2

fa تحلیل سیستم‌های حمل‌ونقل هوشمند بررسی مدل‌های معماری، استراتژی‌های مدیریت ترافیک، و فناوری‌های پیشگیری از تصادف Analysis of Intelligent Transportation Systems A Review of Architecture Models, Traffic Management Strategies, and Accident Prevention Technologies عمومى General پژوهشي Research <div style="text-align: justify;">سیستم‌های حمل‌ونقل هوشمند به‌عنوان 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 در انجام 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.</div>           Intelligent Transportation Systems (ITS) are recognized as a key solution in optimizing traffic management, reducing congestion, and increasing road safety. This research aims to investigate architecture models, traffic management solutions, and accident prevention technologies. In this study, architecture models based on Wireless Sensor Networks (WSN), Dynamic Route Guidance Systems (DRGS), and machine learning algorithms for traffic prediction and control are analyzed. Furthermore, emerging technologies including collision detection and avoidance systems, real-time data-driven algorithms, and hybrid methods based on neural networks and genetic algorithms are examined. The data for this research is extracted from previous studies and a comparative analysis of intelligent traffic control methods. <div style="text-align: justify;">          The results indicate that combining methods based on traffic data modeling, traffic flow behavior analysis, and short-term and long-term prediction algorithms provides higher accuracy in traffic management. In particular, systems based on real-time analysis of sensor data and deep learning can effectively reduce traffic delays and improve accident rates. Additionally, the proposed models have higher adaptability in urban environments with dynamic and unbalanced traffic conditions. The findings of this research demonstrate that integrating new technologies such as artificial intelligence algorithms, smart sensor networks, and Internet of Things (IoT) systems in urban transportation leads to increased efficiency of traffic management systems. Finally, optimizing machine learning models and developing self-organizing systems can reduce operational costs and increase the independence of ITS systems from expensive equipment.</div> سیستم‌های حمل‌ونقل هوشمند, مدیریت ترافیک, شبکه‌های سنسور بی‌سیم, یادگیری ماشین, پیش‌بینی ترافیک, هوش مصنوعی, تحلیل داده‌های بلادرنگ, پیشگیری از تصادف, سیستم‌های کنترل هوشمند, اینترنت اشیا Intelligent Transportation Systems, Traffic Management, Wireless Sensor Networks, Machine Learning, Traffic Prediction, Artificial Intelligence, Real-time Data Analysis, Accident Prevention, Intelligent Control Systems, Internet of Things 1 10 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-30-1&slc_lang=fa&sid=1 Mostafa Chahardoli مصطفی چهاردولی 100319475328460087 100319475328460087 No Computer Engineering Department, Hamedan Branch, Islamic Azad Universit, Hamedan, Iran Hamid Yasinian حمید یاسینیان 100319475328460088 100319475328460088 Yes Computer Engineering Department, Hamedan Branch, Islamic Azad Universit, Hamedan, Iran گروه کامپیوتر، دانشکده فنی مهندسی، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران