KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 41 Sayı: 2

Pekiştirmeli öğrenme ile dönel kavşaklarda trafik ışıklarının optimizasyonu

Optimization of traffic signals on roundabouts via reinforcement learning

Onur Ağbulut(YAŞAR ÜNİVERSİTESİ)0000-0002-3207-2143
Korhan Karabulut(YAŞAR ÜNİVERSİTESİ)0000-0003-2189-8262
Sayfa
771–784
Yayın Tarihi
2026-07-20
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak, Q-Öğrenme algoritmasını kullanan pekiştirmeli öğrenme bazlı çözüm, taban deneylerinin sonuçları ile kıyaslandığı zaman, özellikle çok fazla araç hacmi olduğu durumda ortalama bekleme süresi, duran araç sayısı, araçların ortalama hızı gibi birçok ölçüt cinsinden daha iyi sonuçlar verdiği gözlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, trafik ışıklarını kontrol ederek dönel kavşaklardaki trafik akışını optimize etmek için pekiştirmeli öğrenmeyi temel alan bir çözüm geliştirilmiştir.
📊
Temel Bulgular & Veri:Q-Öğrenme algoritmasını kullanan bir çözüm geliştirilmiş ve farklı trafik ölçütlerini eniyilemek amacı ile ödül ve durum mekanizmaları tanımlanmıştır.
💡
Sonuç & Katkı:Sonuç olarak, Q-Öğrenme algoritmasını kullanan pekiştirmeli öğrenme bazlı çözüm, taban deneylerinin sonuçları ile kıyaslandığı zaman, özellikle çok fazla araç hacmi olduğu durumda ortalama bekleme süresi, duran araç sayısı, araçların ortalama hızı gibi birçok ölçüt cinsinden daha iyi sonuçlar verdiği gözlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:pekiştirmeli öğrenme · trafik ışıkları · dönel kavşaklar

Özet

Bu çalışmada, trafik ışıklarını kontrol ederek dönel kavşaklardaki trafik akışını optimize etmek için pekiştirmeli öğrenmeyi temel alan bir çözüm geliştirilmiştir. Q-Öğrenme algoritmasını kullanan bir çözüm geliştirilmiş ve farklı trafik ölçütlerini eniyilemek amacı ile ödül ve durum mekanizmaları tanımlanmıştır. Dönel kavşaklarda ortalama bekleme süresi, duran araç sayısı, araçların ortalama hızı vb. gibi ölçütler dikkate alınarak trafik akışının en iyilemesi hedeflenmiştir. Bu amaçla, farklı trafik akış senaryoları için çok sayıda deney oluşturulmuş ve istatistiksel olarak anlamlı sonuçlar elde edebilmek için her bir senaryo birden fazla kez bağımsız olarak simüle edilmiştir. Önerilen yöntemin başarımının ölçülebilmesi için, trafik ışıklarının sırayla değiştiği deneyler de tasarlanmış ve çalıştırılmıştır. Bu deneylerde belirlenen farklı trafik ölçütleri kullanarak ölçümler yapılmıştır. Elde edilen sonuçlar trafik ışıklarının sıra ile değiştiği taban sonuçlarla karşılaştırılmıştır. Sonuç olarak, Q-Öğrenme algoritmasını kullanan pekiştirmeli öğrenme bazlı çözüm, taban deneylerinin sonuçları ile kıyaslandığı zaman, özellikle çok fazla araç hacmi olduğu durumda ortalama bekleme süresi, duran araç sayısı, araçların ortalama hızı gibi birçok ölçüt cinsinden daha iyi sonuçlar verdiği gözlenmiştir.

