Akıllı kavşaklar için makine öğrenme tabanlı graf algoritmasının geliştirilmesi

Şehir nüfusunun hızlı arttığı dünyamızda trafikteki kaynak tüketimlerinin kontrol altına alınabilmesi, şehirlerin sürdürülebilirliği açısından çözülmesi gereken en önemli problemlerdendir. Hızla artan şehir nüfusu araç sayısı ile birlikte kavşaklardaki araç bekleme süresini de beraberinde getirmektedir. Fiziksel trafik topolojisindeki değişiklikler uzun süre aldığından, günümüzdeki çalışmalar uyarlanabilir trafik sinyalizasyon yöntemlerinin geliştirilmesi yönünde ilerlemektedir. Bu çalışmalardaki temel amaç trafikteki araçların bekleme sürelerini azaltarak birim zamanda geçen araç sayısını optimize etmektir. Verimli bir trafik sinyalizasyon yöntemi yakıt tüketimi, karbonmonoksit gazı salınımı, bireysel ekonomiye katkı, ülke ekonomisine katkı, bireysel zaman, verimlilik gibi birçok alana pozitif katkı sunmaktadır. Kavşak sinyalizasyon optimizasyonu çok sayıda gerçek zamanlı değişken veriden etkilenen gerçek bir dünya problemidir. Tek bir kavşakta maksimum akışı sağlamak bir sonraki kavşakta sıkışıklığa neden olabilir. Bu nedenle tez kapsamında bir hat veya alanın genelinde optimal akışı sağlayabilmek için faz ve süreyi optimize edebilen Derin Pekiştirmeli Öğrenme (Deep Reinforcement Learning-DRL) tabanlı graf yöntemi önerilmiştir. Bu yöntem, araç verilerinin doğrudan ölçeklendirilmiş şehir kavşaklarına entegre edilerek Kentsel Mobilite Simülasyonu (Simulation of Urban Mobility-SUMO) üzerinde geliştirilmiştir. Yöntem, ardışık iki kavşağın iki günlük araç trafiğine dair bilgileri kullanmaktadır. Bu yaklaşımda faz sırası DRL yöntemiyle hesaplanmaktadır. Faz süresi ise Ford-Fulkerson algoritmasının maksimum akış bulma yönteminden yararlanılarak hesaplanır. Faz sırası ve süresi birleştirilerek sinyalizasyon yürütülmektedir. Önerilen yöntem ardışık kavşaklar üzerinde ayrı ayrı modeller halinde paralel çalıştırılarak SUMO simülatöründe test edilmiştir. Bu yaklaşımın, gerçek harita ve gerçek veri kullanarak kavşaklarda kuyruk uzunluğunu tekli olarak %31 ile %73 arasında azalttığı, genel trafik düzeyinde ise kuyruk uzunluğunu %61 oranla azaltarak, trafik sıkışıklığının çözümünde verimli sonuçlar ürettiği gözlemlenmiştir. Gerçek araç verilerinin yanı sıra sentetik üretilen araç verilerinden elde edilen test sonuçlarına göre yöntemin geliştirilmesi ve uygulanması umut vericidir.