AKILLI ŞEHİRLERDE YAKIT TÜKETİMİ VE EMİSYONU AZALTMAK İÇİN TRAFİK AKIŞ KONTROLÜ SAĞLAMAYA YÖNELİK BİR YÖNTEMİN GELİŞTİRİLMESİ

Abstract

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.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.