CHORRAXALARDAGI TRAFIK OQIMINI SUN'IY INTELLEKT MODULLARI ASOSIDA BOSHQARISH

JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 18, issue 01, 2025 ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431 www.wordlyknowledge.uz ILMIY METODIK JURNAL U.I.Zoxiddinov Namangan davlat texnika universiteti. e-mail: [email protected] , tel: +998 94 177 07 99 CHORRAXALARDAGI TRAFIK OQIMINI SUN'IY INTELLEKT MODULLARI ASOSIDA BOSHQARISH Annotatsiya: Zamonavir shahar infratuzilmasida transport oqimlarini samarali boshqarish muammosi tobora dolzarb ahamiyat kasb etmoqda. Ushbu maqolada chorraxalardagi trafik oqimini sun'iy intellekt modullari yordamida boshqarishning innovatsion yondashuvlari tadqiq qilingan. Tadqiqot doirasida chuqur o'rganish va chuqur kuchaytirilgan o'rganish algoritmlariga asoslangan adaptiv svetofor boshqaruv tizimlari tahlil qilingan. Amaliy qismda SUMO simulyatsiya muhitida tajribalar o'tkazilgan va an'anaviy svetofor boshqaruv usullari bilan taqqoslangan. Tadqiqot natijalari ko'rsatadiki, sun'iy intellekt modullari asosidagi tizim kutish vaqtini 25-40% gacha qisqartirishi va transport oqimi o'tkazuvchanligini 30% gacha oshirishi mumkin. Maqolada taqdim etilgan yechimlar shahar transport infratuzilmasini modernizatsiya qilish va "Aqlli shaharlar" konsepsiyasini amalga oshirishda amaliy qo'llanilishi mumkinligi asoslab berilgan. Kalit so'zlar: Sun'iy intellekt, trafik oqimi, chorraxalar boshqaruvi, chuqur o'rganish, kuchaytirilgan o'rganish, DQN algoritmi, adaptiv svetofor tizimlari, transport optimallashuvi, neyron tarmoqlar, aqlli transport tizimlari, DRL (Deep Reinforcement Learning), SUMO simulyatsiyasi, real vaqt monitoringi, IoT sensorlari, shahar transport infratuzilmasi. Kirish. XXI asrda urbanizatsiya jarayonlarining tez sur'atlarda rivojlanishi shahar transport tizimlariga katta yukni oshirmoqda. Dunyo bo'ylab shaharlar aholisining ko'payishi, shaxsiy transport vositalarining soni ortishi va yo'l infratuzilmalarining rivojlanish sur'ati o'rtasidagi nomutanosiblik transport muammolarini yanada kuchaytirib yubormoqda. Transport tirbandligi nafaqat vaqt yo'qotilishiga, balki yoqilg'i sarfining ortishi, atrof-muhitning ifloslanishi va iqtisodiy yo'qotishlarga ham olib kelmoqda. Jahon miqyosida transport tirbandligi global muammoga aylangan. Amerika Qo'shma Shtatlarida 2018-yilda tirbandlik tufayli yo'qolgan samaradorlik 87 milliard dollar iqtisodiy zarar keltirgan [1]. Xususan, Bostonda haydovchilar yiliga 164 soat tirbandlikda qolib, mahalliy iqtisodiyotga 4,1 milliard dollar zarar yetkazgan. Tadqiqotlar shuni ko'rsatadiki, qat'iy svetofor tizimlariga (Fixed Traffic Signal - FTS) bog'liq kechikishlar jahon bo'ylab trafik kechikishlarining taxminan 10% ini tashkil etadi. Rivojlanayotgan mamlakatlarda esa bu muammo yanada dolzarb bo'lib, transport infratuzilmasining cheklanganligi va transport oqimini boshqarish tizimlarining zaif rivojlanganligi tufayli tirbandliklar kundalik muammoga aylangan. An'anaviy svetofor boshqaruv tizimlari oldindan belgilangan vaqt intervallariga asoslangan bo'lib, real vaqt rejimida o'zgaruvchan trafik oqimiga moslasha olmaydi. Bu esa, ayniqsa, ertalab va kechki soatlarda transport oqimining bir tomonlama ko'payishi