ارائه رویکردی نوین در پیش بینی کوتاه مدت و بلندمدت وضعیت ترافیک مبتنی بر الگوهای روزانه

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 491

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ECCONF01_010

تاریخ نمایه سازی: 6 بهمن 1395

چکیده مقاله:

امروزه ترافیک به یک چالش اساسی پیش روی جوامع بشری مخصوصاً کلان شهرها تبدیل شده است. تصمیم گیرندگان در این حوزه به شدت به دنبال راه حلی کارا و مؤثر برای حل این معضل شهری هستند، به کارگیری فناوری در حوزه سامانه های حمل و نقل باعث ایجاد سامانه های حمل و نقل هوشمند (ITS) شده است که می تواند به عنوان ابزاری مؤثر در این حوزه مورد استفاده قرار گیرد. پیش بینی کوتاه مدت پارامترهای ترافیکی مانند جریان ترافیک، سرعت و ازدحام دارای اهمیت بسیاری در پژوهش های حوزه سامانه های حمل و نقل هوشمند است. بسیاری از تحقیقات حوزه ترافیک نیز حول این مبحث یعنی پیش بینی ترافیک در کوتاه مدت و بلند مدت معطوف شده است. در این مقاله نیز با هدف پیش بینی ترافیک راهکاری ارائه شده است که می تواند بر اساس داده های دریافتی از مراکز کنترل ترافیک، ترافیک موجود در چندین روز آتی را پیش بینی نماید. این داده ها که به صورت روزانه و هر 15 دقیقه یک بار از مرکز ترافیک جمع آوری می شوند، در الگوی 23 گانه ای که از قبل تعریف شده اند، دسته بندی می گردند. حال برای پیش بینی ترافیک هر روز، پس از تعیین نوع الگوی روزانه، الگوریتم پیش بینی طراحی شده، اجرا می گردد. برای سنجش صحت اطلاعات پیش بینی شده، برای تمامی پیش بینی ها درصد انطباق محاسبه می گردد که نشان از میزان تطبیق اطلاعات پیش بینی شده و واقعیت اتفاق افتاده است. درصد انطباق الگوریتم پیشنهاد شده حداقل 96 درصد است که نشان از دقت و صحت بالای الگوریتم پیشنهادی است.

نویسندگان

امیر امراللهی بیوکی

دانشگاه صنعتی شریف

احمد نیک صفت

دانشگاه صنعتی شریف

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ezell, Stephen. "Explaining international IT transportation ...
  • Gang Tong, Chunling Fan, Fengying Cui, Xiangzhong Meng, Fuzzy Neural ...
  • Dong Haixiangand, Tang Jingjing, Prediction of Traffic Flow at Intersection ...
  • FeiLuo, Yu-GeXu, Jian-Zhong Cao, Elevator Trafic Flow Prediction With Least ...
  • Liang Zhao, Fei-Yue Wang, Short-Term Fuzzy Traffic Flow Prediction Using ...
  • نمایش کامل مراجع