Kentsel trafik akışı tahmini ve sinyal kontrol optimizasyonu için çok modlu ve çok ajanlı pekiştirmeli öğrenme çerçevesi

Neden Daha Akıllı Trafik Işıkları Önemli?

Sürekli kırmızı ışıklarda beklemiş veya tıkanmış bir şehir caddesinde sürünmüş olan herkes, kentsel trafiğin ne kadar verimsiz olabildiğini hissetmiştir. Sadece sinir bozucu olmakla kalmayıp, rölantide duran araçlar yakıt israfına yol açar ve sera gazları ile kirleticileri havaya salar. Bu makale, sinyalleri sabit zamanlayıcılar olarak görmek yerine koordine olmuş, öğrenen bir ağ olarak ele alan yeni bir kentsel trafik yönetimi yaklaşımı sunuyor; amaç, tıkanıklığı ve emisyonları azaltırken insanları daha hızlı hareket ettirmek.

Trafiğini Hisseden ve Anlayan Bir Şehir

Araştırmacılar, bir kente dijital bir sinir sistemi kazandıran MM-STMAP adında bir sistem öneriyorlar. Sadece basit araç sayımlarına dayanmak yerine aynı anda birçok veri türünü alıyor: trafik akışı, hızlar, yağmur veya sis gibi hava koşulları ve tatil gibi özel günler. Bu çeşitli sinyaller temizlenip birleştirilerek yollarda neler olup bittiğinin birleşik bir tanımına dönüştürülüyor. Örneğin yağmurlu bir tatil yoğun saatinin sıradan bir hafta içi sabahından farklı davrandığını tanıyarak, sistem önümüzdeki birkaç dakikada trafiğin nasıl evrileceğini daha iyi öngörebiliyor.

Uzay ve Zamanda Desenleri Görmek

Trafik problemleri nadiren tek bir kavşakta sınırlı kalır; yol ağının tamamında dalga dalga yayılır. MM-STMAP bunu, şehrin yollarını ve kavşaklarını birbirine bağlı noktalar ağı olarak temsil edip bu ağ üzerindeki koşulların zaman içinde nasıl yayıldığını öğrenerek yakalıyor. Önce komşu sokakların birbirini nasıl etkilediğine, sonra bu etkilerin bir zaman adımından diğerine nasıl değiştiğine bakan katmanlı hesaplamalar kullanıyor. Özel tasarlanmış bir “dikkat” mekanizması, modelin hesaplama gücünü en ilgili geçmiş kesitlerine—örneğin aynı saatteki dünün yoğun saatine—odaklamasına olanak tanıyor; bu, veri hacmi artsa bile modelin takılmasını önlüyor. Bu da büyük kentsel ağlardan gelen uzun süreli sensör akışlarını işlemeyi pratik hale getiriyor.

Birlikte Öğrenen Trafik Işıkları

Bu öngörücü motorun üzerine yazarlar, sinyal kontrolü için öğrenme tabanlı bir kontrol sistemi kuruyorlar. Her kavşak, farklı yönlerde yeşil veya kırmızı sürelerini seçebilen zeki bir ajan olarak ele alınıyor. Bu ajanlar izole çalışmıyor: daha geniş trafik durumu hakkında bilgi paylaşıyorlar ve bireysel kararları tüm ağda akışı destekleyecek şekilde birlikte eğitiliyor. Öğrenme süreci, geçen araç sayısını artıran, ortalama bekleme sürelerini kısaltan ve yakıt israfına yol açan dur-kalk davranışını azaltan desenleri ödüllendirirken, uzun kuyruklar ve gecikmeler yaratan konfigürasyonları cezalandırıyor.

Sistemi Teste Sokmak

MM-STMAP’in gerçek faydalar sunup sunmadığını görmek için ekip, Los Angeles bölgesinden büyük, gerçek dünya veri setleri üzerinde test etti. Bu veriler otoyol ve şehir sensörlerinden on binlerce örneği ve eksik okumalar, gürültülü ölçümler ve düzensiz trafik desenleri gibi gerçekçi sorunları içeriyor. Bir dizi son teknoloji tahmin modeli ve geleneksel sinyal kontrol şemaları—sabit zamanlamalar ve yerel olarak tepki veren ışıklarla—karşılaştırıldığında, yeni yaklaşım daha doğru kısa vadeli trafik tahminleri ve daha verimli sinyal zamanlaması üretti. Mevcut en iyi sabit ve aktüatörlü sistemlere kıyasla tahmin için yaygın hata ölçülerini yaklaşık üçte bir oranında azalttı ve simülasyonlarda ortalama gecikmeleri ve duruş sayısını düşürürken ağ üzerinden saate daha fazla aracın geçmesini sağladı.

Günlük Sürücüler için Anlamı

Basitçe söylemek gerekirse, MM-STMAP trafik ışıklarının körü körüne sabit döngüleri takip etmek yerine iş birliği yaptığı ve deneyimden sürekli öğrendiği bir geleceği tanımlıyor. Nerede kuyrukların oluşmak üzere olduğunu öngörüp birden fazla kavşakta sinyal zamanlamasını ayarlayarak sistem seyahat sürelerini kısaltabilir, dur-kalk trafiğini düzeltebilir ve gereksiz rölantiyi azaltabilir. Bu yaklaşım hâlâ güvenilir veriye ve şehir ölçeğinde önemli hesaplama gücüne ihtiyaç duyma gibi zorluklarla karşılaşsa da, günlük yolculuklarımızın hem daha hızlı hem de çevre açısından daha nazik olduğu daha akıllı, daha temiz kentsel hareketliliğe işaret ediyor.

Atıf: Wang, R., Zhang, J., Wang, X. et al. Multi-modal and multi-agent reinforcement learning framework for urban traffic flow prediction and signal control optimization. Sci Rep 16, 7612 (2026). https://doi.org/10.1038/s41598-026-37722-5

Anahtar kelimeler: kentsel trafik, trafik tahmini, pekiştirmeli öğrenme, akıllı sinyaller, akıllı ulaşım