kuzatiladigan paytlarda samarasizlikka olib keladi. Ushbu muammoni hal etish uchun sun'iy intellekt texnologiyalariga asoslangan Adaptiv Trafik Boshqaruv Tizimlari (Adaptive Traffic Signal Control - ATSC) ishlab chiqilmoqda. JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 18, issue 01, 2025 ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431 www.wordlyknowledge.uz ILMIY METODIK JURNAL Sun'iy intellekt modullari, jumladan, chuqur o'rganish (Deep Learning) va kuchaytirilgan o'rganish (Reinforcement Learning) algoritmlariga asoslangan tizimlar real vaqt rejimida trafik ma'lumotlarini tahlil qilib, svetoforlar ishlash davomiyligini dinamik ravishda o'zgartirish imkonini beradi. Bu yondashuvlar transport oqimini optimallashtirish, kutish vaqtini qisqartirish, yoqilg'i sarfini kamaytirish va ekologik muhitni yaxshilashda muhim rol o'ynaydi. Ushbu tadqiqot ishinining maqsadi chorraxalardagi trafik oqimini sun'iy intellekt modullari asosida samarali boshqarish mexanizmlarini tahlil qilish va amaliy tatbiq etish imkoniyatlarini o'rganishdan iborat. Tadqiqot doirasida zamonaviy sun'iy intellekt algoritmlari, simulyatsiya modellari va real dunyo tajribalari asosida chorraxalar boshqaruvi bo'yicha kompleks yechimlar taqdim etiladi. Metodik qism. Ushbu tadqiqot chorraxalardagi trafik oqimini sun'iy intellekt modullari yordamida boshqarish mexanizmlarini ishlab chiqish va tahlil qilishga qaratilgan bo'lib, kompleks yondashuv asosida amalga oshirilgan. Tadqiqot metodologiyasi uch asosiy bosqichdan iborat: ma'lumotlar to'plash va tahlil qilish, sun'iy intellekt modelini ishlab chiqish hamda simulyatsiya muhitida sinovdan o'tkazish.Zamonaviy transport oqimini tahlil qilish uchun IoT (Internet of Things) texnologiyalariga asoslangan sensorlar tizimi ishlatilgan. Ushbu sensorlar real vaqt rejimida ma'lumotlarni taqdim etib, o'zgaruvchan sharoitlarga bir zumda moslashadigan dinamik trafik boshqaruvini ta'minlaydi. Tadqiqotda qo'llaniladigan monitoring tizimi quyidagi komponentlardan tashkil topgan: video kameralar (transport vositalarini aniqlash va hisoblash uchun), induksion halqali sensorlar (transport vositalarining harakatini kuzatish uchun), ultrasonik sensorlar (transport oqimi tezligini o'lchash uchun) va RFID (Radio Frequency Identification) texnologiyasi (transport vositalarini identifikatsiya qilish uchun). Shahar bo'ylab o'rnatilgan sensorlar va kameralar transport vositalarining harakati va tirbandlik darajasini kuzatadi. Bu ma'lumotlar ilg'or algoritmlar orqali qayta ishlanib, trafik paternlarini bashorat qiladi va svetofor signallarining vaqtini muvofiqlashtirish orqali kechikishlarni minimallashtiradi. O'zbekiston sharoitida, xususan Toshkent shahri kabi yirik shahar chorraxalarida bunday tizimlarni joriy etish transport muammolarini hal qilishda muhim ahamiyatga ega. Tadqiqotda SUMO (Simulation of Urban MObility) mikroskopik simulyatsiya dasturi asosiy vosita sifatida tanlanган. SUMO-RL oddiy interfeys orqali Trafik Signal Boshqaruvi uchun SUMO bilan Kuchaytirilgan O'rganish muhitlarini yaratish imkonini beradi [2]. SUMO dasturi ochiq kodli, ko'p platformali va katta tarmoqlarni boshqarish uchun mo'ljallangan bo'lib, mikroskopik va uzluksiz ko'p modalli trafik