نقش اینترنت اشیا و هوش مصنوعی در مدیریت تطبیقی چراغ های راهنمایی شهری

تراکم ترافیک شهری به بحرانی مزمن در کلان شهرهای ایران بدل شده که پیامدهای آن فراتر از اتلاف وقت، به اتلاف سالانه میلیاردها لیتر سوخت و تشدید بحران آلودگی هوا انجامیده است. چراغ های راهنمایی به عنوان گلوگاه های اصلی شبکه معابر، زمانی می توانند به روان سازی ترافیک کمک کنند که از انعطاف پذیری لازم برای واکنش لحظه ای به نوسانات جریان برخوردار باشند؛ امری که سیستم های زمان بندی ثابت فعلی از آن عاجزند. این پژوهش با هدف طراحی و اعتبارسنجی یک مدل تطبیقی مبتنی بر اینترنت اشیا و هوش مصنوعی برای مدیریت بهینه چراغ های راهنمایی در بستر کلان شهر تهران انجام شد. رویکرد پژوهش آمیخته متوالی-اکتشافی و در چارچوب مطالعه موردی ۵ تقاطع بحرانی منطقه ۶ تهران بود. در فاز کیفی، ۱۸ مصاحبه نیمه ساختاریافته با مدیران شهری، مهندسان ترافیک و متخصصان فناوری تا رسیدن به اشباع نظری انجام و با روش تحلیل مضمون بررسی شد. در فاز کمی، یک دوقلوی دیجیتال از تقاطع های هدف در شبیه ساز SUMO ساخته شد و عملکرد سه سناریوی کنترلی (زمان بندی ثابت فعلی، Q-Learning و Deep Q-Network با Prioritized Experience Replay) بر اساس داده های واقعی ۶ ماهه مقایسه گردید. یافته ها نشان داد که مدل DQN قادر است میانگین زمان تاخیر را ۳۴ درصد (از ۹۴ به ۶۲ ثانیه)، حداکثر طول صف را ۴۱ درصد و مصرف سوخت را ۲۲ درصد کاهش دهد. تحلیل مضمون مصاحبه ها چهار مانع اصلی شامل «فقر زیرساخت داده»، «هرج ومرج نهادی»، «چالش مقیاس پذیری» و «نگرانی های امنیت سایبری» را آشکار ساخت. تلفیق یافته ها نشان می دهد که مشکل اصلی نه کارایی الگوریتم ها، بلکه شکاف عمیق در زیرساخت حسگری، شبکه ارتباطی و هماهنگی نهادی است. راهکارهای اولویت دار شامل اجرای پایلوت هوشمند در سه تقاطع بحرانی، تدوین استانداردهای ملی اینترنت اشیای ترافیکی و طراحی مدل تامین مالی از محل صرفه جویی سوخت می باشد.

کلیدواژه ها:

اینترنت اشیا ، هوش مصنوعی ، مدیریت تطبیقی ترافیک ، چراغ راهنمایی هوشمند ، شهر هوشمند