بهینه سازی سلسله مراتبی جریان ترافیک در محیط های شهری با استفاده از یک چارچوب ترکیبی مبتنی بر سیستم های چندعامله، یادگیری عمیق و یادگیری تقویتی

تراکم فزاینده ترافیک در شبکه های حمل ونقل شهری، چالش های عمده ای را در زمینه کارایی و پایداری به وجود آورده است. سیستم های چندعامله به عنوان یک پارادایم موثر برای هماهنگی وسایل نقلیه خودران شناخته شده اند، اما چارچوب های موجود اغلب به دلیل ماهیت واکنشی، در مدیریت سناریوهای پیچیده ترافیکی با محدودیت مواجه هستند. این پژوهش با هدف غلبه بر این محدودیت ها، یک چارچوب سلسله مراتبی و پیش بین-واکنشی نوین را برای مدیریت هوشمند جریان ترافیک ارائه می دهد. در لایه استراتژیک این معماری، از یک مدل ترکیبی مبتنی بر شبکه های عصبی گراف و حافظه طولانی-کوتاه مدت برای پیش بینی وضعیت تراکم ترافیک در افق زمانی کوتاه-مدت استفاده شده است. در لایه تاکتیکی، هر وسیله نقلیه به عنوان یک عامل هوشمند، با بهره گیری از الگوریتم یادگیری تقویتی عمیق چندعامله گرادیان خط مشی قطعی، یک خط مشی بهینه برای کنترل حرکت خود (شتاب و فرمان) فرا می گیرد. روش پیشنهادی بر روی مجموعه داده شبیه سازی شده مبتنی بر نقشه شهری واقعی در شبیه ساز SUMO ارزیابی گردید. نتایج نشان می دهد که چارچوب پیشنهادی در مقایسه با روش های پایه، منجر به کاهش ۲۲ درصدی میانگین زمان سفر و کاهش ۳۸ درصدی شاخص تراکم می گردد و کارایی کلی شبکه را به ۹۷.۲ درصد می رساند. این بهبود عملکرد، حاصل توانایی مدل در پیش بینی گلوگاه های ترافیکی و اتخاذ تصمیمات هماهنگ و بهینه در سطح عامل های منفرد است. در جمع بندی، این پژوهش نشان می دهد که ادغام مدل های پیش بین یادگیری عمیق با الگوریتم های تصمیم گیری یادگیری تقویتی در یک ساختار سلسله مراتبی، راهکاری موثر برای دستیابی به جریان ترافیک روان و پایدار در محیط های شهری است.

کلیدواژه ها:

سیستم های چندعامله ، وسایل نقلیه خودران ، بهینه سازی ترافیک ، یادگیری تقویتی چندعامله