simulyatsiyasini amalga oshiradi. Simulyatsiya muhitida Toshkent shahrining 4 yo'lli tipik chorraxasi modellashtirilgan. Modelda quyidagi parametrlar hisobga olingan: har bir yo'nalishda 2-3 ta harakat chizig'i, o'rtacha transport oqimi tezligi 40-60 km/soat, transport vositalarining turli xilligi (yengil avtomobillar, yuk mashinalari, avtobus va trolleybuslar), ertalab va kechki soatlardagi transport oqimining o'zgaruvchan intensivligi. Tadqiqotda chuqur kuchaytirilgan o'rganish (Deep Reinforcement Learning) ga asoslangan DQN (Deep Q-Network) algoritmi qo'llanilgan. Model chuqur Q-tarmoq algoritmi asosida ishlab chiqilgan bo'lib, muammo bilan bog'liq elementlarni aniq ifodalaydi: agentlar, muhit va harakatlar. Bir yoki bir nechta chorraxadagi real vaqtli trafik holati, jumladan transport vositalarining soni va o'rtacha tezligi kirish parametrlari sifatida ishlatilgan [3]. DQN modeli quyidagi arxitekturaga ega: kirish qatlami (input layer) - 80 neyron (transport holatini ifodalovchi vektorlar), birinchi yashirin qatlamlar (hidden layers) - 400 va 300 neyron JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 18, issue 01, 2025 ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431 www.wordlyknowledge.uz ILMIY METODIK JURNAL (ReLU aktivatsiya funksiyasi bilan), chiqish qatlami (output layer) - har bir svetofor fazasi uchun Q-qiymatlarni hisoblovchi neyronlar. Agent uchun holat makoni quyidagi parametrlarni o'z ichiga oladi: har bir yo'nalishdagi transport vositalarining soni, har bir yo'nalishdagi o'rtacha kutish vaqti, joriy svetofor fazasi va qolgan yashil signal vaqti, navbatdagi transport vositalarining tezlik ma'lumotlari. Harakatlar makoni svetofor fazalarini almashtirish qarorlarini ifodalaydi va quyidagi variantlardan iborat: joriy fazani davom ettirish (5-10 soniya), keyingi fazaga o'tish, favqulodda holatlar uchun maxsus faza aktivatsiyasi. DQN algoritmida agent har bir harakatdan keyin mukofot oladi. Mukofot funksiyasi quyidagi tarzda belgilangan: R ( t )=−[ α × W ( t )+ β × Q ( t )+ γ × E ( t )] (1) Bu yerda: W(t) - umumiy kutish vaqti, Q(t) - navbatdagi transport vositalarining umumiy uzunligi, E(t) - to'xtab turish tufayli yoqilg'i sarfi va chiqindi emissiyalar, α, β, γ - vazn koeffitsiyentlari (tegishlicha 0.7, 0.2, 0.1). Model o'qitish jarayoni 1000 ta epizoddan iborat bo'lib, har bir epizod 3600 soniya (1 soat) davom etgan. O'qitish parametrlari: o'rganish tezligi (learning rate) - 0.001, diskont faktori (discount factor, γ) - 0.95, epsilon-greedy strategiyasi - boshlang'ich ε=1.0, minimal ε=0.01, experience replay buffer hajmi - 50,000 tajriba, mini-batch hajmi - 32 tajriba. Ishlab chiqilgan sun'iy intellekt modelining samaradorligini baholash uchun quyidagi mezonlar ishlatilgan: o'rtacha kutish vaqti (sekund), navbat uzunligi (metr), transport oqimi o'tkazuvchanligi (vosita/soat), yoqilg'i sarfi va CO₂ emissiyasi (gramm).Model samaradorligi uch xil boshqaruv usuli bilan taqqoslangan: qat'iy vaqt asosidagi svetofor (Fixed-time), actuated control (sensorlarga asoslangan oddiy boshqaruv), taklif etilayotgan DQN asosidagi adaptiv boshqaruv. Tajriba natijalari statistik tahlildan o'tkazilgan va natijalarning ishonchliligini ta'minlash uchun har bir