고속도로 시스템의 교통 흐름 예측 혼잡 제어를 위한 다기능 모델

고속도로 운송 시스템은 도시 개발과 증가하는 차량 수로 인해 혼잡과 같은 문제에 직면해 있습니다. 이 연구에서는 실시간 교통 예측을 향상하고 교통 혼잡을 완화하기 위해 장단기 기억(Long Short-Term Memory, LSTM) 네트워크와 그래프 신경망(Graph Neural Networks, GNN)을 사용하는 모델을 제시합니다. 이 모델은 LSTM 네트워크와 GNN을 결합하여 교통 예측을 수행하고 경로 계획 및 교통 제어를 위해 다중 에이전트 강화 학습(MARL)을 적용합니다. 이 연구는 교통 역사, 날씨, 도로 네트워크 데이터를 사용하였고 TensorFlow, PyTorch, SUMO 플랫폼에서 실험을 수행했습니다. 모델은 91.8%의 예측 정확도를 달성하였으며, 교통 지연을 21.5% 줄이고 혼잡도를 27.0% 감소시켰습니다. 또한 비상 대응 시간을 2.3초 단축했습니다. 연구 결과는 이 모델이 더 스마트하고 안전한 운송 시스템을 만드는 데 도움이 된다는 것을 보여줍니다.