Optimal djupt neuralt nätverksbaserat vägtrafikhanteringssystem för Internet of Things-baserad smart stads‑miljö

Varför smartare trafik betyder något för stadslivet

Rusningstrafikens köer är mer än en irritation: de slösar bränsle, förorenar luften, fördröjer utryckningsfordon och tar tid från människors familjeliv. När städer växer och fler bilar fyller gatorna har gammaldags fasta trafikljus och manuella styrcentraler svårt att hänga med. Denna studie undersöker hur nätverk av sensorer och en avancerad typ av artificiell intelligens kan samarbeta i realtid för att upptäcka köer, förutsäga problem och justera signaler innan trafiken står stilla.

Från uppkopplade gator till en hjärna för trafiken

Arbetet studerar städer där vägar, trafikljus och fordon är sammankopplade via ”Internet of Things”, vilket innebär att de kontinuerligt skickar digitala uppdateringar om vad som händer på gatorna. Sensorer och kameror följer hur många fordon som passerar en korsning, hur snabbt de rör sig, vilken typ av fordon det är och även väderförhållanden, olyckor och aktuell signalstatus. Istället för att mänskliga operatörer ska sålla igenom all denna information föreslår författarna ett automatiserat beslutsstödsystem som kan förstå mönstren och föreslå hur signaler och rutter bör hanteras mer intelligent.

Rensa och välja rätt ledtrådar

Verklighetens trafikdata är rörig: sensorer fallerar, värden saknas och olika mätningar kan ligga på mycket olika skalor. Systemet börjar därför med en noggrann rensningsfas, där sällsynta saknade avläsningar fylls i och alla mätvärden skalas om så att de kan jämföras rättvist. Därefter följer ett avgörande steg: att bestämma vilka informationsdelar som faktiskt hjälper till att skilja åt olika trafiklägen. Modellen kombinerar tre familjer av selektionstekniker, vardera med en något annorlunda syn på data. Tillsammans filtrerar de bort onödiga eller redundanta detaljer och behåller bara de funktioner som verkligen signalerar om trängseln är kritisk, tung, måttlig eller låg, vilket också snabbar upp senare bearbetning.

Hur modellen lär sig trafikmönster över tid

Trafik handlar inte bara om vad som händer i ett givet ögonblick; den förändras över minuter och timmar när ljuscykler och förarbeteenden skiftar. För att fånga dessa utvecklande mönster använder författarna ett djupt neuralt nätverk utformat för tidsseriedata. Nätverket glider över sekvenser av trafikavläsningar och använder staplade konvolutionslager för att känna av både korta ryck och längre uppbyggnader av trängsel. En uppmärksamhetsmekanism fokuserar sedan selektivt på de mest talande ögonblicken i varje sekvens, vilket gör att systemet kan väga in nyare toppar eller dykningar mer när det avgör hur trångt en väg verkligen är. Resultatet är en tydlig indelning av varje situation i en av fyra trängselnivåer, kopplade i studien till specifika åtgärder som att förlänga gröntid eller aktivera alternativa rutter.

Sätta systemet på prov

Forskarna tränade och utvärderade sitt tillvägagångssätt på en öppen trafikdatamängd som representerar ett smart urbant nätverk. Varje post innehåller fordonsantal, hastigheter, väderförhållanden, tidsstämplar, platser och signalstrategier. För att undvika skevhet från att svår trängsel är mycket vanligare än lätt trafik i datan använde de balanseringstekniker och noggrann validering. Över flera tränings–testuppdelningar klassificerade deras system trafiklägen korrekt nästan 99 procent av fallen och överträffade en rad andra moderna metoder. Det klarade detta samtidigt som det var relativt lätt i beräknings- och minneskrav, en praktisk fördel för realtidsdrift i staden.

Vad detta betyder för vardagspendlaren

I praktiska termer visar studien att ett väl utformat AI-system kan fungera som en snabb, datadriven rådgivare för stadens trafikcentraler och omvandla råa sensorflöden till konkreta, tidsanpassade styråtgärder. Även om det nuvarande arbetet bygger på en enda dataset och ännu inte fullt ut tar hänsyn till störningar som vägarbeten eller stora evenemang, pekar det mot en framtid där trafikljus och ruttförslag anpassas kontinuerligt efter förändrade förhållanden. För genomsnittspendlaren kan det innebära kortare resor, jämnare flöden och säkrare gator i takt med att städer blir bättre på att lyssna på — och agera utifrån — vägnätets digitala pulsslag.

Citering: Almejalli, K.A. Optimal deep neural network based road traffic management system for Internet of Things based smart city environment. Sci Rep 16, 12136 (2026). https://doi.org/10.1038/s41598-026-42542-8

Nyckelord: smart trafikhantering, Internet of Things, djupinlärning, smarta städer, trängselprognos