مدیریت هوشمند جریان ترافیک با استفاده از یادگیری تقویتی: رویکردی مبتنی بر شبکه های حسگر شهری

مدیریت ناکارآمد ترافیک شهری یکی از چالش های اصلی کلان شهرها است که باعث افزایش زمان تاخیر، مصرف سوخت و آلودگی هوا می شود؛ سیستم های کنترل سنتی به دلیل فقدان قابلیت یادگیری و سازگاری با نوسانات پیچیده ترافیک ناکارآمد هستند. در این پژوهش یک چارچوب مدیریت هوشمند ترافیک مبتنی بر یادگیری تقویتی عمیق و با بهره گیری از داده های بلادرنگ شبکه های حسگر شهری ارائه شده است که عامل DRL با تعامل مداوم با محیط ترافیکی به طور خودکار استراتژی های بهینه زمان بندی چراغ های راهنمایی را می آموزد و با در نظر گرفتن متغیرهای کلیدی نظیر طول، صف، سرعت متوسط و نرخ ورود خودروها، تصمیمات کنترلی را در سطح تقاطع و شبکه اتخاذ می کند. نتایج شبیه سازی در محیط SUMO و با استفاده از الگوریتم Deep Network نشان می دهد این رویکرد در مقایسه با سیستم های سنتی، میانگین زمان تاخیر خودروها را به طور قابل توجهی کاهش داده و جریان کلی ترافیک را بهینه می سازد؛ این چارچوب به عنوان مدلی مقیاس پذیر و خودکار گامی مهم در جهت مدیریت هوشمند زیرساخت های ترافیکی شهرهای هوشمند به شمار می رود.

Keywords:

مدیریت هوشمند ترافیک , یادگیری تقویتی , شبکه های حسگر شهری , بهینه سازی , جریان حمل و نقل هوشمند