بهینه سازی چند هدفه جانمایی دوربین مدار بسته با استفاده از الگوریتم های هوش مصنوعی

پیشینه و اهداف: بهینه سازی جانمایی دوربین های مداربسته یکی از ارکان اساسی سیستم های هوشمند مدیریت ترافیک شهری است. استقرار صحیح این دوربین ها دقت پایش ترافیک را افزایش می دهد و زمان تشخیص حوادث را کاهش می دهد. بنابراین، مساله بهینه سازی جانمایی دوربین ها سال ها است به عنوان یک چالش پژوهشی مطرح می شود. رویکردهای نوین حل مسئله از روش های بهینه سازی چندهدفه استفاده می کنند تا امکان تحلیل همزمان پارامترهای مختلف را فراهم کنند. با وجود پیشرفت های قابل توجه در روش های بهینه سازی، رویکردهای فعلی مبتنی بر شبکه بندی دوبعدی و سه بعدی هستند که در محیط های شهری پیچیده با محدودیت های اساسی مواجه می شوند. در این روش ها، فضا به صورت یک شبکه منظم تقسیم بندی می شود و نقاط بهینه برای نصب دوربین ها با چرخش زاویه ای مناسب انتخاب می شوند. اما در توپولوژی واقعی شهرها، شبکه های معابر به صورت خطوط تو در تو و غیرمنظم گسترده شده اند و بسیاری از نقاط محاسبه شده خارج از مسیرهای قابل دسترس قرار می گیرند. این ناهماهنگی بین مدل های نظری و شرایط عملی، کارایی روش های سنتی را به شدت زیر سوال می برد. با توجه به این محدودیت ها، ارائه یک چارچوب نوین ضروری است که توپولوژی واقعی شهرها، محدودیت های فیزیکی و الزامات برنامه ریزی شهری را همزمان در نظر بگیرد. روش های جدید باید بتوانند مسیرهای واقعی ترافیک، مکان های مجاز نصب دوربین و زاویه بندی اجباری را در مدل های خود ادغام کنند. این امر نیازمند استفاده از روش های مبتنی بر داده های ترافیک مجازی واقع گرا و به کارگیری الگوریتم های هوش مصنوعی برای بهینه سازی است. روش ها: روش پژوهش حاضر نقشه های شهری را تحلیل می کند و به یک نقشه جامع و دقیق از شهر نیاز دارد تا موقعیت های بهینه را بر اساس داده های واقعی شناسایی کند. نقشه مورد استفاده به صورت یک ماتریس نمایش داده می شود که شبکه ای دوبعدی از نقاط است و مسیرهای قابل دسترس و موانع غیرقابل عبور با اعداد مختلف تعریف شده اند. از آنجا که عرض یک خیابان شامل چندین نقطه است، یک ردیف از مرکز مسیر به عنوان نماینده مسیر در نظر گرفته می شود تا حرکت وسایل نقلیه را به آن محدود کند و مکان ایده آلی برای استقرار دوربین های نظارتی فراهم نماید. فرآیند جانمایی بهینه پس از تشکیل ماتریس مدل، در چهار مرحله به صورت سیستماتیک انجام می شود. در مرحله اول، جفت های مبدا-مقصد به صورت تصادفی با استفاده از توزیع احتمال مبتنی بر تراکم جمعیتی تولید می شوند. در مرحله دوم، برای هر جفت مبدا-مقصد، مسیریابی بهینه با شبیه سازی رفتار ترافیکی شهروندان انجام می شود. این شبیه سازی در دو حالت انجام می گیرد: ساعات عادی با انتخاب کوتاه ترین مسیر و ساعات شلوغی با انتخاب مسیرهای فرعی. در مرحله سوم، تمام مسیرهای تولید شده تجمیع می شوند و ترافیک مجازی ساخته می شود. سپس تراکم مسیرها محاسبه می شود و بهینه سازی بر اساس ترافیک انجام می گیرد. در مرحله چهارم، با در نظر گرفتن انواع دوربین ها بر اساس قیمت خرید و هزینه های نصب، جانمایی بر اساس هزینه بهینه می شود. یافته ها: یکصد هزار داده جدید ایجاد شد و دو آزمایش انجام گرفت. در آزمایش اول، از یک الگوریتم حریصانه برای حداکثر کردن پوشش دوربین ها در کل مسیر استفاده شد. آزمایش دوم از روش پیشنهادی بهره گرفت که ابتدا نقاط پرتردد را شناسایی می کند، سپس پوشش دوربین ها را در این نقاط حداکثر می کند و در نهایت هزینه های نصب را به حداقل می رساند. نتایج نشان داد روش پیشنهادی در پایش مسیرهای جدید ۴۰ درصد کاراتر و در اجرای پروژه ۶.۶ درصد مقرون به صرفه تر است. نتیجه گیری: در جانمایی دوربین های مداربسته شهری  هر روشی که حداکثر پوشش را در مسیرهای شهری در نظر بگیرد کارایی ندارد و سنجش ترافیک عامل مهمی برای بهینه سازی است. همچنین در روش پیشنهادی  چون ویژگی های هندسی مسیرها حذف شده اند، این روش مقیاس پذیر بوده و برای هر شهر و سیستم مسیریابی قابل اعمال است . همچنین  برنامه ریزان شهری معمولا دوربین های با میدان دید و برندهای متفاوت را خریداری می کنند که می تواند به عنوان فرصت در نظر گرفته شده و هدف دوم بهینه سازی برای کاهش هزینه در نظر گرفته شود.

کلیدواژه ها:

جانمایی دوربین های مداربسته ، بهینه سازی چند هدفه ، مسیریابی هوشمند ، الگوریتم Q Learning ، سیستم پایش تصویری