Abstract

In this study, a reinforcement learning-based solution for congestion problems in traffic flow was developed to optimize traffic flow in roundabouts by controlling traffic lights. A solution based on Q-Learning Algorithm is developed and reward and state mechanisms are implemented to optimize various traffic metrics. This study aims to optimize traffic flow in roundabouts in terms of mean waiting time, the number of stopped vehicles, average speed of cars, etc. by controlling the change of traffic lights. Several experiments for different traffic flow scenarios are designed and simulated independently multiple times to obtain statistically significant results. To compare the performance of the proposed method, experiments in which traffic lights change sequentially are also designed and executed. During these experiments, outputs for different traffic metrics are calculated. Later, the results of the proposed method are compared with these baseline results. As a result, the proposed method using Q-Learning algorithm-based reinforcement learning has been observed to produce better results than baseline results in more than one metric like mean waiting time, number of stopped vehicles, average of cars, etc. especially when there is a high traffic volume.

🔖

Bu Makaleye Atıf Yap

Ağbulut, O., Karabulut, K. (2026). Pekiştirmeli öğrenme ile dönel kavşaklarda trafik ışıklarının optimizasyonu. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 41 Sayı: 2, 771–784. https://doi.org/10.17341/gazimmfd.1535848

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (41)

  1. EDMS Consultants Sdn Bhd. 4 Artificial Intelligence (AI) Trend Predictions for 2020. https://www.edms-consultants.com/4-artificial-intelligence-ai-trend-predictions-for-2020/. Yayın tarihi Şubat 6, 2020. Erişim tarihi Nisan 24, 2023.
  2. Srivastava S. Computer Vision Makes Autonomous Vehicles Intelligent and Reliable. https://www.analyticsinsight.net/computer-vision-makes-autonomous-vehicles-intelligent-and-reliable/. Yayın tarihi 2019. Erişim tarihi Nisan 24, 2023.
  3. Pilgrim T. Traffic sign recognition “most influential” innovation of past decade. https://phys.org/news/2019-05-traffic-recognition-influential-decade.html. Yayın tarihi Mayıs 29, 2019. Erişim tarihi Nisan 24, 2023.
  4. Howard B. How does lane departure warning work?. https://www.extremetech.com/cars/165320-what-is-lane-departure-warning-and-how-does-it-work. Yayın tarihi Şubat 27, 2017. Erişim tarihi Nisan 24, 2023.
  5. Wheatley M. Big Data Traffic Jam: Smarter Lights, Happy Drivers. https://siliconangle.com/2013/04/03/big-data-traffic-jam-smarter-lights-happy-drivers/. Yayın tarihi Nisan 3, 2013. Erişim tarihi Nisan 18, 2023.
  6. Yau K.L.A., Qadir J., Khoo H.L., Ling M.H., Komisarczuk P., A Survey on Reinforcement Learning Models and Algorithms for Traffic Signal Control, ACM Computing Surveys (CSUR), 50 (3), 1-38, 2017.
  7. Bullock D. Traffic signals: The perfect smart city tool. https://njac.org/traffic-signals-the-perfect-smart-city-tool/. Yayın tarihi 2016. Erişim tarihi 2023.
  8. El-Tantawy S., Abdulhai B., Abdelgawad H., Multiagent Reinforcement Learning for Integrated Network of Adaptive Traffic Signal Controllers (MARLIN-ATSC): Methodology and Large-Scale Application on Downtown Toronto, IEEE Transactions on Intelligent Transportation Systems, 14 (3), 1140–1150, 2013.
  9. Gollapudi S., Practical Machine Learning, Packt Publishing, Birmingham, İngiltere, 2016.
