<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=80651"><dc:title>Uporaba metod spodbujevanega učenja za optimizacijo krmiljenja prometa na cestni arteriji</dc:title><dc:creator>Marsetič,	Rok	(Avtor)
	</dc:creator><dc:creator>Žura,	Marijan	(Mentor)
	</dc:creator><dc:subject>grajeno okolje</dc:subject><dc:subject>gradbeništvo</dc:subject><dc:subject>disertacije</dc:subject><dc:subject>spodbujevano učenje</dc:subject><dc:subject>cestna arterija</dc:subject><dc:subject>krmiljenje prometa</dc:subject><dc:subject>svetlobnosignalne naprave</dc:subject><dc:description>Današnja družba se zlasti v mestnih središčih pogosteje srečuje s prometnimi zastoji, višjimi stroški, nižjo prometno varnostjo in večjim onesnaženjem okolja. Prometne obremenitve vedno bolj presegajo kapaciteto cestne infrastrukture, posebno v koničnih urah. V mestih je velik delež križišč opremljenih s svetlobnosignalnimi napravami, ki imajo ključno vlogo pri varnem in učinkovitem vodenju prometa. Pri zagotavljanju čim krajših zamud je pomembna hitra prilagoditev krmilnih programov v realnem času. Z omejitvijo širjenja cestne infrastrukture in naraščanjem prometnih obremenitev čedalje težje ohranjamo zadovoljiv prometni nivo uslug s klasičnimi tehnikami krmiljenja. To še posebno velja ob nastanku nepredvidenih prometnih dogodkov. V takšnih situacijah so pomanjkljivosti zdajšnjih krmilnih sistemov še opaznejše. Promet je stohastične narave in spremembe v prometnem toku zahtevajo, da se krmilna strategija nenehno posodablja. Za reševanje tako zahtevnih in kompleksnih problemov optimizacije krmiljenja svetlobnosignalnih naprav potrebujemo sistem, ki se nenehno prilagaja in uči. S pomočjo umetne inteligence je mogoče razviti sisteme, ki so sposobni samostojnega učenja. V doktorski disertaciji smo predstavili sodoben pristop krmiljenja svetlobnosignalnih naprav na cestni arteriji, in sicer z uporabo algoritma spodbujevanega učenja. Predlagani algoritem omogoča hitro in samostojno učenje optimalne strategije krmiljenja v najrazličnejših prometnih razmerah. Uspešnost predlaganega algoritma smo preverili s pomočjo mikrosimulacijskega orodja, s katerim lahko z veliko natančnostjo simuliramo realne prometne razmere. Dokazali smo, da je učinkovitost predlaganega krmiljenja boljša v primerjavi s klasičnim prometno odvisnim krmiljenjem.</dc:description><dc:publisher>[R. Marsetič]</dc:publisher><dc:date>2016</dc:date><dc:date>2016-03-01 02:20:28</dc:date><dc:type>Doktorsko delo/naloga</dc:type><dc:identifier>80651</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>