گروه کامپیوتر، دانشکده فنی مهندسی، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران
چکیده: (241 مشاهده)
سیستم‌های حمل‌ونقل هوشمندبهعنوان راهکار کلیدی در بهینه‌سازی مدیریت ترافیک، کاهش تراکم و افزایش ایمنی جاده‌ای شناخته می‌شوند. این پژوهش با هدف بررسی مدل‌های معماری، راهکارهای مدیریت ترافیک و فناوری‌های پیشگیری از تصادف درانجام شده است. در این مطالعه، مدل‌های معماری مبتنی بر شبکه‌های سنسور بی‌سیم (WSN)، سیستم‌های هدایت مسیر پویا (DRGS) و الگوریتم‌های یادگیری ماشین برای پیش‌بینی و کنترل ترافیک تحلیل شده‌اند. همچنین، فناوری‌های نوین شامل سیستم‌های تشخیص و اجتناب از برخورد، الگوریتم‌های مبتنی بر داده‌های بلادرنگ، و روش‌های ترکیبی مبتنی بر شبکه‌های عصبی و الگوریتم ژنتیک مورد بررسی قرار گرفته است. داده‌های این پژوهش بر اساس مطالعات پیشین و تحلیل تطبیقی روش‌های هوشمند کنترل ترافیک استخراج شده است. نتایج نشان می‌دهد که ترکیب روش‌های مبتنی بر مدل‌سازی داده‌های ترافیکی، تحلیل رفتار جریانات ترافیک، و الگوریتم‌های پیش‌بینی کوتاه‌مدت و بلندمدت دقت بالاتری در مدیریت ترافیک فراهم می‌کند. به‌ویژه، سیستم‌های مبتنی بر تحلیل بلادرنگ داده‌های سنسوری و یادگیری عمیق به‌طور مؤثری می‌توانند تأخیرهای ترافیکی را کاهش داده و میزان تصادفات را بهبود دهند. همچنین، مدل‌های پیشنهادی دارای قابلیت تطبیق‌پذیری بالاتری در محیط‌های شهری با شرایط ترافیکی پویا و نامتوازن هستند. یافته‌های این پژوهش نشان می‌دهد که ادغام فناوری‌های نوین مانند الگوریتم‌های هوش مصنوعی، شبکه‌های حسگری هوشمند، و سیستم‌های اینترنت اشیا (IoT) در حمل‌ونقل شهری، موجب افزایش کارایی سیستم‌های مدیریت ترافیک می‌شود. درنهایت، بهینه‌سازی مدل‌های یادگیری ماشین و توسعه سیستم‌های خودسازمانده می‌تواند به کاهش هزینه‌های عملیاتی و افزایش استقلال سیستم‌های ITS از تجهیزات پرهزینه منجر شود.
Chahardoli M, Yasinian H. Analysis of Intelligent Transportation Systems A Review of Architecture Models, Traffic Management Strategies, and Accident Prevention Technologies. 3 2025; 3 (6) : 1 URL: http://jiis.iauh.ac.ir/article-1-35-fa.html
چهاردولی مصطفی، یاسینیان حمید. تحلیل سیستم‌های حمل‌ونقل هوشمند بررسی مدل‌های معماری، استراتژی‌های مدیریت ترافیک، و فناوری‌های پیشگیری از تصادف. 1. 1403; 3 (6) :1-10
