کاربرد یادگیری ماشین در سامانه های مدیریت ترافیک هوشمند و چالش های امنیتی آن

رشد فزاینده تعداد وسایل نقلیه در مناطق شهری، مدیریت ترافیک را به یکی از چالش های اساسی کلان شهرها تبدیل کرده است. سیستم های سنتی کنترل ترافیک به دلیل وابستگی به زمان بندی های ثابت و ناتوانی در تحلیل شرایط پویا، کارایی محدودی در مواجهه با پیچیدگی های محیطی و انسانی دارند. در چنین شرایطی، بهره گیری از سامانه های مدیریت ترافیک هوشمند مبتنی بر داده، ضرورتی اجتناب ناپذیر است. تحلیل صحنه های ترافیکی با حجم عظیمی از داده های جمع آوری شده از حسگرها، دوربین ها و چراغ های راهنمایی همراه است و پردازش این داده ها بدون استفاده از روش های یادگیری ماشین عملا امکان پذیر نیست. علاوه بر این، امنیت سایبری یکی از چالش های مهم این سامانه ها محسوب می شود، زیرا هرگونه دستکاری داده یا اختلال در عملکرد حسگرها می تواند پیامدهای جدی در ایمنی و جریان ترافیک ایجاد کند. در این پژوهش، رویکردی مبتنی بر یادگیری ماشین و بینایی کامپیوتر برای تحلیل و مدیریت هوشمند ترافیک ارائه شده و یک ماژول تشخیص ناهنجاری نیز برای افزایش تاب آوری سامانه در برابر حملات داده محور طراحی شده است. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی در مقایسه با روش های پایه، دقت پیش بینی ترافیک را به طور متوسط ۱۲% افزایش داده و میانگین تاخیر تقاطع را ۱۸% کاهش می دهد. این یافته ها نشان می دهد که ترکیب یادگیری ماشین، بینایی کامپیوتر و پایش امنیتی می تواند نقش مهمی در بهبود کارایی و ایمنی سامانه های مدیریت ترافیک ایفا کند.

کلیدواژه ها:

ترافیک ، مدیریت ترافیک هوشمند ، یادگیری ماشین ، بینایی کامپیوتر ، امنیت سایبری