کاربرد یادگیری ماشین در مدیریت ترافیک شهرهای هوشمند

رشد سریع شهرنشینی و افزایش استفاده از وسایل نقلیه شخصی چالش های مدیریتی ترافیک شهری را عمیق تر کرده است. این مطالعه با رویکرد مرور نظام مند و استفاده از نمودار PRISMA، به بررسی و تحلیل کاربرد یادگیری ماشین در مدیریت ترافیک شهرهای هوشمند می پردازد. در این پژوهش، ضمن تحلیل کمی و کیفی دقیق مقالات منتخب، چارچوب مفهومی چندلایه ای برای یکپارچه سازی الگوریتم های یادگیری ماشین با نسل جدید زیرساخت های ترافیکی ارائه شده است. طبقه بندی نوینی مبتنی بر محورهای زمانی (Real-Time vs Predictive)، مقیاس (Micro vs Macro) و نوع تصمیم گیری (Reactive vs Proactive) تعریف شده و در تحلیل ها به کار رفته است. یافته ها نشان می دهند که الگوریتم های پیشرفته یادگیری ماشین می توانند با بهبود دقت پیش بینی، کنترل هوشمند چراغ های راهنمایی و مسیریابی پویا، به طور قابل توجهی از ازدحام، مصرف انرژی و آلودگی هوا بکاهند. با این حال، چالش های مرتبط با کیفیت داده ها، مقیاس پذیری مدل ها، و حفظ حریم خصوصی هنوز به عنوان موانعی جدی مطرح اند. در نهایت، شکاف های پژوهشی کلیدی شامل کمبود مطالعات بلندمدت، فاقد توجه به شهرهای متوسط، و نارسایی در استانداردسازی داده ها شناسایی شده و راهکارهایی برای پژوهش های آینده پیشنهاد شده است. این مطالعه گامی موثر در جهت توسعه دانش علمی و کاربردی در مدیریت ترافیک هوشمند و حرکت به سمت تحقق شهرهای هوشمند محسوب می شود.

Keywords:

یادگیری ماشین , شهر هوشمند , مدیریت ترافیک , حمل ونقل هوشمند , هوش مصنوعی