación de la
carretera, día de la semana, lo que a su vez ayudará a
tomar decisiones inteligentes.
• La información del trafico se convierte en un factor
importante a la hora de tomar la decisión de la mejor
ruta, ya que no necesariamente la ruta mas corta es la
de menor duración.
• El sistema se puede mejorar debido a que se puede
desarrollar para que se amplié de forma automática
con Google Maps
Referecias
[1] H. M. Kammoun, I. Kallel, A. M. Alimi and J. Casillas (2011) "Improvement of the road traffic
management by an ant-hierarchical fuzzy system", IEEE Symposium on Computational Intelligence
in Vehicles and Transportation Systems (CIVTS) Proceedings, Paris, pp. 38-45.
[2] Habib M. Kammouna,IlhemKallel,JorgeCasillas,Ajith Abraham ,Adel M. Alimi (2014) "Adapt-Traf:
An adaptive multiagent road traffic management system based on hybrid ant-hierarchical fuzzy
model", Transportation Research Part C: Emerging Technologies Volume 42,Pages 147-167.
[3] Mohammad A. Tahaa,LaheebIbrahimb (2012) "Traffic Simulation System Based on Fuzzy Logic",
Procedia Computer Science volume 12 pp.356 – 360 .
[4] M. Ramzanzad and H. RashidyKanan (2013) "A new method for design and implementation of
intelligent traffic control system based on fuzzy logic using FPGA," 13th Iranian Conference on Fuzzy
Systems (IFSC), Qazvin,pp. 1-4.
[5] Bharti Sharma,Vinod Kumar Katiyar,Arvind Kumar Gupta (2014) "Fuzzy Logic Model for the
Prediction of Traffic Volume in Week Days",International Journal of Computer Applications Volume
107 – No 17, pp. 1-6 .
[6] Collotta, M., Bello, L.L., Pau, G. (2015) "A Novel Approach for dynamic traffic lights management
based on Wireless Sensor Networks and Multiple Fuzzy Logic Controllers", Expert Systems with
Applications.