تحلیل و پیش بینی ساعات تخلفات ورودی به محدوده طرح ترافیک تهران بارویکردهای داده کاوی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 675

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

TTC13_361

تاریخ نمایه سازی: 25 خرداد 1393

چکیده مقاله:

نرخ بالای بروز تخلفات ورود به محدوده طرح ترافیک شهر تهران، نه تنها علت مهم بروز حوادث ترافیکی در مناطق مرکزی تهران است بلکه اثر بازدارنده این طرح بر کاهش تردد خودروها و آلودگی فزایند, ها را بی اثر می کند. سیستم مکانیزه ثبت تخلفات منابع اطلاعاتی مناسبی برای بررسی و تحلیل رفتارهای ترافیکی وسایل نقلیه در اختیار برنامه ریزان قرار می دهد.در این تحقیق, دانش داده :اوی برای کشف قوانین پنهان د رداده های مربوط به خودروهای مختلف ورودی به یکی از پرترددترین معابر ورودی به محدوده طرح ترافیک تهران, جهت بررسی عوامل موثر بر نرخ ورودهای غیر مجاز و پیش بینی تردد تخلفات در محدوده ها بکار گرفته شده است. با استفاده از رویکرد خوشه بندی, ساعات تردد در روزهای مختلف به 5 خوشه همگن تقسیم شده اند. ضمن مطالعه ویژگی های هر خوشه, مدلی براساس شبکه عصبی مصنوعی جهت پیش بینی خوشه های پرتخلف (با تردد غیر مجاز زیاد) بر پایه مشخصات تقویم های قمری و شمسی و شرایط جوی توسعه داده شده است. که با دقت 87 درصد وضعیت ترددهای غیر مجاز به محدوده رح را در روزهای آینده پیش بینی می کند. با استفاده از این مدل می توان برنامه های بازدارنده کاهش تخلفات را ساماندهی نمود.

نویسندگان

وحید برادران

استادیار، گروه مهندسی صنایع- دانشگاه آزاد اسلامی واحد تهران شمال

شیما شاملوفرد

دانشجوی کارشناسی ارشد، رشته مهندسی صنایع گرایش، مدیریت سیستم و بهره وری-دانشگاه آزاد اسلامی واحد تهران شمال

غلامرضا مروجی

دکترای مهندسی صنایع - شرکت کنترل ترافیک تهران

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 :