ارائه مدل بهینه برای ترافیک در شهر هوشمند بر اساس الگوریتم اصلاح شده آموزش-یادگیری

تراکم ترافیک و آلودگی مرتبط با آن، چالش های مهمی را برای شهرهای هوشمند مدرن نشان می دهند که عمدتا تحت تاثیر تراکم وسایل نقلیه، زمان حمل و نقل و تغییرپذیری سرعت قرار دارند. این مقاله یک چارچوب بهینه سازی چندهدفه بهبود یافته را معرفی می کند که برای به حداقل رساندن همزمان آلودگی هوا، کاهش زمان سفر و بهبود جریان کلی ترافیک، ضمن تضمین سربار محاسباتی کم و دقت پیش بینی بالا، طراحی شده است. برای این منظور، یک الگوریتم بهینه سازی مبتنی بر آموزش-یادگیری اصلاح شده چندهدفه (MTLBO) بهبود یافته با استفاده از داده های ترافیک دنیای واقعی از خیابان استادهودرسکاد در آمستردام، هلند، پیشنهاد و اعتبارسنجی شده است. آزمایش های مقایسه ای با الگوریتم های معیار، از جمله الگوریتم های بهترین میانگین-تصادفی (BMR) و JAYA، عملکرد برتر رویکرد پیشنهادی را نشان می دهند. الگوریتم MTLBO بهبود یافته به طور متوسط بهبود دقت ۹۳.۷۷٪ نسبت به الگوریتم BMR و ۹۱.۵۳٪ نسبت به الگوریتم JAYA را با پایداری همگرایی و مقیاس پذیری بهبود یافته به دست می آورد. این نتایج، پتانسیل مدل پیشنهادی را به عنوان یک راه حل قوی و کارآمد برای مدیریت پایدار ترافیک در شهرهای هوشمند برجسته می کندکه با توجه به گستره کاربرد آن در کشورمان میتواند کارآمد باشد.

کلیدواژه ها:

آلودگی ، الگوریتمهای چند هدفه ، بهینه سازی ترافیک ، شهر هوشمند