Geri Dön

Lojistik ağlarda ulaşım ve trafik mühendisliği için pekiştirmeli öğrenmeye dayalı maliyet optimizasyonu

Reinforcement learning-driven cost optimization for transportation and traffic engineering in logistic networks

PDF İndir

  1. Tez No: 1000186
  2. Yazar: REFİK TANGİ
  3. Danışmanlar: DOÇ. DR. EVRİM GÜLER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Ulaşım, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Transportation, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Bartın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Modern toplumların işleyişinde ulaşım sistemleri kritik bir rol oynar çünkü verimlilik, zamanın etkin yönetimiyle doğrudan bağlantılıdır. Ulaşım sistemlerindeki gecikmeler, düşük üretkenlik, daha fazla enerji tüketimi ve daha yüksek işletme maliyetleri gibi ekonomi ve toplum için önemli sonuçlar doğurabilir. Bu verimsizlikler, kurumlara ve bireylere ek zaman ve finansal yük getirirken, aynı zamanda fazla yakıt tüketimi ve trafik sıkışıklığı nedeniyle çevresel bozulmaya da katkıda bulunur. Bu çalışma, yollar üzerindeki gecikmelerin yanı sıra kavşaklar, dönüş noktaları ve duraklar gibi kritik düğüm noktalarında beklemek için gereken süreyi de dikkate alarak ulaşım ağlarını optimize etmeye yönelik sistematik bir yaklaşım sunmaktadır. Bu unsurları çalışmamıza entegre ederek amacımız, ulaşım sistemlerinin genel etkinliğini artırmak; bunun sonucunda trafik akışını iyileştirmek, seyahat sürelerini azaltmak ve çevresel etkileri en aza indirmektir. Pekiştirmeli Öğrenme Tabanlı Gecikme Optimizasyonlu Trafik Mühendisliği (Reinforcement Learning-based Latency Optimized Traffic Engineering - RL-LOTE) algoritması, önceki deneyimleri kullanarak ve güzergâhları dinamik biçimde uyarlayarak toplam seyahat süresini en aza indirmeyi hedefleyen bir yöntem olarak öne çıkmaktadır. Yaklaşımımız; trafik yoğunluğu, yol koşulları ve bekleme süreleri gibi çeşitli unsurları dikkate alarak ulaşım gecikmelerini azaltmaya yönelik kapsamlı ve verimli bir çözüm sunmaktadır. Yaptığımız inceleme, RL-LOTE algoritmasının güzergâh optimizasyonunu büyük ölçüde geliştirdiğini ve bunun da daha verimli ve sürdürülebilir ulaşım sistemleri ortaya çıkardığını göstermektedir. Ulaşım sistemlerindeki gecikmeler; üretkenlik, enerji tüketimi ve daha yüksek operasyonel harcamalar/işletme giderleri üzerinde kritik bir etkiye sahiptir. Bu verimsizlikler, artan yakıt kullanımı nedeniyle trafik sıkışıklığını artırırken ve çevresel koşulları kötüleştirirken, şirketler ve bireyler için ek mali kısıtlamalar ve zaman kayıpları oluşturur. Bu çalışmada, güzergahlardaki gecikmeleri ve kavşaklar ile birleşme noktaları gibi önemli durma noktalarındaki bekleme süresini dikkate alarak ulaşım ağlarını iyileştirmek için yeni bir pekiştirmeli öğrenme tekniği sunuyoruz. Her şehir için belirlenen bekleme süresi, bir ajanın bir düğüme ulaştığında toplam zaman maliyetine ekliyoruz. Bu sayede, toplam yol maliyeti sadece yollar üzerindeki hareket süresini değil, aynı zamanda düğümlerde geçirilen süreyi de kapsamaktadır. Araştırmamızda bu parametrelere odaklanarak, ulaşım sistemlerinin genel verimliliğini artırmak amacıyla Pekiştirmeli Öğrenme Tabanlı Gecikme Optimizasyonlu Trafik Mühendisliği (Reinforcement Learning-based Latency Optimized Traffic Engineering - RL-LOTE) algoritmasını öneriyoruz. Bu yaklaşım, trafik akışının iyileştirilmesine, seyahat sürelerinin azaltılmasına ve çevresel etkilerin en aza indirilmesine katkı sağlar. Pekiştirmeli öğrenme temeline dayanan RL-LOTE algoritmasının temel hedeflerinden biri, önceki deneyimlerden yararlanarak ve güzergâhlarda dinamik ayarlamalar yaparak toplam seyahat süresini azaltmaktır. Yaklaşımımız, ulaşım gecikmelerini en aza indirmek için eksiksiz ve etkili bir strateji geliştirmek amacıyla trafik sıkışıklığı, yol koşulları ve bekleme süresi dahil olmak üzere birden fazla faktörü göz önünde bulundurmaktadır. Araştırmamız, RL-LOTE algoritmasının kullanılmasının güzergah planlamasını önemli ölçüde optimize ederek ulaşım sistemlerinin verimliliğini ve sürdürülebilirliğini artırabileceğini göstermektedir.

