بهبود دقت پیش بینی ترافیک بلادرنگ شهری با استفاده از معماری ترکیبی TCN-DBA: گامی به سوی شهرهای هوشمند پایدار و کاهش آلودگی هوا

رشد شتابان شهرنشینی و افزایش بی رویه وسایل نقلیه، مدیریت ترافیک شهری را به یکی از چالش های حیاتی برای دستیابی به شهرهای پایدار تبدیل کرده است. این پژوهش با هدف بهبود دقت پیش بینی ترافیک بلادرنگ، معماری ترکیبی TCN-DBA را ارائه می دهد که همزمان از قدرت شبکه های تمپورال کانولوشنال (TCN) در استخراج ویژگی های زمانی و توانایی شبکه دوطرفه (DBA) در یادگیری وابستگی های بلندمدت بهره می برد. ارزیابی روش پیشنهادی در شش سناریوی متفاوت و مقایسه با دیگران، نشان دهنده برتری چشمگیر رویکرد TCN-DBA در معیار اصلی موفقیت تحویل وسایل نقلیه است. نتایج تجربی حاکی از آن است که در تمام فواصل (۲۵۰ تا ۲۰۰۰ متر)، روش پیشنهادی بیشترین تعداد وسایل نقلیه را به مقصد رسانده و این برتری با افزایش فاصله پایدارتر می شود. به طور میانگین تحویل وسایل نقلیه ۲۵ تا ۳۰ درصد بهتر از رقبا بوده و در فاصله ۲۰۰۰ متر، با تحویل ۶۸۰ وسیله نقلیه نسبت به روش (۴۹۰ وسیله) عملکردی برتر دارد. هر چند زمان شبیه سازی روش پیشنهادی کندتر است، اما در اولویت اصلی یعنی کاهش ترافیک و آلودگی هوا عملکرد بی رقابتی نشان می دهد. برای پژوهش های آینده، بهینه سازی معماری جهت کاهش زمان اجرا و ترکیب با روش های یادگیری تقویتی پیشرفته تر مانند SARSA یا Actor-Critic عمیق توصیه می شود.

کلیدواژه ها:

پیش بینی ترافیک ، بلادرنگ ، شبکه تمپورال کانولوشنال (TCN) ، شبکه دو طرفه (DBA) ، مدیریت هوشمند شهری ، موفقیت تحویل وسایل نقلیه