  10. Rizzo S.G., Vantini G., Chawla S., Time Critic Policy Gradient Methods for Traffic Signal Control in Complex and Congested Scenarios, KDD ’19: The 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Anchorage, AK-A.B.D., 1654–1664, 4-8 Ağustos, 2019.
  11. Gökçe M.A., Öner E., Işık G., Traffic signal optimization with Particle Swarm Optimization for signalized roundabouts, Simulation, 91 (5), 456-466, 2015.
  12. Erdem O.A., Kavşak Trafik Sinyalizasyon Sistemi İçin Bulanık Mantık Tabanlı Gerçek Zamanlı Denetleyici Tasarımı ve Uygulaması, Engineering Sciences, 2 (4), 241-255, 2007.
  13. Chin Y.K., Kow W.Y., Khong W.L., Tan M.K., Teo K.T.K., Q-Learning Traffic Signal Optimization within Multiple Intersections Traffic Network, 6th UKSim/AMSS European Symposium on Computer Modelling and Simulation, Malta-Malta, 343–348, 14-16 Kasım, 2012.
  14. Chin Y.K., Lee L.K., Bolong N., Yang S.S., Teo K.T.K., Exploring Q-learning Optimization in Traffic Signal Timing Plan Management, 3rd International Conference on Computational Intelligence, Communication Systems and Networks, Bali-Indonesia, 269-274, 26-28 Temmuz, 2011.
  15. Zeng J., Hu J., Zhang Y., Adaptive Traffic Signal Control with Deep Recurrent Q-learning, 2018 IEEE Intelligent Vehicles Symposium (IV), Changshu-Çin, 1215-1220, 26-30 Haziran, 2018.
  16. Ducrocq R., Farhi N., Deep Reinforcement Q-Learning for Intelligent Traffic Signal Control with Partial Detection, International Journal of Intelligent Transportation Systems Research, 21, 192–206, 2023.
  17. Wang H., Yuan Y., Yang X.T., Zhao T., Liu Y., Deep Q learning-based traffic signal control algorithms: Model development and evaluation with field data, Journal of Intelligent Transportation Systems, 27 (3), 314-334, 2023.
  18. Ahmed M.A.A., Khoo H.L., Ng O.E., Discharge control policy based on density and speed for deep Q-learning adaptive traffic signal, Transportmetrica B: Transport Dynamics, 11 (1), 1707-1726, 2023.
  19. Meneguzzer C., Gastaldi M., Rossi R., Gecchele G., Prati M.V., Comparison of exhaust emissions at intersections under traffic signal versus roundabout control using an instrumented vehicle, World Conference on Transportation Research, Shanghai-Çin, 1597-1609, 10-15 Temmuz, 2016.
  20. Kubíková S. S., Kalašová A., Čulík K., Palúch J., Comparison of Traffic Flow Characteristics of Signal Controlled Intersection and Turbo Roundabout, Archiwum Motoryzacji, 88 (2), 19-36, 2020.
  21. Shaaban K., Abou-Senna H., Elnashar D., Radwan E., Assessing the impact of converting roundabouts to traffic signals on vehicle emissions along an urban arterial corridor in Qatar, Journal of the Air & Waste Management Association, 69 (2), 178-191, 2019.
  22. Rizzo S.G., Vantini G., Chawla S., Reinforcement Learning with Explainability for Traffic Signal Control, 2019 IEEE Intelligent Transportation Systems Conference, Auckland-Yeni Zelanda, 3567-3572, 27-30 Ekim, 2019.
  23. Paul A., Mitra S., Deep Reinforcement Learning based Traffic Signal optimization for Multiple Intersections in ITS, 2020 IEEE International Conference on Advanced Networks and Telecommunication Systems, New Delhi-Hindistan, 1-6, 14-17 Aralık, 2020.
  24. Qadri S.S.S.M., Gökçe M.A., Öner E., Gökçe E.G., Analysis of Various Scenarios to Mitigate Congestion at a Signalized Roundabout using Microsimulation, 2019 Innovations in Intelligent Systems and Applications Conference, İzmir-Türkiye, 1-6, 31 Ekim-2 Kasım, 2019.
