Penerapan deep q network pada rambu lalu lintas untuk mengatur kemacetan dalam simulasi traffic jam

INDONESIA:

Pengelolaan lalu lintas menggunakan kontrol sinyal persimpangan masih menjadi tantangan disebabkan respon kontrol sinyal persimpangan kurang adaptif terhadap perkembangan dinamis situasi lalu lintas. Kontrol sinyal persimpangan merupakan krusial dalam pengelolaan lalu lintas dan penguraian kemacetan. Riset ini meneliti apakah lampu kontrol sinyal persimpangan menggunakan Deep Q-Network (DQN) dapat meningkatkan efektifitas pengelolaan lalu lintas persimpangan. Kami mengembangkan simulasi lalu lintas berbasis giliran dengan dasar durasi yang sama pada simpang tiga dan empat lalu menguji kinerja DQN terhadap kontrol sinyal statis menggunakan metrik waktu penyelesaian, volume lalu lintas, kepadatan persimpangan, dan waktu tunggu kendaraan. Dengan pengujian tersebut model agent meraih rata-rata waktu penyelesaian lalu lintas 16,5 detik lebih cepat namun rata-rata waktu tunggu 1,2 detik lebih lama dari kontrol lampu statis pada keseluruhan skenario. Hasil ini disebabkan metrik kepadatan memiliki pembobotan reward lebih besar sehingga agent lebih unggul untuk melakukan penguraian tetapi kurang optimal untuk memberikan waktu tunggu lebih efisien.

ENGLISH:

Traffic management using intersection signal control remains a challenge due to the lack of adaptive response of intersection signal control to the dynamic development of traffic situations. Intersection signal control is crucial in traffic management and congestion alleviation. This research examines whether intersection signal control lights using Deep Q-Network (DQN) can improve the effectiveness of intersection traffic management. We developed a sequence-based traffic simulation with the same duration basis at three- and four-way intersections and then tested the performance of DQN against static signal control using the metrics of completion time, traffic volume, intersection density, and vehicle waiting time. With this test, the agent model achieved an average traffic completion time 16.5 seconds faster but an average waiting time 1.2 seconds longer than static light control across all scenarios. This result caused by the density metric which has weighted with a higher reward so the agent is superior in alleviation but is less optimal in providing more efficient waiting time.

ARAB:

لا يزال إدارة حركة المرور باستخدام التحكم في الإشارات عند التقاطعات تحديًا بسبب ضعف استجابة التحكم بالإشارة للتطورات الديناميكية في وضع حركة المرور. ويُعدّ التحكم بالإشارة عند التقاطعات عنصرًا بالغ الأهمية في إدارة المرور وتخفيف الازدحام. تبحث هذه الدراسة فيما إذا كانت أضواء التحكم بالإشارة في التقاطعات باستخدام شبكة Deep Q-Network (DQN) قادرة على تحسين فعالية إدارة حركة المرور عند التقاطعات .قمنا بتطوير محاكاة مرور تعتمد على نظام الدور وبالمدة الزمنية نفسها عند التقاطعات الثلاثية والرباعية، ثم اختبرنا أداء شبكة DQN مقابل التحكم بالإشارة الثابت باستخدام مقاييس: وقت الإكمال، حجم المرور، كثافة التقاطع، ووقت انتظار المركبات. ومن خلال هذا الاختبار، حقق نموذج الوكيل متوسط وقت إكمال للحركة أسرع بـ 16.5 ثانية، ولكنه سجل متوسط وقت انتظار أطول بـ 1.2 ثانية مقارنة بالتحكم الضوئي الثابت في جميع السيناريوهات. ويعود هذا الاختلاف إلى أن مقياس الكثافة مُنح وزنًا أعلى في المكافأة، مما جعل الوكيل أفضل في تفكيك الازدحام لكنه أقل كفاءة في توفير وقت انتظار أكثر اقتصادية.