|
کلیدواژهها
|
هوش مصنوعی، ترافیک شهری، حمل و نقل شهری، سامانه ی حمل و نقل، توسعه پایدار، پایداری، تولیدات علمی، علمسنجی، وب آو ساینس، کتابخانه ی بیبلیومتریکس
Artificial Intelligence, Urban Traffic, Urban Transportation, Transportation Systems, Sustainable Development, Sustainability, Scientific Production, Scientometrics, Web Of Science (WOS), Bibliometrix
|
|
چکیده
|
ترافیک شهری از مسائل چالش برانگیز در جوامع کنونی است که مدیریت مؤثر آن می تواند نقش مهمی در تحقق توسعه ی پایدار، به ویژه SDG11 با محوریت دستیابی به شهرهای فراگیر، ایمن و پایدار ایفا نماید. در سالیان اخیر، محققان درصدد برآمده اند تا از ظرفیت بالای هوش مصنوعی به منظور بهبود کارایی، ایمنی و پایداری سامانه های حمل و نقل شهری حداکثر بهره برداری را بعمل بیاورند. انتشار حجم انبوهی از پژوهش های مرتبط، ضروت انجام یک مطالعه ی علم سنجی برای دستیابی به دید جامعی از ساختار دانشی، روندهای تکاملی و میزان همراستایی این مطالعات با اهداف توسعه ی پایدار را ایجاب می نماید. پژوهش حاضر با استخراج و غربالگری مطالعات مرتبط از پایگاه وب آوساینس، به تحلیل نظامند 17979 مدرک در حیطه کاربرد هوش مصنوعی در مدیریت ترافیک و حمل ونقل شهری در چارچوب SDG11 با کتابخانه ی Bibliometrix در محیط R پرداخته است. رشد شتابان تولیدات علمی از سال 2018 به بعد، سطح بالای همکاری های بین المللی و نقش برجسته ی کشورهایی نظیر آمریکا و چین در تولید آثار از مهمترین یافته های پژوهش است. دینامیک خودرو، وسیله ی خودران، بهینه سازی، الگوریتم های پیشرفته ی یادگیری عمیق و یادگیری تقویتی به عنوان مضامین پیشران در پژوهش ها مطرح بوده و توجه بیشتر به ابعاد فنی در مقایسه با ابعاد اجتماعی و نهادی پایداری شهری در تحقیقات این حوزه مشهود است.
Urban traffic represents a critical challenge in contemporary cities, and its effective management plays a central role in achieving sustainable development, particularly Sustainable Development Goal 11 (SDG 11), which emphasizes inclusive, safe, resilient, and sustainable urban environments. In recent years, artificial intelligence has emerged as a key enabler for improving the efficiency, safety, and performance of urban traffic and transportation systems through data-driven modeling, prediction, and control. The rapid expansion of related research, however, has resulted in a fragmented body of knowledge, highlighting the need for a systematic overview of its intellectual structure and thematic evolution.
This study adopts a scientometric approach to analyze 17,979 publications retrieved from the
|