Özet (Çeviri)

Transportation systems play a crucial role in the operation of contemporary societies because efficiency is inherently connected to the successful management of time. Transportation system delays can have significant consequences for the economy and society, such as reduced productivity, greater energy consumption, and higher operational expenses. These inefficiencies impose additional time and financial constraints on organizations and individuals, while also contributing to environmental degradation through extra consumption of fuel and traffic congestion. This study presents a systemic approach to optimizing transportation networks by considering both the delays on paths and the time required to wait at crucial node locations, such as crossroads, turning points, and stops. By integrating these factors into our study, our objective is to optimize the overall effectiveness of transportation systems, resulting in improved traffic flow, decreased travel durations, and minimized environmental consequences. The Reinforcement Learning-based Latency Optimized Traffic Engineering (RL-LOTE) algorithm is highlighted, aiming to minimize the total travel time by utilizing prior experiences and dynamically adapting routes. Our approach takes into account several aspects, such as traffic congestion, road conditions, and waiting periods, to offer a comprehensive and efficient solution for reducing transportation delays. Our investigation indicates that the RL-LOTE algorithm greatly improves route optimization, resulting in transportation systems that are more efficient and sustainable. The latencies in the transportation systems play a crucial role in having an impact on productivity, energy consumption, and higher operational expenditures. These inefficiencies generate cost limitations and extra time for companies and individuals while increasing traffic congestion and deteriorating environments due to higher fuel usage. In this study, we introduce a new reinforcement learning technique to improve transportation networks while considering delays on the routed paths and the waiting time at important stopping points such as intersections and junctions. We add the waiting time determined for each city to the total time cost when an agent reaches a node. This way, the total path cost includes not only the travel time on the roads but also the time spent at the nodes. By concentrating on these parameters in our research, we propose the Reinforcement Learning-based Latency Optimized Traffic Engineering (RL-LOTE) algorithm to enhance the overall efficiency of transportation systems, leading to enhanced traffic flow, reduced trip times, and minimized environmental impacts. One of the primary goals of the RL-LOTE algorithm, which is founded on the concept of reinforcement learning, is to reduce the total amount of time spent traveling by making use of previous experiences and making dynamic adjustments to the routes. Our approach considers multiple factors, including traffic congestion, road conditions, and waiting time, to develop a complete and effective strategy for minimizing transportation delays. Our research indicates that the utilization of the RL-LOTE algorithm can enhance the efficiency and sustainability of transportation systems by significantly optimizing route planning.

Benzer Tezler

  1. Tez No

    924485

    Dynamic routing on stochastic time-dependent networks using real-time information

    Gerçek zamanlı bilgileri kullanarak stokastik zamana bağlı ağlarda dinamik yönlendirme

    ALİ RIZA GÜNER

    Doktora

    İngilizce

    İngilizce

    2011

    Endüstri ve Endüstri MühendisliğiWayne State Unıversıty

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. RATNA BABU CHINNAM

  2. Tez No

    1002722

    Nature-based play and independent mobility during daily commute for holistic child development: A post-design comparison of school environments

    Bütüncül çocuk gelişimi için günlük okul yolculuğunda doğa temelli oyun ve bağımsız hareketlilik: Okul çevrelerinin tasarım sonrası karşılaştırması

    MERVE VATANSEVER

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Peyzaj Mimarlığıİstanbul Teknik Üniversitesi

    Kentsel Tasarım Ana Bilim Dalı

    DOÇ. DR. EBRU ERBAŞ GÜRLER

  3. Tez No

    692422

    Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty

    Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi

    GÖNÜL ULUDAĞ

    Doktora

    İngilizce

    İngilizce

    2021

    Nörolojiİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE ŞİMA UYAR

  4. Tez No

    960001

    Çizgelerde baskınlık ve soenerji

    Domination and so-energy in graphs

    OSMAN ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    MatematikNevşehir Hacı Bektaş Veli Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. SEZER SORGUN

  5. Tez No

    302612

    19. yüzyıl Anadolu şehirsel ağı ve hinterland ilişkileri, Kayseri örneği

    Urban network and relations with hinterland in Anatolia during the 19th. century, case of Kayseri

    METHİYE GÜL ÇÖTELİ

    Doktora

    Türkçe

    Türkçe

    2011

    Şehircilik ve Bölge PlanlamaYıldız Teknik Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    PROF. DR. ZEKİYE YENEN

Geri Dön