Afficher la notice abrégée
dc.contributor.author |
Agguini, Meriem |
|
dc.date.accessioned |
2023-11-21T09:07:38Z |
|
dc.date.available |
2023-11-21T09:07:38Z |
|
dc.date.issued |
2023 |
|
dc.identifier.uri |
http://dspace.univ-guelma.dz/jspui/handle/123456789/14906 |
|
dc.description.abstract |
Les embouteillages constituent un problème majeur dans les zones urbaines, affectant la
mobilité, la sécurité et l’environnement de la population. Les feux de signalisation tradi-
tionnels sont souvent incapables de faire face aux conditions dynamiques et complexes du
trafic, ce qui se traduit par un contrôle inefficace et sous-optimal. Il est donc nécessaire
de trouver une solution intelligente capable de s’adapter à la situation du trafic en temps
réel et d’optimiser la synchronisation des feux de circulation.
Notre objectif dans ce travail est de proposer un contrôleur de feux de circulation intelli-
gent et adaptatif utilisant les techniques d’Apprentissage par Renforcement Multi-Agent
(MARL) et de Deep Q-Learning (DQL).
Le principal avantage de notre système est sa capacité à s’adapter des volumes de trafic
importants et hétérogènes, y compris les véhicules prioritaires et les poids lourds, et sa
capacité à coordonner et à coopérer avec des multiples intersections pour améliorer les
performances du réseau et réduire les congestions.
Les résultats obtenus, avec la plateforme SUMO, permettent de souligner l’efficacité du
modèle proposé. |
en_US |
dc.language.iso |
fr |
en_US |
dc.publisher |
university of guelma |
en_US |
dc.subject |
Trafic, Congestion, Contrôle intelligent des feux de circulation, Apprentissage par Ren- forcement Multi-Agent, Deep Q-Learning, SUMO, Simulation. |
en_US |
dc.title |
Gestion opérante du trafic routier par méthode d’apprentissage |
en_US |
dc.type |
Working Paper |
en_US |
Fichier(s) constituant ce document
Ce document figure dans la(les) collection(s) suivante(s)
Afficher la notice abrégée