کاربرد یادگیری عمیق در بهینه سازی زمان بندی چراغ های راهنمایی برای کاهش زمان سفر و آلایندگی

در چند دهه اخیر، رشد شتابان شهرنشینی و افزایش بی رویه تعداد خودروها در کلان شهرها، مدیریت جریان ترافیک را به یکی از چالش های اساسی مهندسان و برنامه ریزان شهری تبدیل کرده است. تقاطع های چراغ دار به عنوان یکی از گلوگاه های اصلی شبکه حمل ونقل شهری، نقش مهمی در افزایش زمان سفر، مصرف سوخت و انتشار آلاینده های زیست محیطی ایفا می کنند. روش های سنتی زمان بندی چراغ های راهنمایی (مانند سیستم های زمانی ثابت و عملگرا) به دلیل ماهیت ایستا و ناتوانی در انطباق با تغییرات لحظه ای و پیچیده جریان ترافیک، از کارایی مطلوب برخوردار نیستند. در این میان، رویکردهای مبتنی بر هوش مصنوعی و به ویژه یادگیری عمیق، با قابلیت درک الگوهای پیچیده ترافیکی و اتخاذ تصمیمات تطبیقی و بلادرنگ، افق های جدیدی را در عرصه کنترل هوشمند چراغ های راهنمایی گشوده اند. مقاله حاضر به بررسی جامع و نظام مند کاربرد روش های یادگیری عمیق و یادگیری تقویتی عمیق در بهینه سازی زمان بندی چراغ های راهنمایی با دو هدف اصلی کاهش زمان سفر خودروها و کاهش انتشار آلاینده ها می پردازد. در این راستا، مبانی نظری یادگیری تقویتی عمیق، معماری های متداول (از جمله DQN و DDPG)، استراتژی های طراحی تابع پاداش در راستای اهداف چندگانه، روش های پیاده سازی در شبیه سازهای پیشرفته ترافیکی مانند SUMO، و نتایج کمی حاصل از پژوهش های تجربی اخیر و ارزیابی می شود. یافته های این مطالعه نشان می دهد که سیستم های کنترل چراغ راهنمایی مبتنی بر یادگیری عمیق، بسته به معماری مورد استفاده و سناریوی ترافیکی، قادر به کاهش ۲۱ تا ۲۷ درصدی انتشار CO₂ و کاهش ۱۰ تا ۱۵ درصدی زمان تاخیر در تقاطع های واقعی هستند و در برخی موارد، طول صف تجمعی خودروها تا ۶۷ درصد کاهش می یابد. در نهایت، چالش های موجود و مسیرهای پژوهشی آتی در این حوزه پیش رو قرار خواهد گرفت.

کلیدواژه ها:

مدیریت هوشمند ترافیک ، یادگیری عمیق ، یادگیری تقویتی عمیق (DRL) ، زمان بندی تطبیقی چراغ راهنمایی ، کاهش انتشار آلاینده ها ، شبیه سازی ترافیک ، بهینه سازی زمان سفر