فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی ترافیک در شبکه‌های خودرویی هوشمند به دلیل نوسانات شدید و رفتارهای پیچیده ناشی از حرکت خودروها، یکی از چالش‌های اساسی در بهبود مدیریت و کاهش تراکم ترافیک شهری محسوب می‌شود. در این پژوهش، یک مدل ترکیبی از شبکه‌های عصبی بازگشتی  LSTM و الگوریتم بهینه‌سازی سیاست مجاور PPO به منظور پیش‌بینی ترافیک در VANET ارائه شده است. مدل پیشنهادی با هدف بهبود دقت و کاهش خطاهای پیش‌بینی، از ویژگی‌های حافظه بلندمدت LSTM و ظرفیت بهینه‌سازی تقویتی PPO بهره می‌برد. عملکرد مدل ترکیبی با دو مدل پایه شامل LSTM و شبکه عصبی بازگشتی ساده RNNمورد مقایسه قرار گرفته است. نتایج تجربی بر روی داده‌های واقعی ترافیک نشان می‌دهند که مدل ترکیبی LSTM وPPO  با دقت 0.916 و امتیاز F1 معادل 0.915، نسبت به مدل LSTM تنها و RNN به طور معناداری عملکرد بهتری داشته است. همچنین، مقادیر خطای MSE و RMSE در مدل پیشنهادی به ترتیب 0.100 و 0.316 بوده که نشان‌دهنده کاهش چشمگیر خطاهای پیش‌بینی می‌باشد. به‌علاوه، مقدار ROC-AUC معادل 0.984 نشان‌دهنده توانایی بالای مدل در تفکیک بین کلاس‌های مختلف ترافیکی است. این پژوهش نشان می‌دهد که استفاده از الگوریتم PPO در کنار LSTM می‌تواند راهکاری مؤثر برای بهبود دقت و کارایی مدل‌های پیش‌بینی ترافیک در شبکه‌های VANET باشد.