کاربرد یادگیری عمیق در پیش بینی بار ترافیکی و مدیریت هوشمند حمل ونقل شهری

رشد شتابان جمعیت شهری و افزایش مالکیت خودرو، مدیریت ترافیک شهری را به یکی از چالش برانگیزترین مسائل کلان شهرها تبدیل کرده است. روش های سنتی مدیریت ترافیک که بر پایه ی زمان بندی ثابت چراغ های راهنمایی و مدل های آماری ساده استوار هستند، در مواجهه با پویایی و پیچیدگی الگوهای تردد امروزی کارایی محدودی دارند. در سال های اخیر، پیشرفت روش های یادگیری عمیق، به ویژه شبکه های عصبی بازگشتی، شبکه های عصبی گرافی و یادگیری تقویتی، امکان پیش بینی دقیق تر بار ترافیکی و کنترل تطبیقی و هوشمند تقاطع های شهری را فراهم کرده است. در این مقاله، ابتدا سیر تحول سیستم های حمل ونقل هوشمند و مبانی نظری یادگیری عمیق برای داده های مکانی-زمانی ترافیکی مرور می شود و سپس معماری چهارلایه ای برای سامانه ی هوشمند پیش بینی و مدیریت ترافیک شهری ارائه می گردد که در آن لایه های حسگرها و اینترنت اشیا، جمع آوری و انتقال داده، یادگیری عمیق و پیش بینی، و تصمیم گیری و کنترل هوشمند به صورت یکپارچه با یکدیگر تعامل دارند. کاربردهای این رویکرد در پیش بینی زمان سفر، بهینه سازی تطبیقی چراغ های راهنمایی، تشخیص خودکار تصادف و مسیریابی پویای ناوگان باری و مسافری بررسی شده است. به عنوان مطالعه ی موردی، امکان به کارگیری این رویکرد در سازمان حمل ونقل بار و مسافر شهرداری یزد تحلیل شده است. یافته های این پژوهش که بر پایه ی مرور نظام مند ادبیات موضوع و تحلیل تطبیقی صورت گرفته، نشان می دهد که کنترل تطبیقی مبتنی بر یادگیری عمیق می تواند میانگین تاخیر تقاطع های شهری را به طور محسوسی کاهش دهد؛ هرچند با چالش هایی نظیر حریم خصوصی داده های مکانی، تبیین پذیری مدل ها، هزینه ی محاسباتی و نیاز به داده ی باکیفیت همراه است. در پایان، پیشنهادهایی برای پژوهش های آتی در زمینه ی طراحی سامانه های حمل ونقل هوشمند مقاوم، تبیین پذیر و حافظ حریم خصوصی ارائه شده است.

کلیدواژه ها:

یادگیری عمیق ، حمل ونقل هوشمند ، پیش بینی ترافیک ، شبکه ی عصبی گرافی ، کنترل تطبیقی چراغ راهنمایی