تکنیکهای یادگیری عمیق برای هوشمندسازی چراغ راهنمایی

در شبکه حمل ونقل خودروهای شهری، چراغ های راهنمایی می توانند یک ابزار کارآمد برای کنترل جریان آمد و شد خوردروها، شمار خودروهای منتظر پشت چراغ راهنمایی و مدت زمان سفرهای درون شهری باشند. این مقاله بر روی بهینه سازی شبکه های حمل ونقل شهری با استفاده از هوش مصنوعی تمرکز دارد و برای دستیابی به زمانبندی بهینه چراغ راهنمایی، با بهره گیری از انواع الگوریتم های در حوزه یادگیری تقویتی، تقویتی عمیق و یادگیری عمیق، یک مدل ترافیکی ساخته شده است. منطق کنترل زمانی چراغها و جریان آمد و شد خودروها در مدل لحاظ گردیده است. برای دستیابی به افزایش سرعت محاسبات و بهینه نمودن سیستم، الگوریتمها در فریمورک توزیع شده RAY پیاده سازی شده است. سه سناریو مختلف با الگوریتم های متفاوت DON Q- Learning و A۳C با رویکرد سیستم های تک عاملی با شبیه سازی میکروسکوپیک یک تقاطع در نرم افزار SUMO مورد ارزیابی قرار گرفت. با تحلیل عملکرد سناریوها در نهایت سناریو سوم با بهره گیری از الگوریتم یادگیری عمیق A۳C، منجر به کاهش ۹۱۰۱۴٪زمان انتظار نسبت به روش Q- Learning و ۲۹. ۳۲ ٪کاهش زمان انتظار در مقایسه با روش DQN گردید. برای مشاهده عملکرد الگوریتم برتر و بررسی انتقال پذیری در چارچوب یادگیری عمیق، مطالعه موردی یک تقاطع حقیقی در شهر یزد مورد آزمایش قرار گرفته است. تقاطع منتخب خیابان چمران با خیابان سلمان فارسی است.

Keywords:

یادگیری تقویتی , یادگیری تقویتی عمیق , یادگیری عمیق , فریمورک توزیع شده , سیستم های تک عاملی , شبیه سازی میکروسکوپیک