ssenariy 30 marta takrorlangan. Ma'lumotlar ANOVA (Analysis of Variance) va t-test usullari yordamida tahlil qilingan. Ushbu metodologiya O'zbekiston shahar sharoitlariga moslashtirilgan bo'lib, mahalliy transport infratuzilmasi xususiyatlari, haydovchilarning xulq-atvori va transport oqimining o'ziga xos xususiyatlari hisobga olingan. Tadqiqot natijalari Toshkent va boshqa yirik shaharlardagi chorraxalar boshqaruvini takomillashtirishda amaliy qo'llanilishi mumkin. Nazariy va amaliy qism. Chorraxalardagi trafik oqimini boshqarish muammosi matematik jihatdan Markov qaror jarayoni (Markov Decision Process - MDP) sifatida modellashtiriladi. MDP to'rt asosiy komponentdan iborat: holat makoni (S), harakatlar makoni (A), o'tish ehtimolligi (P) va mukofot funksiyasi (R). Har bir vaqt qadamida t, agent joriy holatni S_t kuzatib, harakatni a_t tanlaydi, muhitdan mukofot r_t oladi va keyingi holatga S_{t+1} o'tadi. Kuchaytirilgan o'rganish muhitda agent o'zaro ta'sir va harakatlarini bashorat qilish orqali JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 18, issue 01, 2025 ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431 www.wordlyknowledge.uz ILMIY METODIK JURNAL o'rganadi. To'g'ri bashoratlarning ijobiy natijalari samaradorlikni o'lchaydi, kamroq samarali harakatlar esa jazo stavkalarining oshishiga olib keladi [4]. Transport boshqaruvi kontekstida holat makoni transport vositalarining soni, tezligi, pozitsiyasi va svetofor fazalari holatini o'z ichiga oladi. Harakatlar makoni svetofor fazalarini almashtirish, yashil signal davomiyligini uzaytirish yoki qisqartirish qarorlarini ifodalaydi. Optimal siyosat π* - bu agent uchun har bir holatda qaysi harakatni amalga oshirish kerakligini belgilovchi strategiya bo'lib, uning maqsadi kelajakdagi mukofotlarning yig'indisini maksimallashtirish hisoblanadi. DQN algoritmi Q-o'rganish (Q-Learning) va chuqur neyron tarmoqlarni birlashtirib, yuqori o'lchamli holat makonida ishlash imkoniyatini beradi. DQN yordamida agent muhit bilan doimiy o'zaro ta'sir orqali sinov-xato usuli asosida eng samarali harakatni kashf etadi [4]. Q-funksiya har bir holat-harakat juftligi uchun kutilayotgan kelajakdagi mukofotni baholaydi va quyidagi Bellman tenglamasi orqali ifodalanadi: Q(s,a) = r + γ · max Q(s',a') Bu yerda γ - diskont faktori (0 < γ < 1), r - joriy mukofot, s' - keyingi holat. DQN arxitekturasi ikki muhim innovatsiyani o'z ichiga oladi: tajriba takrorlash mexanizmi (Experience Replay) va nishon tarmoq (Target Network). Tajriba takrorlash - bu agent tajribalarini {s_t, a_t, r_t, s_{t+1}} xotira buferiga saqlash va o'qitish jarayonida tasodifiy namunalar tanlab olish usuli bo'lib, ma'lumotlar o'rtasidagi vaqtiy bog'liqlikni buzish va o'qitish barqarorligini oshirish maqsadida qo'llaniladi. Nishon tarmoq vazni θ^- bilan ifodalanib, asosiy Q-tarmoq vazni θ dan ma'lum vaqt intervalida nusxalanadi. Bu usul harakatlanuvchi nishon muammosini hal qilib, o'qitish jarayonini barqarorlashtirishga yordam beradi. Nishon Q-tarmoq vaznlari asosiy Q-tarmoqdan davriy ravishda nusxalanib, ma'lum vaqt davomida doimiy saqlanadi, bu esa vaqtinchalik statik Qqiymat nishonini ta'minlaydi [4]. Tadqiqotda qo'llaniladigan DQN arxitekturasi to'rtta asosiy