  25. Kunjir M., Chawla S., Chandrasekar S., Jay D., Ravindran B., Optimizing Traffic Control with Model-Based Learning: A Pessimistic Approach to Data-Efficient Policy Inference, KDD ’23: The 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Long Beach-CA-A.B.D.,1176–1187, 6-10 Ağustos, 2023.
  26. Makri S., Charalambous P., Navigating a road network using Reinforcement Learning, 2022 International Conference on Interactive Media, Smart Systems and Emerging Technologies, Limassol-Kıbrıs, 1-8, 4-7 Ekim, 2022.
  27. Almansoori B.A., Almansoori S.S., Almansoori H., Almansoori R.A., Ahmed I., Shahid K., AI-Based Adaptive Signaling for Traffic Control Around Roundabouts, 2022 Advances in Science and Engineering Technology International Conferences, Dubai-B.A.E, 1-5, 21-24 Şubat, 2022.
  28. Baumgart U., Burger M., A Reinforcement Learning Approach for Traffic Control, 7th International Conference on Vehicle Technology and Intelligent Transport Systems, Prag-Çek Cumhuriyeti, 133-141, 28-30 Nisan, 2021.
  29. Kunjir M., Chawla S., Offline Reinforcement Learning for Road Traffic Control, arXiv 2201.02381, 2022.
  30. Baumgart U., Burger M., Optimal Control of Traffic Flow Based on Reinforcement Learning, Communications in Computer and Information Science, Cilt 1612, Springer, Cham, Almanya, 313-329, 2022.
  31. Yuan H., Li P., van Arem B., Kang L., Dong Y., Safe, Efficient, Comfort, and Energy-saving Automated Driving through Roundabout Based on Deep Reinforcement Learning, 26th IEEE International Conference on Intelligent Transportation Systems, Bilbao-İspanya, 6074-6079, 24-28 Eylül, 2023.
  32. Wang Z., Liu X., Wu Z., Design of Unsignalized Roundabouts Driving Policy of Autonomous Vehicles Using Deep Reinforcement Learning, World Electric Vehicle Journal, 14 (2), 52, 2023.
  33. Dutta S., Reinforcement Learning with TensorFlow, Packt Publishing, Birmingham, İngiltere 2018.
  34. Sutton R.S., Barto A.G., Reinforcement Learning: An Introduction, Cilt 2, MIT Press, Cambridge, MA, A.B.D., 2018.
  35. İstanbul Büyükşehir Belediyesi. İBB Açık Veri Portalı. https://data.ibb.gov.tr/dataset/. Yayın tarihi 2020. Güncellenme tarihi Ocak 2024. Erişim tarihi Ocak 4, 2024.
  36. Dong Y., Huang H., Zhang G., Jieling J., Adaptive Transit Signal Priority Control for Traffic Safety and Efficiency Optimization: A Multi-Objective Deep Reinforcement Learning Framework, Mathematics, 12 (24), 3994, 2024.
  37. Agrahari A., Dhabu M.M., Deshpande P.S., Tiwari A., Baig M. A., Sawarkar A. D., Artificial Intelligence-Based Adaptive Traffic Signal Control System: A Comprehensive Review, Electronics, 13 (19), 3875, 2024.
  38. Karbasi A.H., Yang H., Razavi S., Exploring the impact of traffic signal control and connected and automated vehicles on intersections safety: A deep reinforcement learning approach, arXiv 2405.19236, 2024.
  39. Xiao C., Wang D., Tang X., Pan J., Ma Y., Optimizing Efficiency of Mixed Traffic through Reinforcement Learning: A Topology-Independent Approach and Benchmark, 2025 IEEE International Conference on Robotics and Automation, Atlanta, GA-A.B.D., 3452-3458, 19-23 Mayıs, 2025.
  40. Usanmaz K., Güney S., Real time classification of traffic sign with deep learning methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 40 (2), 1311-1324, 2025.
  41. Turan E., Dandıl B., Avcı E., A new traffic signaling model based on graph and deep reinforcement learning, Journal of the Faculty of Engineering and Architecture of Gazi University, 40 (1), 85-102, 2024.