چارچوب مدیریت ترافیک پویا با یادگیری تقویتی عمیق و پردازش ویدئوی توزیع شده جهت کاهش مصرف سوخت

پژوهش حاضر با هدف طراحی چارچوب مدیریت ترافیک پویا مبتنی بر یادگیری تقویتی عمیق (DRL) و پردازش ویدئوی توزیع شده جهت کاهش مصرف سوخت و بهبود جریان ترافیک در کلان شهرهای ایران تدوین شده است. روش های سنتی کنترل ترافیک به دلیل ماهیت ایستا و ناتوانی در انطباق با تغییرات لحظه ای جریان ترافیک، از کارایی مطلوب برخوردار نیستند. از این رو، 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 ترافیک گشوده اند. این پژوهش از نظر هدف، کاربردی-توسعه ای و از نظر ماهیت و روش اجرا، در زمره پژوهش های کیفی با رویکرد تحلیل اسنادی، مطالعه تطبیقی و تحلیل معماری قرار دارد. گردآوری اطلاعات از طریق جستجوی نظام مند در پایگاه های داده های علمی معتبر داخلی (نورمگز، مگیران، علم نت، سیویلیکا)، استانداردهای فنی، مستندات الگوریتم های یادگیری تقویتی عمیق (DQN، DDPG، PPO) و گزارش های پیاده سازی سیستم های کنترل ترافیک هوشمند در کلان شهرهای جهان انجام شده است. برای تحلیل داده ها از ترکیب روش های تحلیل محتوای کیفی، تحلیل معماری و سنتزپژوهی با بهره گیری از تکنیک کدگذاری باز، محوری و انتخابی استفاده گردیده است. یافته های پژوهش نشان می دهد که چارچوب مدیریت ترافیک پویا مبتنی بر معماری چهارلایه (شامل لایه جمع آوری داده، لایه پردازش توزیع شده ویدئو، لایه عامل های یادگیری تقویتی عمیق و لایه کنترل و تصمیم گیری) می تواند نیازهای مدیریت ترافیک شهری و کاهش مصرف سوخت را به طور یکپارچه پوشش دهد. الگوریتم شبکه Q عمیق دوئل دوگانه توانسته است طول صف تجمعی وسایل نقلیه را در تمام حالت های شبیه سازی، دست کم به میزان ۲۶ درصد کاهش دهد که در حالت جریان ترافیک سنگین و یکنواخت به ۶۷ درصد می رسد. سیستم های کنترل چراغ راهنمایی مبتنی بر یادگیری عمیق، قادر به کاهش ۲۱ تا ۲۷ درصدی انتشار CO₂ و کاهش ۱۰ تا ۱۵ درصدی زمان تاخیر در تقاطع های واقعی هستند. روش های کنترل هماهنگ مبتنی بر DRL در محیط های ترافیکی مختلط، قادر به کاهش مصرف سوخت تا ۲۹.۰ درصد، کاهش زمان انتظار تا ۵۶.۶ درصد و افزایش توان عملیاتی تا ۲.۶ درصد هستند. در حوزه پردازش ویدئو، استفاده از مدل YOLOv۹-C برای تشخیص وسایل نقلیه و استخراج ویژگی هایی نظیر تعداد و سرعت خودروها از تصاویر دوربین های نظارتی، همراه با یادگیری تقویتی چندعامله و الگوریتم DQN Rainbow، منجر به زمان بندی بهینه چراغ های راهنمایی شده است. ادغام یادگیری عمیق، شناسایی الگوهای برتر را از جریان های وسیع داده های ترافیکی ناهمگون (داده های حسگر، ردیابی های GPS، فیدهای ویدئویی) تسهیل کرده و منجر به استراتژی های کنترلی واکنشی و انطباقی می شود که چرخه های توقف و حرکت را به حداقل می رساند. با این حال، موانع زیرساختی (کمبود زیرساخت های ارتباطی پرسرعت)، موانع فنی (کمبود نیروی متخصص در حوزه DRL و پردازش ویدئو) و موانع سازمانی (نبود هماهنگی میان دستگاه های متولی)، به عنوان مهم ترین چالش های پیش روی پیاده سازی این چارچوب در نظام مدیریت شهری ایران شناسایی شدند. نظام مدیریت شهری ایران برای کاهش مصرف سوخت، کاهش انتشار آلاینده ها و بهبود جریان ترافیک، ناگزیر از اتخاذ رویکردی گام به گام در پیاده سازی چارچوب مدیریت ترافیک پویا است. مدل استقرار چهارفازی پیشنهادی این پژوهش (شامل مطالعات امکان سنجی و نیازسنجی، طراحی معماری و انتخاب فناوری ها، پیاده سازی پایلوت در یک تقاطع یا محور محدود شهری، و توسعه مقیاس پذیر و یکپارچه سازی با سامانه های موجود) می تواند الگویی کارآمد برای استقرار این چارچوب در کلان شهرهای ایران فراهم آورد.