مدل بهینه‌سازی نرخ ورودی رمپ، سرعت مجاز متغیر و عوارض بزرگراهی مبتنی بر یادگیری تقویتی

رشد بدون توقف عبور و مرور شهری در بزرگراه‌ها منجر به ایجاد تداخلات ترافیکی و ایجاد صف‌های طولانی، افزایش زمان سفر، انتشار آلودگی‌های زیست‌محیطی شده است. ازآنجایی‌که توسعه‌ی گسترده‌ی زیرساخت‌ها نمی‌تواند راهکاری دائمی برای حل این معضلات باشد می‌بایست از تسهیلات موجود بهره‌برداری بهینه صورت گیرد. روش‌های متعددی ازجمله کنترل نرخ ورودی رمپ، سرعت مجاز متغیر، کنترل تغییر خط، اعمال عوارض و ... تا امروز برای مدیریت بزرگراهی موردمطالعه قرارگرفته‌ و اثربخش بوده‌اند. یکی از رویکردها برای بهبود عملکرد این کنترل‌ها پیاده‌سازی هم‌زمان و هماهنگ آن‌هاست. در این مقاله به بررسی اثر پیاده سازی هماهنگ سه کنترل نرخ ورودی رمپ، سرعت مجاز متغیر و عوارض بزرگراهی بر شرایط ترافیکی شبکه بزرگراهی پرداخته شده است. برای این منظور از روش یادگیری تقویتی و عامل بهینه ساز مبدائی جهت مدیریت مقادیر کنترلی به‌صورت متغیر استفاده‌شده است. داده‌های ترافیکی ابتدا به‌وسیله‌ی مدل‌های حافظه بلند مدت – کوتاه مدت پیش‌بینی‌شده و سپس به شبیه‌سازی نرم‌افزار سومو داده می‌شوند. مدل کنترل‌گر مبتنی بر یادگیری تقویتی سپس بر اساس خروجی‌های شبیه‌سازی، مقادیر نرخ رمپ، سرعت مجاز و عوارض را انتخاب و بر روی شبکه اعمال می‌نماید. نتایج مدل پیشنهادی تاثیر بسزای آن در بهبود پارامترهای ترافیکی را نشان می‌دهد. این مدل میانگین زمان سفر را به میزان 11.5 درصد نسبت به شرایط بدون کنترل کاهش داده که نسبت به مدل‌های یک یا دو کنترله بهترمیباشد. ضمنا در شرایط تصادف در شبکه نیز شرایط نسبت به وضعیت بدون کنترل بهتر بوده است. این نتایج اثربخشی رویکرد ادغام کنترل‌ها در بهبود کارایی مدیریت بزرگراهی را نشان می‌دهد.

optimization model of ramp input rate, variable speed limit and highway tolls based on reinforcement learning

jams and, as a result, long queues, increased travel time, increased chances of accidents, and environmental pollution. several methods, such as ramp metering control, variable speed limit, lane change control, tolls, etc., have been studied and investigated to control highways. one of the approaches to improve the performance of these controls is their simultaneous and coordinated integration and implementation. in this paper, we will investigate the effect of the combination of three concurrent controls of ramp metering, variable speed limit, and highway tolls on the traffic conditions of the highway network. for this purpose, the reinforcement learning method has been used to manage the control values as variables. traffic data is first predicted by predictive models based on neural networks and then given to the simulation of sumo software. the controller model then selects the ramp rate, speed limit, and toll values based on the simulation outputs and applies them to the network. the results of implementing the proposed model show the significant impact of the model in improving traffic parameters . the model reduced the average travel time by 11.5% compared to the condition without controls, which is more than the effect of implementing single controls or a double combination of the mentioned methods. in addition, in the event of an accident in the network, the proposed management can significantly improve the network conditions compared to the situation without control.