Akıllı şehirlerde yakıt tüketimi ve emisyonu azaltmak için trafik akış kontrolü sağlamaya yönelik bir yöntemin geliştirilmesi
Developing a method to provide traffic flow control to reduce fuel consumption and emissions in smart cities
- Tez No: 945643
- Danışmanlar: DOÇ. DR. MURAT KARABATAK, DOÇ. DR. SELÇUK TOPAL
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Trafik, Science and Technology, Engineering Sciences, Traffic
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
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.
Özet (Çeviri)
Rapid urbanization, increasing population density, and the exponential growth of motor vehicle usage have significantly complicated urban transportation systems, making them less efficient and more environmentally harmful. Traffic congestion not only reduces the quality of daily urban life but also contributes to excessive fuel consumption and elevated levels of greenhouse gas emissions. Consequently, there is a growing need for sustainable, efficient, and adaptive traffic management systems. This dissertation aims to conduct a comparative evaluation of Deep Reinforcement Learning (DRL) algorithms in optimizing urban traffic flow, minimizing fuel consumption, and reducing environmental emissions. The main hypothesis of the study is that DRL algorithms with discrete action space will show higher performance and stability compared to those with continuous action space. Within the scope of this hypothesis; three scenarios with different traffic densities and signaling structures were developed, and different deep reinforcement learning algorithms were run on each scenario and their performances were compared. Performance criteria include reward points, fuel consumption and CO2 emission values; standard deviation, coefficient of variation (CV) and box plots were used in stability analyses. The findings obtained in experimental studies using DRL algorithms revealed that especially RainbowDQN and DQN algorithms are superior to other methods in terms of both performance and stability. Additionally, a conceptual comparison with the conventional Green Light Optimized Speed Advisory (GLOSA) algorithm revealed that while GLOSA performs adequately under stable conditions, it lacks adaptability in dynamic traffic environments. Overall, the study concludes that Deep Reinforcement Learning algorithms offer effective, flexible, and sustainable solutions for urban traffic control and have strong potential for integration into smart city transportation systems.
Benzer Tezler
- Systematic evaluation of pedestrian volume on unsignalized intersection performance metrics in a simulation environment
Sinyalize olmayan kavşaklarda yaya trafiği artışının kavşak performans ölçütlerine etkisinin simülasyon ortamında değerlendirilmesi
NADHER MOHAMMED SAEED NOMAN
Yüksek Lisans
İngilizce
2023
UlaşımSakarya Uygulamalı Bilimler Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULKADİR ÖZDEN
- Bir hafif hibrit elektrikli şehir içi otobüs uygulamasının performans, yakıt ekonomisi ve çevresel etkileri açısından incelenmesi
The investigation of the impact of mild hybrid electric city bus application on performance, fuel economy and emissions
ALİCAN YILMAZ
Yüksek Lisans
Türkçe
2018
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL AHMET GÜNEY
- Bisiklet öncelikli kavşak işletiminde yeni bir yaklaşım
A new approach for operation of intersections with presedence of bicycle
CİHAT KALYONCUOĞLU
Doktora
Türkçe
2017
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT ERGÜN
- Konya ilindeki katı atık toplama sisteminin benzetilmiş tavlama algoritması ile optimizasyonu
Optimization of solid waste collection system in Konya province with simulated annealing algorithm
SEMİH CENGİZ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiNecmettin Erbakan ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUCİZ ÖZCAN
- A reservation based multi agent intersection management for autonomous vehicles
Otonom araçlar için rezervasyon bazlı çok ajanlı kavşak yönetimi
ATAKAN YASİN YEŞİLYURT
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TURAN SÖYLEMEZ