Travel Time and Fuel Consumption Optimization in Vehicle Routing under Fuzzy Congestion: A study of dynamic traffic routing with congestion levels calculated by applying fuzzy logic
Translated title
Travel Time and Fuel Consumption Optimization in Vehicle Routing under Fuzzy Congestion
Author
McGough, Helge
Term
4. term
Education
Publication year
2023
Submitted on
2023-06-02
Abstract
Trafikal trængsel påvirker både rejsetid og brændstofforbrug. Derfor kan ruteplanlægning blive bedre, hvis den tager trængsel med i beregningerne. I dette arbejde opstiller vi et fuzzy-inferenssystem, der vurderer trængselsniveauet på et vejsegment ud fra gennemsnitshastighed og trafiktæthed. Fuzzy-inferens er en simpel, regelbaseret metode, der kan håndtere usikkerhed i data og give en glidende skala for trængsel. Det beregnede trængselsniveau bruges til at tilføje straffetillæg til omkostningen i Dijkstras algoritme, en standardmetode til at finde korteste vej i et netværk. Målet, der minimeres, er enten rejsetid eller brændstofforbrug, som begge beskrives som funktioner af hastighed. Vi undersøger også brugen af vægtet glidende gennemsnit til at forudsige de inputværdier, ruteplanlægningen bygger på. Testene viser, at trængsel beregnet med fuzzy-logik kan forbedre rutevalgene, mens vægtet glidende gennemsnit ikke nødvendigvis er den bedste prognosemetode i denne sammenhæng.
Traffic congestion affects both travel time and fuel consumption. Route planning can therefore benefit from explicitly accounting for congestion. In this work, we build a fuzzy inference system that estimates the congestion level on a road segment from average speed and traffic density. Fuzzy inference is a simple, rule-based approach that handles uncertainty in data and produces a graded congestion level. We use this congestion level to add penalties to the cost function in Dijkstra’s algorithm, a standard method for finding the shortest path in a network. The objective we minimize is either travel time or fuel consumption, each modeled as a function of speed. We also examine a weighted moving average to forecast the input values used for routing. Our tests indicate that congestion estimated with fuzzy logic can improve route choices, while the weighted moving average may not be the most suitable forecasting method in this setting.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Keywords
Documents