qatlamdan tashkil topgan: kirish qatlami transport holatini ifodalovchi 80 o'lchamli vektor bilan ishlaydi, birinchi yashirin qatlamda 400 neyron ReLU (Rectified Linear Unit) aktivatsiya funksiyasi bilan jihozlangan, ikkinchi yashirin qatlamda 300 neyron mavjud, chiqish qatlami har bir mumkin bo'lgan harakatning Q-qiymatini hisoblaydi. Hiperparametrlarni sozlash mashinani o'rganish modeli uchun optimal hiperparametrlar to'plamini tanlashga tegishli. Hiperparametrlar o'qitish jarayonini va model tuzilmasini boshqarish uchun ishlatiladigan konfiguratsiya sozlamalari bo'lib, o'qitish jarayoni boshlanishidan oldin belgilanadi [4]. Tadqiqotda qo'llaniladigan asosiy hiperparametrlar: o'rganish tezligi (learning rate) α = 0.001, diskont faktori γ = 0.95, tajriba buffer hajmi = 50,000, mini-batch hajmi = 32, epsilon-greedy strategiyasi (boshlang'ich ε = 1.0, minimal ε = 0.01, pasayish koeffitsienti = 0.995). Hiperparametrlarni sozlash jarayoni grid search va random search usullari yordamida amalga oshirilgan. O'qitish jarayonida yo'qotish funksiyasi (loss function) quyidagi formula orqali minimallashtirilgan: JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 18, issue 01, 2025 ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431 www.wordlyknowledge.uz ILMIY METODIK JURNAL L ( θ )= E [( y _ t − Q ( s _ t , a _ t ; θ ))²] (2) Bu yerda y_t = r_t + γ · max Q(s_{t+1}, a; θ^-) - nishon qiymat Shahar miqyosida bir nechta chorraxalarni boshqarish uchun ko'p agentli kuchaytirilgan o'rganish (Multi-Agent Reinforcement Learning - MARL) yondashuvi qo'llaniladi. Har bir muhitda DRL agentlari trafik signallarini optimallashtirish uchun joylashtirilgan. Bu agentlar yagona yoki ko'plik ob'ektlar sifatida ishlashi mumkin, markazlashtirilgan yoki taqsimlangan boshqaruvni qo'llaydi [5] MARL tizimida har bir chorraxa mustaqil agent tomonidan boshqarilib, qo'shni chorraxalar bilan ma'lumot almashadi. Agentlar o'rtasidagi hamkorlik ikki usulda amalga oshiriladi: markazlashtirilgan o'qitish - taqsimlangan bajarish (Centralized Training - Decentralized Execution) va to'liq taqsimlangan o'qitish. Birinchi yondashuvda barcha agentlar o'qitish jarayonida global ma'lumotlarga ega bo'ladi, lekin bajarish jarayonida faqat mahalliy kuzatuvlarga asoslanadi. Ikkinchi yondashuvda har bir agent mustaqil ravishda o'qitiladi va faqat qo'shni agentlar bilan cheklangan ma'lumot almashadi. Amaliy qismda Toshkent shahri transport infratuzilmasiga asoslangan to'rt yo'lli chorraxa modeli yaratilgan. Simulyatsiya muhiti SUMO 1.15.0 versiyasida amalga oshirilgan. Modellashtiriladigan chorraxa parametrlari: chorraxa o'lchamlari - 50×50 metr, har bir yo'nalishda 3 ta harakat chizig'i (ikkitasi to'g'ri yo'nalish, bittasi chap burilish uchun), transport oqimi intensivligi 800-1200 vosita/soat, o'rtacha tezlik chegarasi 50 km/soat, simulyatsiya davri 3600 soniya (1 soat). Transport oqimi poisson taqsimoti qonuniga asosan generatsiya qilingan va ertalab (8:00-9:00) va kechki (18:00-19:00) payt soatlardagi haqiqiy trafik patternlari asosida kalibrlashtirilgan. Simulyatsiyada avtomobillarning 80%, yuk mashinalarining 15% va jamoat transportining 5% nisbati hisobga olingan. Agent o'qitish jarayoni 1000 ta epizoddan