کاربرد هوش مصنوعی در کاهش ترافیک شهری: رویکردی نوین برای مدیریت هوشمند عبور و مرور

در سال های اخیر، افزایش تراکم ترافیک شهری به یکی از مهم ترین چالش های کلان شهرها تبدیل شده است. این مسئله موجب اتلاف زمان، افزایش آلودگی هوا، کاهش کیفیت زندگی و مصرف بالای انرژی می شود. پیشرفت های اخیر در حوزه هوش مصنوعی، به ویژه یادگیری ماشین و یادگیری عمیق، امکان ارائه راهکارهای هوشمند برای مدیریت و کاهش ترافیک را فراهم کرده است. هدف این پژوهش، بررسی نقش هوش مصنوعی در پیش بینی و مدیریت ترافیک شهری و تحلیل کارایی روش های نوین مبتنی بر داده است. برای این منظور، مجموعه ای از مطالعات انجام شده بین سال های ۲۰۲۳ تا ۲۰۲۵ در زمینه پیش بینی جریان ترافیک، کنترل تطبیقی چراغ های راهنمایی و تحلیل الگوهای تردد مرور شده است. بر اساس نتایج مقالات بررسی شده، مدل های یادگیری ماشین مانند Random Forest و XGBoost و همچنین مدل های یادگیری عمیق شامل CNN، LSTMو مدل های ترکیبی، توانسته اند دقت پیش بینی جریان ترافیک را افزایش دهند. علاوه بر این، سیستم های کنترل هوشمند چراغ ها که به صورت لحظه ای داده های مربوط به تردد را پردازش می کنند، کاهش قابل توجهی در زمان انتظار و تراکم معابر نشان داده اند. بررسی ها حاکی از آن است که استفاده از داده های زنده حسگرها، دوربین ها و GPS همراه با الگوریتم های پیشرفته، موثرترین راهکار در بهبود جریان عبور و مرور است. در نهایت، نتایج این مطالعه نشان می دهد که هوش مصنوعی می تواند زیرساخت ترافیک شهری را متحول کرده و راهکاری پایدار، کم هزینه و قابل توسعه برای شهرهای آینده فراهم آورد.

کلیدواژه ها:

ترافیک شهری ، هوش مصنوعی ، یادگیری ماشین ، یادگیری عمیق ، مدیریت هوشمند ترافیک