مروری برروش های هوشمند پیشبینی ترافیک و مسیریابی بهینه در شبکه های بین خودرویی پویا

شبکه های بینخودرویی (VANETs) به عنوان زیرساخت کلیدی سیستمهای حمل و نقل هوشمند، با چالش های مهمی در پیشبینی ترافیک و مسیریابی بهینه مواجه هستند. این مقاله به بررسی سیستماتیک روشهای هوشمند مبتنی بر یادگیری عمیق و یادگیری تقویتی برای حل این چالشها می پردازد. با تحلیل مطالعات اخیر (۲۰۲۰-۲۰۲۴)، نشان می دهیم که ترکیب معماری های LSTM با یادگیری تقویتی چندعامله (MARL) می تواند به بهبود ۳۵% در دقت پیشبینی و کاهش ۲۰% در تاخیر مسیریابی منجر شود. همچنین چالش های کلیدی در پیاده سازی این سیستم ها و راهکارهای مبتنی بر محاسبات لبه و یادگیری فدرال برای مقابله با آنها مورد بحث قرار گرفته است. یافته های کلیدی حاکی از برتری ۱۲% روش های ترکیبی نسبت به رویکردهای تک بعدی در محیط های پویا است. نتایج این مطالعه مروری می تواند مبنایی برای توسعه سیستم های حمل و نقل هوشمند نسل آینده باشد.

کلیدواژه ها:

VANETs ، پیشبینی ترافیک ، مسیریابی هوشمند ، یادگیری عمیق ، یادگیری تقویتی