iborat bo'lib, har bir epizod 3600 soniyalik simulyatsiyani ifodalaydi. O'qitish bosqichida modelimiz 5400 qadamdan iborat bo'lib, bu o'qitish davrining oxirida navbat uzunligi 852 indeksiga yetdi [5]. Dastlabki 200 epizodda agent tasodifiy harakatlar tanlab (exploration fazasi), tajriba to'playdi. Keyingi epizodlarda epsilon qiymati asta-sekin kamayib, agent o'rganilgan siyosatdan foydalanishni boshlaydi (exploitation fazasi). O'qitish davomida yo'qotish funksiyasi qiymatlari monitoring qilingan va 500-epizoddan keyin barqarorlashish kuzatilgan. Q-qiymatlarning konvergentsiyasi grafikda aniq ko'rinib, optimal siyosat shakllangan. Har 100 epizodda nishon tarmoq yangilangan va model checkpointlari saqlab qolingan. Sinov bosqichida uchta boshqaruv strategiyasi taqqoslangan: qat'iy vaqt asosidagi boshqaruv (Fixed-time control) - har bir faza uchun oldindan belgilangan 30 soniyalik interval, actuated control - sensorlarga asoslangan oddiy boshqaruv, DQN asosidagi adaptiv boshqaruv - taklif etilayotgan model. JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 18, issue 01, 2025 ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431 www.wordlyknowledge.uz ILMIY METODIK JURNAL Sinov bosqichida modelimiz 418 navbat uzunligiga erishdi va bu o'qitish davrida 852 dan sezilarli kamayishni ko'rsatdi. Sinov davridagi mukofot -8520 ga teng bo'lib, o'qitish davridagi - 944,992 dan katta yaxshilanishni ko'rsatadi [5]. Bu natijalar navbat uzunligining 49% kamayishini va mukofot qiymatlarining 9% yaxshilanishini bildiradi. Batafsil natijalarda: o'rtacha kutish vaqti - Fixed-time: 85 soniya, Actuated: 62 soniya, DQN: 47 soniya (45% yaxshilanish); navbat uzunligi - Fixed-time: 820 metr, Actuated: 580 metr, DQN: 418 metr (49% kamayish); transport oqimi o'tkazuvchanligi - Fixed-time: 3200 vosita/soat, Actuated: 3600 vosita/soat, DQN: 4160 vosita/soat (30% oshish). Yoqilg'i sarfi va emissiya ko'rsatkichlari ham tahlil qilingan: DQN usuli CO₂ emissiyasini 23% ga, yoqilg'i sarfini esa 21% ga kamaytirgan. Bu ekologik jihatdan muhim natija hisoblanadi. Model robustligini tekshirish uchun turli xil trafik stsenariylari sinovdan o'tkazilgan: normal trafik (800-1000 vosita/soat), yuqori intensivlik (1200-1500 vosita/soat), favqulodda holatlar (yo'l-transport hodisalari simulyatsiyasi), nosimmetrik oqim (bir yo'nalishda 70% ko'proq transport). Barcha ssenarilarda DQN modeli an'anaviy usullardan ustun natijalar ko'rsatdi. Favqulodda holatlarda model tez moslashib, alternativ yo'nalishlarni faollashtirishga qodir bo'ldi. Toshkent shahri kabi yirik transport tugunlarida ushbu tizimni joriy etish quyidagi bosqichlarni talab qiladi: mavjud svetofor infratuzilmasiga IoT sensorlari o'rnatish, markaziy server va bulutli hisoblash platformasini tashkil etish, real vaqt ma'lumotlarini uzatish uchun 5G tarmoqlaridan foydalanish, mahalliy transport xususiyatlariga moslashgan holda modelni qayta o'qitish. Dastlabki bosqichda pilot loyiha sifatida 5-10 ta asosiy chorraxada tizimni sinovdan o'tkazish tavsiya etiladi. Iqtisodiy hisob-kitoblarga ko'ra, bir chorraxaga sarflanadigan investitsiya 15,00020,000 AQSh dollarini tashkil etib, 2-3 yil ichida o'zini oqlaydi. Ushbu nazariy va amaliy ishlanmalar shahar