Şehir İçi Trafik Akışının Çok Ajanlı Takviyeli Öğrenme ile Optimizasyonu

📋 Proje Özeti

Bu proje, şehir içi kavşaklarda trafik ışıklarını optimize etmek için Çok Ajanlı Takviyeli Öğrenme (MARL) tabanlı bir akıllı trafik yönetim sistemi geliştirmeyi amaçlamaktadır.

Problem

Günümüzde kullanılan sabit zamanlı veya kural tabanlı sinyalizasyon sistemleri trafik yoğunluğundaki değişimlere uyum sağlayamadığı için verimsiz kalmaktadır. Bu durum:

• Bekleme sürelerinin artmasına
• Yakıt tüketimi ve karbon salınımının yükselmesine
• Kavşaklarda yoğun tıkanıklıklara

sebep olmaktadır.

Çözüm

Her kavşağı bir "ajan" olarak modelleyip, bu ajanların hem kendi kavşak durumlarını hem de komşu kavşaklardan gelen bilgileri kullanarak koordineli öğrenme yapmasını sağlayan bir sistem.

🛠️ Teknolojiler

• SUMO — Mikro trafik simülasyonu
• TraCI — SUMO ↔️ Python gerçek zamanlı entegrasyonu
• PyTorch — Sinir ağları
• DQN, MADDPG, QMIX — RL ve MARL algoritmaları
• OpenAI Gym benzeri çevre — Eğitim için standart yapı

🎯 Beklenen Çıktılar

• Ortalama bekleme süresinde %20+ iyileşme
• Duruş sayısında %15+ azalma
• Yakıt tüketimi ve emisyonlarda %10+ azalma
• Açık kaynak kodlu bir MARL trafik kontrol altyapısı

📁 Proje Yapısı

Bitirme/
├── src/                    # Kaynak kodlar
│   ├── environment/        # SUMO-TraCI ortamı
│   ├── agents/            # RL ajanları
│   ├── algorithms/        # DQN, MADDPG, QMIX
│   └── utils/             # Yardımcı fonksiyonlar
├── configs/               # Yapılandırma dosyaları
├── experiments/           # Deney sonuçları ve loglar
├── docs/                  # Dokümantasyon ve rapor
├── tests/                 # Test dosyaları
├── data/                  # Trafik senaryoları ve OSM dosyaları
└── scripts/               # Yardımcı scriptler

🚀 Kurulum

# Gereksinimleri yükle
pip install -r requirements.txt

# SUMO'yu sisteminize kurun (https://sumo.dlr.de/docs/Installing/index.html)
# macOS için:
brew install sumo

# TraCI Python bağlantısını kontrol edin
python -c "import traci; print('SUMO TraCI bağlantısı başarılı!')"

📊 Kullanım

# Tek kavşak için DQN eğitimi
python src/train.py --algorithm dqn --scenario single_intersection

# Çok kavşak için MADDPG eğitimi
python src/train.py --algorithm maddpg --scenario multi_intersection

# QMIX ile eğitim
python src/train.py --algorithm qmix --scenario grid_network

📝 Dokümantasyon

Detaylı dokümantasyon için docs/ klasörüne bakın:

• docs/report/ - Bitirme projesi raporu
• docs/api/ - API dokümantasyonu

📄 Lisans

Bu proje akademik araştırma amaçlı geliştirilmiştir.

👤 Yazar

Bitirme Projesi - Trafik Yönetimi için MARL