بهینه سازی هوشمندسازی انتخابی تقاطع های چراغ دار با هدف بهبود تاب آوری عملکردی شبکه معابر شهری با استفاده از الگوریتم ژنتیک و مدل جایگزین یادگیری ماشین

افزایش تقاضای سفر، پیچیدگی الگوهای ترافیکی و وقوع اختلالات پیش بینی نشده، تاب آوری شبکه های معابر شهری را به یکی از چالش های مهم مدیریت ترافیک تبدیل کرده است. تقاطع های چراغ دار به عنوان گره های کلیدی شبکه، نقش مهمی در ایجاد ازدحام، انتشار صف و کاهش عملکرد شبکه دارند. اگرچه هوشمندسازی کامل تقاطع ها می تواند عملکرد ترافیکی را بهبود دهد، اما به دلیل محدودیت های اجرایی، اقتصادی و فناورانه، همواره گزینه ای عملی و بهینه نیست. ازاین رو، هدف این پژوهش، تعیین ترکیب بهینه تقاطع های هوشمند با در نظر گرفتن هم زمان شاخص های عملکردی، زیست محیطی و هزینه اجرایی است.در این پژوهش، یک چارچوب ترکیبی مبتنی بر شبیه سازی ترافیکی، الگوریتم ژنتیک و مدل جایگزین یادگیری ماشین ارائه شده است. شبکه مورد مطالعه شامل شش تقاطع چراغ دار است که در محیط SUMO شبیه سازی شد. وضعیت کنترلی هر تقاطع به صورت متغیر دودویی تعریف گردید؛ به طوری که مقدار یک نشان دهنده کنترل هوشمند و مقدار صفر نشان دهنده کنترل سنتی زمان ثابت است. تمامی ۶۴ ترکیب ممکن شبیه سازی شده و تابع هدف چندمعیاره بر اساس زمان انتظار، اتلاف زمان، انتشار دی اکسیدکربن، مصرف سوخت و هزینه اجرایی تعریف شد. سپس، الگوریتم ژنتیک برای بهینه سازی ترکیب تقاطع ها و مدل Gradient Boosting به عنوان مدل جایگزین برای تخمین سریع شاخص تاب آوری به کار گرفته شد.نتایج نشان داد که سناریوی تمام هوشمند بهترین عملکرد را از نظر شاخص های عملکردی و زیست محیطی دارد، اما به دلیل هزینه اجرایی بالا، لزوما گزینه بهینه نیست. ترکیب کنترلی [۱,۱,۰,۰,۱,۱] به عنوان سناریوی بهینه شناسایی شد که با هوشمندسازی انتخابی تقاطع های کلیدی، عملکردی نزدیک به سناریوی تمام هوشمند و هزینه اجرایی کمتر ارائه می دهد. همچنین، مدل Gradient Boosting با مقادیر MAE=۰.۰۲۴۸، RMSE=۰.۰۴۶۲ و R²=۰.۹۲۷ توانست شاخص تاب آوری را با دقت مناسب تخمین زده و هزینه محاسباتی ارزیابی سناریوها را کاهش دهد. یافته ها نشان می دهد که استقرار هدفمند کنترل هوشمند می تواند جایگزینی کارآمد و هزینه اثربخش برای هوشمندسازی کامل شبکه و ابزاری موثر برای مدیریت تاب آوری شبکه های ترافیکی شهری باشد.

کلیدواژه ها:

تاب آوری شبکه ترافیکی شهری ، کنترل هوشمند تقاطع ها ، استقرار انتخابی تقاطع های هوشمند ، الگوریتم ژنتیک ، مدل جایگزین یادگیری ماشین