انالیز اشوبناک سری زمانی جریان ترافیک و پیش بینی آن مبتنی بر سیستم فازی - عصبی تطبیقی چندگانه

امروزه پیش بینی جریان ترافیک به عنوان هسته اصلی مطالعات سیستمهای حمل و نقل هوشمند مطرح شده است دراین مقاله با توجه به ویژگیهای تطبیق پذیری الگوریتمهای خودیادگیر شبکه های عصبی و نیز یادگیری قوانین فازی که در ساختار ANFIS ترکیب شده است از این مدل برای پیش بینی کوتاه مدت حجم ترافیک استفاده شده است در روش بکارگرفته شده دراین مقاله ابتدا با انجام عملیات پیش پردازش که شامل حذف ساعتها و روزهای خاص و نیز مقدار دهی به بازه هایی که حجم ترافیک در آنها ثبت نشده است می باشد داده ها را اماده کرده و سپس با محاسبه بزرگترین نمای لیاپانوف به بررسی غیرتصادفی و پیش بینی پذیر بودن جریان ترافیک پرداخته شده است در نهایت پس از به قطعیت رسیدن در وجود پدیده اشوب در سری زمانی حاصل از جریان ترافیک و قابل پیش بینی بودن آن با بکارگیری مدل عصبی فازی ANFIS به پیش بینی حجم ترافیک پرداخته شده است. مدل مطرح شده دراین مقاله برای پیشبینی جریان ترافیک موجود در بلوار فردوسی در شهر مشهد در کشور ایران مورد استفاده قرار گرفته است.

کلیدواژه ها:

سری زمانی ، پیش بینی کوتاه مدت ، جریان ترافیک ، ANFIS