چکیده:
زمینه و هدف: کنترل تقاطعها با استفاده از چراغهای راهنمایی به روش بهینهشده، کار بسیار دشواری است. سیستم کنترل هوشمند چراغ راهنمایی با استفاده از فناوریهای راهنمایی و رانندگی همراه با هوش مصنوعی با تصمیمگیری مناسب مشکلات ترافیکی مانند ازدحام را برطرف میکند. روشهای یادگیری تقویتی بهویژه الگوریتم خودکار یادگیر میتوانند فقط با دریافت سیگنال از محیط تصمیم بگیرند. هدف این مقاله، ارائه برخی از روشهای مبتنی بر الگوریتم خودکار را برای پیشبینی و کنترل چراغ راهنمایی هوشمند با استفاده از انواع الگوریتمهای خودکار از جمله روشهای ساکن و متغیر است.روش: روش تحقیق حاضر از نظر هدف، کاربردی و از نظر ماهیت، شبیهسازی- مشاهدهای است. تکنیک و روش مورد استفاده در این پژوهش، استفاده ترکیبی از روش الگوریتم خودکار یادگیر است. جهت اینکار، ترافیک بر روی چهارراههای منطقه یک در شهر همدان، بررسی و از آن دادهها جهت ارزیابی و نتایج بهره گرفته شد. یافتهها: آزمایشها نشان داد که الگوریتم خودکار دارای ساختار متغیر در اکثر موارد بهتر از الگوریتم خودکارهای دیگر عمل میکند و درنهایت روش پیشنهادی با الگوریتمهای مختلف قابل مقایسه است و توانایی بهبود ترافیک در شهر را دارا است.نتیجهگیری: روش پیشنهادی برای هر چراغ راهنمایی، سیکل بعدی را پیشبینی کرده است که در این حالت، چهارراه، با کمترین ترافیک موجود مواجه خواهد شد، این سیکل بلادرنگ بوده و ممکن است در دوره بعدی، توالی آن تغییر پیدا کند و به سمت بهینهسازی الگوریتم خودکار عمل کند، سامانه اجراشده، بهطوری عمل میکند که با مرور زمان و با یادگیری بیشتر، آموزش دیده و کاملتر و با دقت بیشتری عمل میکند.
Background and Aim: It is very difficult to control intersections using traffic lights in an optimized way. The intelligent traffic light control system uses traffic and driving technologies along with artificial intelligence to solve traffic problems such as congestion with appropriate decisions. Reinforcement learning methods, especially the automated learning algorithm, can only make decisions by receiving a signal from the environment. The purpose of this paper is to present some automated algorithm-based methods for predicting and controlling intelligent traffic lights using a variety of automated algorithms, including static and variable methods. - It is an observer. The technique and method used in this research is a combined use of the automated learning algorithm method. For this purpose, the traffic on the intersections of zone one in the city of Hamedan was examined and that data was used for evaluation and results. Results: Experiments showed that the automated algorithm with variable structure in most cases works better than other automated algorithms and finally the proposed method is comparable to different algorithms and has the ability to improve traffic in the city. Conclusion: The proposed method for each traffic light predicts the next cycle, in which case the intersection will face the least available traffic. This cycle is real-time and may change its sequence in the next period and towards optimization. The algorithm works automatically.
خلاصه ماشینی:
نتيجه گيري : روش پيشنهادي براي هر چراغ راهنمايي ، سيکل بعدي را پيش بيني کرده است که در اين حالت ، چهارراه ، با کمترين ترافيک موجود مواجه خواهد شد، اين سيکل بلادرنگ بوده و ممکن است در دوره بعدي ، توالي آن تغيير پيدا کند و به سمت بهينه سازي الگوريتم خودکار عمل کند، سامانه اجراشده ، به طوري عمل مي کند که با مرور زمان و با يادگيري بيشتر، آموزش ديده و کامل تر و با دقت بيشتري عمل مي کند.
به همين منظور سوالي که مطرح مي شود اين است که چگونه مي توان روشي با استفاده از الگوريتم خودکار يادگير در جهت هوشمندسازي زمان چراغ هاي راهنمايي و رانندگي در سطح شهر همدان ايجاد کرد؟ #$$001 پيشينه و مباني نظري يادگيري به عنوان تغييرات نسبتا دائمي در رفتار است که اين تغييرات براساس دو عامل تجربيات گذشته و سيستم آموزشي در حال و آينده ايجاد مي شوند.
به دليل کمبود دانش در مورد فرآيند توليد ترافيک ، يادگيري تقويت کننده (الگوريتم خودکار يادگير به عنوان نماينده اين نوع روش هاي يادگيري ماشين ) گزينه مناسبي براي 12 کنترل عبور و مرور در جريان ترافيکي است (علي ، دوي و نيلاپو، ٢٠٢١، ص ٦١٣).
In 2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC) (pp.
Intelligent traffic light control using collaborative Q-Learning algorithms.
Intelligent Traffic Light Control System Based On Traffic Environment Using Deep Learning.
Research on the applications of electronic information technology in intelligent traffic light signal control.