کنفرانس بین المللی محاسبات نرم

صفحه اصلی / پنجمین کنفرانس بین المللی محاسبات نرم

پیش‌بینی ترافیک در شرایط نامساعدجوی با تکیه بر داده‌های آب‌و‌هوایی و شبکه عصبی مصنوعی

نویسندگان :

میثم عفتی¹ بهزاد نسجی کاشی²

1- دانشگاه گیلان-دانشیار 2- دانشگاه گیلان-دانشجو

کلمات کلیدی :

یش‌بینی‌ترافیک،الگوریتم،شبکه عصبی مصنوعی،آب و وهوا،هوش مصنوعی

چکیده :

پیش‌بینی ترافیک به عوامل متعددی بستگی داردکه به یکدیگر وابسته هستند و اثرگذاری قابل توجهی بر یکدیگردارند. در اين بين با توجه به مطالعات پيشين، پارامترهاي ترافيكي و مرتبط با شرايط جوي تاثير عمده‌اي بر حجم ترافيك عبوري از آزاده‌راه‌ها دارند. با توجه به موجود بودن اطلاعات ترددشماري و سابقه شرايط جوي معابر برون‌شهري در گذشته و همچنين قابلیت شبكه عصبي مصنوعي در شناسایی الگوها و دسته بندی اطلاعات و یادگیری از حجم عظيم از داد‌هاي پيشين، در این مطالعه جهت پیش‌بینی ترافیک، مدلی مبتنی بر شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) پیشنهاد شده است. پارامترهای مورد بررسی این مطالعه و ورودی مدل پیشنهادی شامل سرعت باد، حداقل درجه حرارت، میزان دید افقی، میزان بارش، حداکثردرجه‌حرارت، روز یا شب، ساعت، و تعطیلات رسمی می‌شود که این داده‌ها از اطلاعات ثبت شده ایستگاه سینوپنتیک سازمان هواشناسی و سازمان راهداری اخذ شده است. نتایج نشان داد که شبکه عصبی مصنوعی پرسپترون پیشنهادی در پیش‌بینی ترافیک سه ساعته دارای میانگین دارای مربعات خطا 28/0و ضریب همبستگی(R)61/0می‌باشد. با توجه به اثرگذاری پارامترهای آب‌و‌هوایی ورودی همچون بارش باران و سرعت باد بر تردد وسایل نقلیه در فصل زمستان، می‌توان گفت وجود این پارامترها در پایین بودن مقدار میانگین مربعات خطا و میزان ضریب همبستگی مناسب در مدل پیشنهادی پرسپترون چندلایه برای پیش‌بینی حجم ترافیک نقش مثبتی داشته‌اند. به طور کلی پس از مقایسه مقادیر به دست آمده از پرسپترون چندلایه با مقادیر حجم ترافیک حقیقی ثبت شده، نتایج حاصل از این مطالعه نشان داد که شبکه عصبی مصنوعی به دلیل ماهیت یادگیری و قابلیت آموزش از داده‌های ورودی، در حوزه پیش‌بینی ترافیک دارای دقت مناسب و عملکردی قابل قبول است و افزایش تعداد داده‌ها و در نظرگرفتن مدت زمان طولانی‌تر بررسی میتواند نتایج بهتری را نمایان کند.