28161

زمانبندي چراغ راهنمايي در شبكه هاي شهري در حالت اشباع با روش فرا ابتكاري

كارشناسي ارشد

برنامه ريزي و مهندسي حمل و نقل

1399

1401/12/20

دكتر شهريار افندي زاده - دكتر محمود احمدي نژاد

دكتر نويد كلانتري

مهندسي عمران

شبكه حمل و نقل نقش بسزايي در روانسازي جريان ترافيك و عبور و مرور وسايل نقليه موتوري و همچنين كارايي شبكه دارند. در سال هاي گذشته تلاش هاي فراواني براي تسهيل جريان ترافيك در سراسر دنيا صورت گرفته ، كه همچنان اين تلاش ها ادامه دارد. از مهم ترين نقاط در هر سيستم حمل و نقل شهري مي توان به تقاطعات اشاره كرد ، خصوصا تقاطعات مجهز به چراغ راهنمايي. با توجه به افزايش روزانه جمعيت و به تبع افزايش تعداد وسايل نقليه در انواع گوناگون و همچنين افزايش استفاده از اين نوع وسايل ، امروزه برنامه ريزي شهري ، بهينه سازي چراغ هاي راهنمايي ، كاهش ازدحام شبكه هاي شهري و كاهش تاخير اهميت زيادي پيدا كرده است. امروزه با گسترش شهرنشيني نياز به يك سيستم پوياي حمل و نقل بيش از پيش احساس مي شود . به همين دليل براي دستيابي به يك سيستم پايدار و منظم، كنترل شبكه هاي حمل و نقل امري ضروري محسوب مي شود. اگرچه مدلسازي شبكه ها امروزه به امري پيچيده و دشوار تبديل شده است و مدلسازي را براي نزديك تر شدن به شرايط محيط با مشكلاتي مواجه مي كند ، در اين ميان چارچوب يادگيري تقويتي به عنوان يك روش مستقل از مدل مي تواند نقش بهتري را در كنترل و شبيه سازي ترافيك براي ما فراهم كند. در اين مطالعه نيز ما سعي كرديم كه با استفاده از الگوريتم هاي مختلف يادگيري تقويتي ،همچون الگوريتم هاي DQN و DDPG ، بتوانيم به شيوه اي سريعتر و منظم تر شبكه ترافيكي در نظر گرفته شده را شبيه سازي كرده و بتوانيم موارد تاثير گذاري همچون طول صف تشكيل شده در خيابان ها و چراغ هاي راهنمايي را با بكارگيري الگوريتم ها و برنامه ريزي مناسب ، به شيوه اي نوين در جهت كاهش ميزان ترافيك و روانسازي آن ، بهينه كنيم و با توجه به نتايج به دست آمده از دو الگوريتم ذكر شده ، الگوريتمي كه عملكرد بهتري داشت را با الگوريتم فراابتكاري ژنتيك تركيب نموده و در نهايت شبكه خود را با كاهش طول صف و همچنين كاهش ميزان زمان توقف در پشت چراغ راهنمايي در شبكه هاي شهري در حالت اشباع ، كه نتيجتا موجب بهبود عبور و مرور و روانسازي جريان ترافيك مي شود ، بهبود ببخشيم .

1402/01/28

Traffic light timing in urban networks in saturated mode with meta-innovative method

3/10/2024 12:00:00 AM

The transportation network plays a significant role in smoothing the flow of traffic and the passage of motor vehicles, as well as the efficiency of the network. In the past years, many efforts have been made to facilitate the flow of traffic around the world, and these efforts are still ongoing. One of the most important points in any urban transportation system is intersections, especially intersections equipped with traffic lights. Due to the daily increase in the population and the consequent increase in the number of vehicles of various types, as well as the increase in the use of these types of vehicles, urban planning, optimization of traffic lights, reduction of congestion in urban networks and reduction of delay have become very important today. Today, with the expansion of urbanization, the need for a dynamic transportation system is felt more than ever. For this reason, to achieve a stable and orderly system, the control of transportation networks is considered essential.Although the modeling of networks today has become a complex and difficult issue and it faces problems in modeling to be closer to the environmental conditions, in the meantime, the framework of reinforcement learning as a model-independent method can play a better role in controlling and Provide us with traffic simulation.In this study, we tried to use different reinforcement learning algorithms, such as DQN and DDPG algorithms, to simulate the considered traffic network in a faster and more regular way, and to be able to determine the influencing factors such as queue length. formed in the streets and traffic lights by using algorithms and proper planning, in a new way to reduce the amount of traffic and to optimize it, and according to the results obtained from the two mentioned algorithms, an algorithm that It has a better performance combined with the genetic meta-heuristic algorithm and finally its network by reducing the length of the queue and also reducing the amount of time of stopping behind the traffic light in urban networks in a saturated state, which as a result improves the traffic and smooths the flow of traffic.

جريان ترافيك ، برنامه ريزي شهري ، شبكه هاي حمل و نقل ، يادگيري تقويتي ، الگوريتم ژنتيك.

Traffic flow, urban planning, transportation networks, reinforcement learning, Genetic algorithm.

Alireza Movahedi

Dr. Shahriar Afandizade Zargari Dr. Mahmood Ahmadynejad