مقالات کنفرانس بين المللي شهر الکترونيک تهران

در دهه هاي اخير، با افزايش چشمگير وسايل نقليه و حجم نقل و انتقالات، زمان هاي سفرهاي درون شهري افزايش يافته است. كند شدن شريان توسعه و اقتصاد شهري، افسردگي، كاهش توان فردي، مصرف بسيار زياد سوخت، افزايش سطح دي اكسيد كربن و ساير آلاينده هاي محيطي، ترافيك را به صورت يك معضل اجتماعي - اقتصادي در آورده است، به گونه اي كه مديريت و كنترل صحيح آن اهميت زيادي يافته و در دستور كار مسوولين قرار گرفته است.
در حال حاضر اكثر سيستم هاي كنترل ترافيك از قوانين ثابت و از پيش تعيين شده اي استفاده مي كنند، كه تحت عنوان آيين نامه ها، داراي جامعيت عمومي بوده و كمتر با شرايط و تغييرات محلي سازگارند، در حاليكه، مطالعات جديد نشان مي دهد كه اتخاذ استراتژي ها به صورت بي درنگ و متناسب با تغييرات محيط، زمان هاي انتظار در پشت چراغ ها را 5 تا 15 درصد كاهش مي دهد.
سيستم هاي كنترل ترافيك به منظور بهبود عملكرد خود مي بايست تغييرات تدريجي در محيط ترافيكي را شناسايي كرده، نحوه تغييرات را تخمين زنند، و خود را با آن تطبيق دهند. همچنين اينگونه سيستم ها مي بايست قادر به كنترل شرايط غير قابل پيش بيني نظير تصادفات نيز بوده، و آنها را به وسيله ابزار ترافيكي (نظير چراغ هاي راهنمايي) و همكاري بين آنها كنترل نمايد. به منظور طراحي و پياده سازي چنني عامل هايي روش هاي يادگيري ماشيني هوشمند انتخاب مناسبي مي نمايد.
اين مقاله با ادغام روش هاي تعميم و تقريب خطي با داده هاي اتخاذ شده از حس گرهاي متعارف ترافيكي و نيز استفاده از روش يادگيري تقويتي، روشي كارا با بار حافظه اي و محاسباتي كم به منظور كنترل جريان ترافيك ارايه مي دهد.