Akıllı şehirlerde yakıt tüketimi ve emisyonu azaltmak için trafik akış kontrolü sağlamaya yönelik bir yöntemin geliştirilmesi

Artan kentleşme, nüfus yoğunluğu ve motorlu taşıt sayısındaki hızlı yükseliş, şehir içi ulaşım sistemlerini giderek daha karmaşık ve sürdürülemez hale getirmiştir. Yoğun trafik, yalnızca bireylerin günlük yaşam kalitesini düşürmekle kalmayıp, aynı zamanda yakıt tüketimi ve emisyon seviyelerini artırarak çevresel sorunları da beraberinde getirmektedir. Bu doğrultuda, sürdürülebilir, verimli ve çevre dostu ulaşım çözümlerine olan ihtiyaç giderek artmaktadır. Bu tez çalışması, Derin Takviyeli Öğrenme (Deep Reinforcement Learning - DRL) algoritmalarının kentsel trafik akışını optimize etme, yakıt tüketimini azaltma ve zararlı emisyonları minimize etme konularındaki etkinliğini karşılaştırmalı olarak analiz etmeyi amaçlamaktadır. Çalışmanın temel hipotezi; ayrık eylem uzayına sahip DRL algoritmalarının, sürekli eylem uzayına sahip olanlara kıyasla daha yüksek performans ve kararlılık göstereceği yönündedir. Bu hipotez kapsamında; farklı trafik yoğunlukları ve sinyalizasyon yapılarına sahip üç senaryo geliştirilmiş, her senaryo üzerinde farklı derin takviyeli öğrenme algoritmaları çalıştırılarak performansları karşılaştırılmıştır. Performans kriterleri arasında ödül puanı, yakıt tüketimi ve CO2 emisyon değerleri yer almakta olup; kararlılık analizlerinde standart sapma, değişim katsayısı (CV) ve kutu grafikleri kullanılmıştır. DRL algoritmaları kullanılarak yapılan deneysel çalışmalarda elde edilen bulgular, özellikle RainbowDQN ve DQN algoritmalarının hem performans hem de kararlılık açısından diğer yöntemlerden üstün olduğunu ortaya koymuştur. Yeşil Işık Optimal Hız Danışmanlığı (Green Light Optimized Speed Advisory – GLOSA) algoritması ile yapılan kavramsal karşılaştırma, bu klasik yöntemin sabit trafik koşullarında etkili olduğunu; ancak dinamik ve değişken ortamlarda esnekliğinin sınırlı kaldığını göstermiştir. Sonuç olarak, DRL algoritmalarının şehir içi trafik kontrolünde uygulanabilir, uyarlanabilir ve sürdürülebilir çözümler sunduğu değerlendirilmiştir.