дорожній рух

Проаналізовано сучасні підходи до побудови інтелектуальних транспортних систем (ІТС) з метою оптимізації міського трафіку. Особливу увагу приділено алгоритмам безмодельного навчання з підкріпленням (Q-Learning і Deep Q-Learning), що застосовуються для керування сигналами світлофорів у динамічних умовах дорожнього руху. За результатами симуляцій у середовищі SUMO доведено, що впровадження таких алгоритмів забезпечує суттєве зменшення черг на перехрестях і підвищує пропускну здатність транспортної мережі.

Розглянуто особливості мультиагентного моделювання для оптимізації дорожнього руху в центральних районах міст. Оцінюючи унікальні виклики, пов’язані з високою концентрацією транспорту, пішоходів та історичної забудови, досліджено потенціал мультиагентних систем для ефективного вирішення проблеми заторів, безпеки та якості життя у міських умовах. Потенціал мультиагентного моделювання в контексті управління дорожнім рухом у центральних районах міста дає змогу визначити ключові виклики та можливості.