مرکز تحقیقات راه، مسکن و شهرسازی جاده 1735-062X مقالات آماده انتشار 2026 02 22 Traffic Signal Timing in Intersection Traffic Control Using Reinforcement Learning and Neural Networks زمان‌بندی چراغ‌های راهنمایی در کنترل ترافیک تقاطع‌ها با استفاده از یادگیری تقویتی و شبکه عصبی 241324 10.22034/road.2026.555981.2446 FA شهریار افندیزاده دانشکده مهندسی عمران-دانشگاه علم و صنعت ایران سامان گودرزی گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد علوم و تحقیقات سید ابراهیم عبدالمنافی گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد علوم و تحقیقات حمید بیگدلی راد دانشکده مهندسی عمران، دانشگاه امام خمینی قزوین (ره)، قزوین Journal Article 2025 10 28 One of the main challenges in intersection traffic control is optimizing the timing of traffic lights to reduce vehicle stoppage and prevent severe traffic interference.Reinforcement learning algorithms are employed for optimal decision-making in dynamic conditions, while neural networks are utilized to identify complex traffic patterns. Vehicle speed and count are identified as the main parameters affecting traffic flow. The study incorporates three types of neural networks:multilayer perceptron networks, neuro-fuzzy networks, and radial basis function networks. Real data from intersections on Shahid Ashrafi Esfahani Highway were processed for modeling. The input parameters include maximum speed, average speed, speed variance, and vehicle flow volume, with traffic flow state as the main output parameter.Neural network models were implemented, trained, and evaluated using MATLAB Neural Network Toolbox (version 9.5, 2019a). For deep learning modeling, three types of deep neural networks were used: multilayer perceptron, neuro-fuzzy, and radial basis function networks, classified as deep networks. Each model was developed with two architectures and hidden layer configurations, with performance comparison based on various evaluation metrics. Correlation coefficients, absolute and relative error rates, were computed for evaluation.After modeling and analysis, the MLP2 network with two hidden layers of 16 neurons demonstrated the best performance among the three models.However, in the training dataset, the MLP1 network with two hidden layers of 20 neurons performed better. Nevertheless, in other error metrics, MLP2 showed lower values, making it the most successful model for predicting traffic congestion. یکی از چالش‌های اصلی در کنترل ترافیک چهارراه‌ها، مدیریت بهینه زمان‌بندی چراغ‌های راهنمایی برای کاهش توقف خودروها و جلوگیری از تداخل ترافیکی است. در این پژوهش از سه نوع شبکه عصبی شامل شبکه‌های چندلایه پرسپترون، شبکه نروفازی و شبکه تابع مبنای شعاعی استفاده شده است. داده‌های واقعی از تقاطع‌های بزرگراه شهید اشرفی اصفهانی پردازش شده‌اند. پارامترهای ورودی شامل سرعت‌بیشینه، سرعت‌متوسط، واریانس سرعت عبوری، و حجم عبوری خودروها است. پارامتر خروجی اصلی نیز حالت جریان ترافیکی تعیین شده است. هدف اصلی این تحقیق بررسی عملکرد شبکه‌های عصبی در پیش‌بینی و مدیریت جریان ترافیک در شرایط مختلف است. برای پیاده‌سازی شبکه‌های عصبی و آموزش و ارزیابی آن‌ها از جعبه ابزار شبکه‌عصبی متلب استفاده شده است. در انتخاب شاخص‌های ارزیابی سعی شده است هم ضریب همبستگی و هم میزان خطا موردارزیابی قرار گیرد و حتی میزان خطا به صورت مطلق و نسبی نیز محاسبه شده است. شبکه MLP2 با دو لایه پنهان 16 نرونی بهترین عملکرد را نسبت به سه مدل دیگر از خود نشان می‌دهد. البته در مجموعه آموزشی شبکه MLP1 با دو لایه پنهان 20 نرونی از بهترین عملکرد برخوردار است. ولی در سایر شاخص‌های خطا شبکه MLP2 مقادیر پایین‌تری را دارا است. بنابراین شبکه مذکور به عنوان موفق‌ترین مدل در پیش‌بینی گره ترافیکی انتخاب می‌شود. مقادیر ضریب همبستگی بالا 90 درصد و شاخص خطای زیر یک نشان دهنده کارایی قابل قبول شبکه عصبی مصنوعی در این تحقیق است. ساختار بهینه معرفی شده در این تحقیق ضریب همبستگی 98 درصدی و شاخص خطای 05/0 را از خود نشان داده است.