مروری جامع بر نقش یادگیری عمیق در مدیریت ترافیک هوشمند در راستای حمل و نقل سبز

پیچیدگی فزاینده سیستم های حمل و نقل شهری که با تراکم مزمن، مصرف انرژی قابل توجه و آلودگی زیست محیطی چشمگیر مشخص می شود، مستلزم یک تغییر پارادایم به سوی سیستم های مدیریت ترافیک هوشمند (ITMS) است. روش های سنتی کنترل ترافیک اغلب در سازگاری با ماهیت بسیار پویا و غیرخطی جریان ترافیک شهری ناتوان هستند. این مرور جامع، نقش دگرگون کننده تکنیک های یادگیری عمیق (DL) را در رسیدگی به این چالش های چندوجهی، با تمرکز ویژه بر ارتقاء حمل و نقل سبز، به صورت انتقادی بررسی می کند. ما مبانی نظری، معماری های غالب یادگیری عمیق (شامل شبکه های عصبی کانولوشنی (CNN)، شبکه های عصبی بازگشتی (RNN)، شبکه های حافظه بلند-کوتاه مدت (LSTM)، و یادگیری تقویتی (RL)) و کاربردهای هدفمند آن ها را در مدیریت ترافیک — که شامل پیش بینی جریان ترافیک، بهینه سازی کنترل سیگنال، تشخیص ناهنجاری، و مسیریابی دوستدار محیط زیست است — تشریح می کنیم. ادغام یادگیری عمیق، شناسایی الگوهای برتر را از جریان های وسیع داده های ترافیکی ناهمگون (داده های حسگر، ردیابی های GPS، فیدهای ویدئویی) تسهیل می کند و منجر به استراتژی های کنترلی واکنشی و انطباقی می شود که چرخه های توقف و حرکت را به حداقل می رساند، در نتیجه مصرف سوخت و انتشار گازهای گلخانه ای را کاهش می دهد. ما یافته های تحقیقاتی کنونی را سنتز کرده، بهبودهای کلیدی در عملکرد مدل های یادگیری عمیق نسبت به روش های کلاسیک را برجسته سازی می کنیم و چالش های پابرجا، مانند وابستگی به داده، قابلیت تفسیر مدل، و موانع استقرار در زمان واقعی را به دقت تحلیل می کنیم. در نهایت، مسیرهای تحقیقاتی آینده امیدوارکننده ای را که با هدف دستیابی به اکوسیستم های تحرک شهری واقعا پایدار و هوشمند طراحی شده اند، ترسیم می کنیم.

کلیدواژه ها:

یادگیری عمیق ، سیستم های مدیریت ترافیک هوشمند (ITMS) ، حمل و نقل سبز ، پیش بینی جریان ترافیک ، کنترل سیگنال تطبیقی ، یادگیری تقویتی ، تحرک پایدار