\chapter{Výsledky simulací}
Ověření chování navrženého řídícího algoritmu bylo provedeno na dvou scénářích. Oba simulují dobu 24 hodin (od půlnoci do půlnoci), přičemž první z nich představuje konstantní příjezdy na všech ramenech po celý den, druhý pak zachycuje reálný provoz zaznamenaný detektory dne 12. prosince 2007. Pro každý ze scénářů bylo provedeno porovnání několika dopravních veličin v případě řízení jen pevnými signálními plány (tento stav je označován jako \emph{reference}) a při řízení pomocí agentů, kteří nastavují pevným signálním plánům offsety algoritmem navrženým v kapitole \ref{sec:navrh} (což je dále označováno jako \emph{agenti}).

\section{Konstantní vjezdy}
Scénář s konstantními vjezdy do oblasti nevykazuje z globálního zlepšení v žádné ze sledovaných veličin zlepšení, jak ukazuje tabulka \ref{tab:c01glob} a to ani v parametrech, které by měl algoritmus nejvíce optimalizovat, v počtu zastavení a průměrné době zastavení. VGS API bohužel neposkytuje globální číselné údaje pro jednotlivé křižovatky, je tedy nutné spolehnout se pouze na grafy. Obrázek však \ref{fig:c01rnumstop495}, že na křižovatce Řevnická~/~Na Radosti nastává zlepšení v počtu zastavení vozidel.

\begin{figure}[t]%
	\centering
	\includegraphics[width=\columnwidth]{c01rnumstops495}%
	\caption{Relativní změny počtu zastavení na křižovatce 5.495. Graf zobrazuje relativní velikost rozdílu oproti referenčnímu systému}%
	\label{fig:c01rnumstop495}%
\end{figure}

Podrobněji to lze vidět na číslech z jednotlivých jízdních pruhů, která již k dispozici jsou. Konkrétně na jízdních pruzích vedoucích od sousední řízené křižovatky, pro které je primárně prováděna optimalizace, je zlepšení zřetelné. Například pro pruh odbočující vlevo je průměrná doba jízdy při řízení agenty o $13~\%$ nižší. Některé parametrů ukazují tabulky \ref{tab:c06sect} a \ref{tab:c05sect}. 

\begin{table}%
	\centering
	\input{tab/const01-globaltable}
	\caption{Rozdíl v měřených parametrech v celé simulované oblasti při konstatních vjezdech.}
	\label{tab:c01glob}
\end{table}

\begin{table}%
	\centering
	\input{tab/const01-sectiontable-06}
	\caption{Rozdíl v některých parametrech na jižním příjezdu do křižovatky 495, pruh pro odbočení vlevo.}
	\label{tab:c06sect}
\end{table}

\begin{table}%
	\centering
	\input{tab/const01-sectiontable-05}
	\caption{Rozdíl v některých parametrech na jižním příjezdu do křižovatky 495, pruh pro odbočení vpravo.}
	\label{tab:c05sect}
\end{table}

Bohužel u druhé křižovatky již toto zlepšení nenastává a to ani ve směru od první. 

Další grafy a tabulky porovnávající referenční systém s distribuovaně řízením se nacházejí v příloze \ref{app:const01}.

\section{Reálný provoz}
Ani při simulaci se skutečnými vjezdy není při pohledu na globální statistiky v tabulce \ref{tab:rglob} znatelné žádné zlepšení. Při pohledu na jednotlivé křižovatky je ale opět vidět znatelné snížení počtu zastavení v křižovatce 495, jak zobrazuje graf na obrázku \ref{fig:rrnumstop495}. Bohužel toto s sebou znovu nese i zhoršení tohoto parametru na křižovatce 601. Především kolem 17. hodiny zde nastává výrazný nárůst délek front, který s sebou nese zvýšení počtu zastavení vozidel. Fronta nejspíše dosahuje takové délky, že ji není možné vyprázdnit během jednoho cyklu a proto algoritmus, který při počítání nastavení offsetů vypočítává hodnocení v závislosti na počtu aut, která projedou po vyprázdnění fronty, není schopen vybrat optimální offset.

\begin{table}%
	\centering
	\input{tab/real-globaltable}
	\caption{Rozdíl v měřených parametrech v celé simulované oblasti při reálných vjezdech.}
	\label{tab:rglob}
\end{table}

\begin{figure}[t]%
	\centering
	\includegraphics[width=\columnwidth]{rrnumstops495}%
	\caption{Relativní změny počtu zastavení na křižovatce 5.495. Graf zobrazuje relativní velikost rozdílu oproti referenčnímu systému}%
	\label{fig:rrnumstop495}%
\end{figure}

Další grafy a tabulky k tomuto scénáři lze nalézt v příloze \ref{app:real}.

\section{Zhodnocení}
V současné se verzi se implementace navrženého algoritmu neukázala jako řešení přinášející lepší průjezd vozidel celou oblastí. Přesto byl zaznamenám alespoň dílčí úspěch na jedné z křižovatek, který může naznačovat jistý potenciál této metody řízení provozu. 

Původem problémů je pravděpodobně nepřipravenost algoritmu na příliš velkou hustotu provozu, při které se tvoří dlouhé fronty. Dokud je provoz na nízkých hladinách, udržuje se počet zastavení pod nebo na hranici hodnot, které jsou v referenčním systému. Pokud se provoz zvýší a začnou se tvořit dlouhé fronty, systém pravděpodobně není schopen ohodnotit jednotlivá nastavení offsetu (protože nestíhá vyprázdnit fronty) a proto ani nemůže najít optimální offset. Řešením by mohlo být rozšíření hodnotící funkce tak, aby v takovém případě docházelo alespoň k postupnému zkracování fronty, je-li to v danou chvíli možné.

Další cestou ke zlepšení by mohlo být odstranění některých zjednodušení, která jsou v současném modelu použita. Jde především o předpovědi o hustotách provozu. Ty jsou nyní založeny jen jen počtu vozidel v jednom (posledním) cyklu a neobsahují informace o průběhu hustoty v čase. Dá se předpokládat, že třeba v případě existence nějaké fronty pojede po rozsvícení zelené část vozidel v malých vzájemných vzdálenostech a po vyprázdnění fronty pak provoz prořídne. Také by se dala zlepšit práce s údaji z detektorů. Ty nyní nejsou nijak filtrovány pro odstranění šumu a nepřesností.

Další směr vývoje by také mohlo být implementování nějakého algoritmu pro modelování a odhadování délek front jen na základě údajů z detektorů

Otevřenou otázkou prozatím zůstává chování algoritmu při modelování větší oblasti. Především bude nutné prozkoumat vhodné rozdělení agentů na pasivní a aktivní. Je možné, že toto rozdělení se ukáže jako naprosto nevhodné a nutné tyto role dynamicky přepínat, například dle šachovnicového systému, nebo postupným šířením aktivních agentů po celé řízené síti.