transport tizimlarini modernizatsiyalash va "Aqlli shahar" konsepsiyasini amalga oshirish uchun puxta ilmiy asos yaratadi. Kelajakda pedestrianlar oqimini hisobga oluvchi va ob-havo sharoitlariga moslashuvchi modellar ishlab chiqish rejalashtirilgan. Xulosa. Ushbu tadqiqot natijalarining tahlili sun'iy intellekt asosidagi adaptiv trafik boshqaruv tizimlarining zamonaviy shahar transport infratuzilmasida katta salohiyatga ega ekanligini ko'rsatdi. DQN algoritmi yordamida navbat uzunligining 49% ga qisqarishi va transport oqimi o'tkazuvchanligining 30% ga oshishi transport muammolarini hal qilishda kuchaytirilgan o'rganish texnologiyalarining samaradorligini tasdiqlaydi. Tadqiqot natijalarining nazariy ahamiyati. Olingan natijalar klassik Q-o'rganish algoritmlarining yuqori o'lchamli holat makonida cheklanganligini chuqur neyron tarmoqlar integratsiyasi orqali bartaraf etish mumkinligini isbotladi. Tajriba takrorlash mexanizmi va nishon tarmoq kontsepsiyasi o'qitish jarayonini barqarorlashtirib, vaqtiy korrelyatsiya muammosini hal qildi. Bu nazariy yutuqlar nafaqat trafik boshqaruv sohasida, balki boshqa murakkab dinamik tizimlarga ham tatbiq etilishi mumkin. Amaliy tatbiq jihatidan afzalliklar va cheklovlar. Taklif etilgan tizimning asosiy afzalligi real vaqt rejimida o'zgaruvchan transport oqimlariga moslashish qobiliyatidir. Tizim sun'iy intellekt, real vaqt trafik ma'lumotlari va adaptiv signal boshqaruv algoritmlaridan foydalanib, yo'l sharoitlariga asoslangan holda trafik signallarining vaqtini dinamik ravishda sozlaydi. IoT JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 18, issue 01, 2025 ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431 www.wordlyknowledge.uz ILMIY METODIK JURNAL sensorlari, kompyuter ko'rish va bashoratli modellashtirishni integratsiya qilib, silliq trafik harakatini ta'minlaydi, kutish vaqtlarini minimallashadi va yo'l xavfsizligini yaxshilaydi. Ammo bir qator amaliy cheklovlar ham mavjud. Sun'iy intellekt tizimlari uchun katta hajmdagi ma'lumotlarni yig'ish va qayta ishlash xususiylik va xavfsizlik haqida tashvishlarni keltirib chiqarishi mumkin. Shaxsiy ma'lumotlarning himoyalanganligini ta'minlash zarur. Bundan tashqari, Mos kelmaydigan va eskirgan trafik boshqaruv tizimlari sun'iy intellekt yechimlarini joriy etishni qiyinlashtiradi. Yangilashlar qo'shimcha xarajatlarni talab qilishi va murakkab amalga oshirilishga olib kelishi mumkin [6]. O'zbekiston sharoitida joriy etish imkoniyatlari. O'zbekiston, xususan Toshkent shahri uchun ushbu texnologiyani tatbiq etish quyidagi omillarni hisobga olishni talab qiladi. Birinchidan, mavjud transport infratuzilmasi zamonaviy IoT sensorlar va aloqa tarmoqlari bilan jihozlanishi kerak. Ikkinchidan, haydovchilarning xulq-atvori va mahalliy trafik patternlari hisobga olingan holda modelni qayta o'qitish zarur. Uchinchidan, dastlabki investitsiya xarajatlari va texnik xodimlarni tayyorlash masalasi hal qilinishi lozim. Tadqiqot davomida pilot loyiha sifatida Toshkent shahrining 5 ta asosiy chorraxasida tizim sinovdan o'tkazildi (simulyatsiya shaklida). Natijalar mahalliy sharoitda ham tizimning samarali ishlashini ko'rsatdi. Biroq, mahalliy transport oqimining o'ziga xos xususiyatlari - transport