یک مدل نوین مبتنی بر یادگیری عمیق و یادگیری تقویتی برای مدیریت بهینه ترافیک در شهرهای بزرگ

مدیریت ترافیک در شهرهای بزرگ به دلیل تغییرات سریع و رفتارهای غیرقابل پیشبینی رانندگان یکی از چالشهای اساسی شهرهای مدرن است. روشهای سنتی عمدتا توان تحلیل دادههای پیچیده و پیشبینی دقیق را ندارند. در این پژوهش، مدلی ترکیبی مبتنی بر شبکه های عصبی بازگشتی (RNN) و یادگیری تقویتی (RL) برای پیشبینی و بهینه سازی جریان ترافیک ارائه شده است. RNN برای تحلیل دادههای زمانی مانند حجم خودروها و تغییرات ترافیک در طول شبانه روز استفاده می شود و RL با الگوبرداری از فرآیند تصمیم گیری انسان، به صورت خودکار بهترین راهکارها را در لحظه پیشنهاد می دهد. داده های مورد استفاده از حسگرهای ترافیکی و به صورت شبیه سازی شده جمع آوری شده اند. نتایج مدل پیشنهادی نشان می دهد که می توان با استفاده از آن زمان سفر و ازدحام معابر را به شکل قابل توجهی کاهش داد و همزمان بهره وری سیستم حمل و نقل شهر را افزایش داد. نوآوری اصلی این پژوهش در ترکیب رویکردهای یادگیری عمیق و یادگیری تقویتی برای مدیریت هوشمند و بلادرنگ ترافیک در کلانشهرها است.

کلیدواژه ها:

کنترل هوشمند ترافیک ، شهرهای بزرگ ، شبکه عصبی بازگشتی ، یادگیری تقویتی