ارائه یک پروتکل ترکیبی هوشمند برای بهینه سازی ترافیک شهری با به کارگیری یادگیری ماشین و الگوریتم های تخصیص مسیر پویا

ازدحام ترافیک شهری یکی از مهمترین چالش های پیش روی شهرهای هوشمند است که پیامدهایی نظیر افزایش زمان سفر، مصرف بالای انرژی و آلودگی محیط زیست را به همراه دارد. با توجه به پویایی بالا و پیچیدگی شبکه های ترافیکی شهری، روش های سنتی مدیریت ترافیک کارایی لازم را ندارند. در این پژوهش، پروتکل HITORA به عنوان یک رویکرد هوشمند ترکیبی برای بهینه سازی ترافیک شهری ارائه می شود که از تلفیق یادگیری ماشین و الگوریتم های تخصیص پویای مسیر بهره می برد. چارچوب پیشنهادی شامل یک مدل پیش بینی ترافیک مبتنی بر شبکه عصبی عمیق، یک الگوریتم مسیریابی پویا مبتنی بر دایکسترا با وزن های تطبیقی و یک سازوکار هوشمند انتخاب وسیله نقلیه جهت تغییر مسیر است. ارزیابی عملکرد با استفاده از شبیه سازی در پلتفرم SUMO و بر روی شبکه واقعی معابر بروکلین نشان می دهد که HITORA در مقایسه با روش های پیشرفته موجود از جمله GCN و یادگیری تقویتی چندعامله بهبود قابل توجهی در شاخص های کلیدی ترافیک ایجاد می کند. نتایج حاکی از کاهش میانگین زمان سفر، کاهش تعداد تغییر مسیرهای غیر ضروری و بهبود زمان انتظار در تقاطع ها است. بر این اساس، پروتکل HITORA به عنوان راهکاری کارآمد و مقیاس پذیر می تواند نقش موثری در مدیریت هوشمند ترافیک شهری ایفا کند.

کلیدواژه ها:

ترافیک ، شهری ، یادگیری ماشین ، مسیریابی پویا ، شهر هوشمند ، سامانه حمل ونقل هوشمند ، الگوریتم دایکسترا