چارچوب تطبیقی چندعاملی مبتنی بر هوش مصنوعی مولد و نظریه بازی برای بهینه سازی تعاملی مدیریت ترافیک شهری مطالعه موردی شهر تهران

شهر تهران به عنوان بزرگترین کلان شهر ایران و یکی از پرترافیک ترین شهرهای منطقه با چالش های فراوان و پیچیده ای در حوزه مدیریت ترافیک روبه رو است. رشد سریع، جمعیت، افزایش چشمگیر خودروهای شخصی، محدودیت های زیرساختی و رفتارهای پیچیده و گاه غیرمنطقی رانندگان مدیریت سنتی ترافیک را ناکارآمد ساخته و موجب بروز مشکلات زیست محیطی، اقتصادی و اجتماعی گسترده ای شده است. این مطالعه با هدف توسعه چارچوبی نوآورانه و تطبیقی مبتنی بر هوش مصنوعی مولد، نظریه بازی های پویا و اقتصاد رفتاری انجام شده است که قادر است تعاملات چندعاملی میان رانندگان، سیاست گذاران و سامانه های کنترل ترافیک را در محیطی پویا و غیرخطی مدل سازی کند. در این چارچوب از الگوریتم یادگیری تقویتی چندعاملی استفاده شده است که با بهره گیری از داده های جامع ترافیکی، زیست محیطی و رفتاری، تهران امکان بهینه سازی تعاملی و تصمیم گیری زمان واقعی را فراهم می آورد. نتایج تجربی نشان می دهد که به کارگیری این چارچوب منجر به کاهش ۲۵ درصدی تراکم ترافیکی، بهبود ۱۸ درصدی میانگین زمان سفر، کاهش محسوس میزان آلاینده های زیست محیطی و افزایش رضایت کاربران سیستم حمل ونقل شهری شده است. این رویکرد میان رشته ای با تلفیق فناوری های نوین و تحلیل های رفتاری چشم اندازی پایدار و هوشمند برای توسعه مدیریت ترافیک در تهران و سایر کلان شهرهای در حال توسعه ارائه می دهد و می تواند به عنوان الگویی اثربخش در سیاست گذاری و برنامه ریزی شهری مطرح گردد.

کلیدواژه ها:

مدیریت ترافیک شهری ، هوش مصنوعی مولد ، نظریه بازی های پویا ، یادگیری تقویتی چندعاملی ، اقتصاد رفتاری