یک چارچوب کنترل تطبیقی سیگنال ترافیک مبتنی بر دوقلوی دیجیتال، یادگیری تقویتی و ارتباطات خودرو به همه چیز: یک رویکرد یکپارچه و هم افزا

تراکم ترافیک شهری به یک معضل جهانی تبدیل شده که هزینه های اقتصادی هنگفت و پیامدهای زیست محیطی شدیدی را به همراه دارد. سیستم های کنترل سیگنال ترافیک سنتی، به دلیل ماهیت ایستا و عدم پاسخگویی به پویایی های بلادرنگ، در مدیریت این چالش ناکارآمد هستند. این مقاله یک چارچوب جامع و تطبیقی برای کنترل سیگنال ترافیک ارائه می دهد که بر هم افزایی و یکپارچه سازی عمیق سه فناوری پیشرفته استوار است: دوقلوی دیجیتال (DT) به عنوان یک محیط شبیه سازی و پیش بینی زنده، یادگیری تقویتی چندعامله مبتنی بر گراف غیرمتمرکز (DGMARL) برای تصمیم گیری هماهنگ و هوشمند، و ارتباطات خودرو به همه چیز (V۲X) به عنوان منبع غنی داده های بلادرنگ. در چارچوب پیشنهادی، دوقلوی دیجیتال با داده های دقیق V۲X به طور مداوم تغذیه شده و یک بستر واقع گرایانه برای آموزش عامل های DGMARL فراهم می کند. این عامل ها، که هر یک نماینده یک تقاطع هستند، با بهره گیری از شبکه های عصبی گراف توجه (GATs)، اطلاعات کلیدی را از تقاطع های همسایه دریافت کرده و سیاست های کنترلی خود را برای بهینه سازی یک تابع پاداش چندهدفه (شامل تاخیر، طول صف و انتشار CO۲) تنظیم می کنند. نتایج شبیه سازی های گسترده در سناریوهای ترافیکی متنوع نشان می دهد که چارچوب پیشنهادی با کاهش چشمگیر شاخص های ناکارآمدی ترافیک، به طور قابل ملاحظه ای از روش های کنترل سنتی و سایر الگوریتم های یادگیری تقویتی پیشرفته عملکرد بهتری دارد. این پژوهش، با ارائه یک معماری جامع و قابل پیاده سازی، گامی مهم به سوی تحقق سیستم های حمل و نقل هوشمند پایدار، کارآمد و ایمن برمی دارد.

کلیدواژه ها:

کنترل سیگنال ترافیک ، دوقلوی دیجیتال ، یادگیری تقویتی ، V۲X ، شبکه های عصبی گراف ، سیستم های حمل و نقل هوشمند