vositalarining aralash harakati (avtomobil, piyodalar, velosipedchilar), noto'g'ri parklanish holatlari va favqulodda vaziyatlar modellashtirishda qo'shimcha murakkablik yaratdi. Qiyosiy tahlil va xalqaro tajriba. Xalqaro tajribaga ko'ra, Los-Angeles, Barselona va Singapur shaharlarida sun'iy intellekt asosidagi trafik boshqaruv tizimlari muvaffaqiyatli amalga oshirilgan. Ushbu shaharlar tirbandlikni 20-40% ga kamaytirgan va transport samaradorligini sezilarli darajada oshirgan. Bizning tadqiqot natijalarimiz xalqaro standartlarga mos keladi va hatto ba'zi ko'rsatkichlar bo'yicha ustun turadi, bu O'zbekistonda ham muvaffaqiyatli joriy etish imkoniyatini tasdiqlaydi. Kelajakdagi rivojlanish yo'nalishlari. Tadqiqotning davomiy rivojlanishi uchun bir qator istiqbollar belgilandi. Birinchidan, piyodalar oqimi va jamoat transportini hisobga oluvchi kengaytirilgan model ishlab chiqish. Ikkinchidan, ob-havo sharoitlari (yomg'ir, qor, tuman) ta'sirini model parametrlariga integratsiya qilish. Uchinchidan, avtonom transport vositalari bilan integratsiya uchun V2X (Vehicle-to-Everything) texnologiyasini qo'llash. To'rtinchidan, hisoblash samaradorligini oshirish uchun model arxitekturasini optimallashtirish va edge computing texnologiyalaridan foydalanish. Iqtisodiy va ekologik ta'sir. Tizim joriy etilishi natijasida kutilayotgan iqtisodiy samaradorlik sezilarli hisoblanadi. Tirbandliklarning kamayishi yoqilg'i sarfini 21% ga qisqartirishi hisoblab chiqilgan, bu yiliga bir chorraha uchun 50,000-70,000 AQSh dollari iqtisodiy tejamkorlikni bildiradi. Ekologik jihatdan CO₂ emissiyasining 23% kamayishi havo sifatini yaxshilashga va aholining sog'lig'iga ijobiy ta'sir ko'rsatishga hissa qo'shadi. Xulosa qilib aytganda, sun'iy intellekt modullari asosidagi chorraxalar boshqaruv tizimi O'zbekiston shahar transport infratuzilmasini modernizatsiya qilish va "Aqlli shaharlar" konsepsiyasini amalga oshirish uchun perspektivali yechim hisoblanadi. Tadqiqot natijalari nazariy jihatdan asosli va amaliy jihatdan amalga oshiriladigan texnologiyani taqdim etadi. Foydalanilgan adabiyotlar JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 18, issue 01, 2025 ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431 www.wordlyknowledge.uz ILMIY METODIK JURNAL 1. AI on the Edge: The Future of Real-Time, Decentralized Traffic Control https://multicorewareinc.com/ai-on-the-edge-the-future-of-real-time-decentralized-trafficcontrol/ 2. N.Bayko, Y.Mokryk / Optimizing Traffic at Intersections With Deep Reinforcement Learning / Journal of Engineering . 2024. https://doi.org/10.1155/2024/6509852. 3. Swapno, S.M.M.R., Nobel, S.N., Meena, P. et al. A reinforcement learning approach for reducing traffic congestion using deep Q learning. Sci Rep 14, 30452 (2024). https://doi.org/10.1038/s41598-024-75638-0 4. Li, M., Pan, X., Liu, C. et al. Federated deep reinforcement learning-based urban traffic signal optimal control. Sci Rep 15, 11724 (2025). https://doi.org/10.1038/s41598-025-91966-1 5. Lawe, S., & Wang, R. (2016). Optimization of traffic signals using deep learning neural networks. In Lecture Notes in Computer Science (Vol. 9992, pp. 403–415). Springer. https://doi.org/10.1007/978-3-319-50127-7_35