مرکز تحقیقات راه ، مسکن و شهرسازی پژوهشنامه حمل و نقل 1735-3459 23 1 2026 03 21 Intelligent Optimization of Urban Logistics Using Deep Reinforcement Learning (DQN) and Big Data Analytics بهینه‌سازی هوشمند لجستیک شهری با رویکرد یادگیری تقویتی عمیق (DQN) و تحلیل کلان‌داده 345 356 239948 10.22034/tri.2026.559946.3400 FA محمد امین ابراهیم زاده گروه عمران برنامه ریزی حمل و نقل، دانشکده فنی‌ومهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران 0000-0002-3309-2314 علی عبدی کردانی استاد، گروه عمران برنامه ریزی حمل و نقل، دانشکده فنی‌ومهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران 0000-0003-3175-2566 محمد حسین تاتلاری گروه مهندسی صنایع‌، دانشکده فنی و مهندسی‌، دانشگاه آزاد اسلامی واحد کرج، ایران Journal Article 2025 11 15 The increasing complexity of urban transportation networks, the rapid growth of e-commerce, and the rising demand for fast, low-cost, and sustainable deliveries have intensified the need for intelligent approaches in urban logistics. This study presents an innovative Deep Q-Network (DQN) reinforcement learning model that integrates big data analytics and real-time information to adaptively optimize delivery routes in highly dynamic environments. The proposed model is evaluated within a simulated urban setting consisting of 12 districts, 120 customers, 4 distribution centers, and 10 delivery vehicles. Experimental results demonstrate that the DQN-based approach significantly outperforms traditional optimization methods; specifically, delivery time is reduced by up to 35%, fuel consumption by 33%, and CO₂ emissions by 55%, while on-time delivery performance improves to 92% and customer satisfaction increases by 40%. Sensitivity analysis further confirms the robustness and reliability of the model under conditions of heavy traffic, increased demand, and incomplete data.<br><br>By integrating artificial intelligence, big data analytics, and GPT-driven foresight scenario design, this research offers a scalable framework for advancing smart urban logistics. The findings provide a solid foundation for developing data-driven policies and decision-support systems in rapidly growing metropolitan areas. افزایش پیچیدگی شبکه‌های حمل‌ونقل شهری، رشد سریع تجارت الکترونیک و نیاز روزافزون به تحویل‌های سریع، ارزان و پایدار، ضرورت به‌کارگیری رویکردهای هوشمند در لجستیک شهری را دوچندان کرده است. این پژوهش یک مدل نوآورانه مبتنی بر یادگیری تقویتی عمیق DQN ارائه می‌دهد که با ادغام کلان‌داده و اطلاعات زمان‌واقعی، مسیرهای تحویل را در محیط‌های پویا به‌صورت تطبیقی بهینه‌سازی می‌کند. مدل پیشنهادی در یک محیط شهری شبیه‌سازی‌شده شامل ۱۲ منطقه، ۱۲۰ مشتری، ۴ انبار و ۱۰ وسیله نقلیه ارزیابی شده است. نتایج تجربی نشان می‌دهد که الگوریتم DQN نسبت به روش‌های سنتی به‌طور قابل‌ملاحظه‌ای بهتر عمل می‌کند؛ به‌طوری که زمان تحویل تا ۳۵٪، مصرف سوخت تا ۳۳٪ و انتشار CO₂ تا ۵۵٪ کاهش یافته و هم‌زمان، نرخ تحویل به‌موقع به ۹۲٪ و رضایت مشتری تا ۴۰٪ افزایش یافته است. تحلیل حساسیت نیز نشان می‌دهد که مدل در مواجهه با ترافیک سنگین، افزایش تقاضا و داده‌های ناقص، عملکردی پایدار و قابل اتکا دارد.<br><br>این پژوهش با ادغام هوش مصنوعی، کلان‌داده و تحلیل سناریوهای آینده‌نگر مبتنی بر GPT، چارچوبی مقیاس‌پذیر برای توسعه لجستیک شهری هوشمند ارائه می‌دهد و می‌تواند به‌عنوان مبنایی برای طراحی سیاست‌های داده‌محور در کلان‌شهرهای در حال توسعه مورد استفاده قرار گیرد. https://www.trijournal.ir/article_239948_c1174096144266bba0a9884ac1672c84.pdf