پایش و مقایسه رویکردهای مختلف پیش بینی کوتاه مدت پارامترهای ترافیک شهری و شبیه-سازی آن به کمک سیستم اطلاعات جغرافیایی : (مطالعه موردی شهر لندن)

هدف این تحقیق، مقایسه روش های مختلف برای پیش بینی کوتاه مدت پارامترهای ترافیک شهری و همچنین شبیه سازی پارامترهای ترافیکی در محیط متلب و انتخاب بهینه پارامترهای موثر آن با سیستم اطلاعات مکانی، به عنوان مکمل سیستم اطلاعات حمل ونقل است. برای این منظور از سه روش مختلف پیش بینی کوتاه مدت پارامترهای ترافیکی، روش چندجمله ای کلاسیک، الگوریتم شبکه های عصبی و چندجمله ای مبتنی بر ژنتیک به همراه دو روش کاهش خطا استفاده شد. همچنین، پارامترهای ترافیک شهری جریان و سرعت برای کنترل ترافیک آینده شبیه سازی شدند. به دلیل عدم دسترسی به داده های ترافیکی منظم در ایران، داده های تحقیق برای این مطالعه از داده های سال ۲۰۱۲ تا ۲۰۱۴ در لندن با رفتار ترافیکی مشابه در طول هفته انتخاب گردید. مسیرهای مورد مطالعه در این پژوهش، جمعا بطول ۸۴/۱۵ کیلومتر، تحت نام های LM۵۶۱-LM۵۶۳-LM۵۵۷-LM۵۵۵ مورد بررسی قرار گرفت. داده های سال های ۲۰۱۲، ۲۰۱۳ و ۲۰۱۴ به عنوان داده های آموزشی، داده های اعتبارسنجی و داده های مرجع برای اعتبارسنجی، به ترتیب مورد استفاده قرار گرفتند. به طور کلی، نتایج نشان داد که مدل چندجمله ای کلاسیک در پیش بینی پارامترهای ترافیکی جریان و سرعت خیلی موفق و کارآمد نیست، اما مدل چند جمله ای مبتنی بر ژنتیک و شبکه های عصبی موفق عمل کردند. علاوه بر این، یافته های کمی چهار مسیر مطالعاتی بر حسب خطای جذر میانگین مربعات نشان داد که سه روش چندجمله ای کلاسیک، چندجمله ای بر مبنای ژنتیک و شبکه-های عصبی برای پارامتر ترافیکی جریان به ترتیب برابر با ۹۱/۱۳، ۷۸/۰و ۲۲/۰ و برای پارامتر سرعت به ترتیب برابر با ۲۰/۵، ۷۸/۰و ۱۹/۰ می باشند. به عبارت دیگر، دقت پیش بینی پارامتر جریان ترافیک در روش های چندجمله ای مبتنی بر ژنتیک و شبکه های عصبی به ترتیب تقریبا ۱۸ و ۶۳ برابر بهتر از روش چند جمله ای کلاسیک و دقت پیش بینی پارامتر سرعت تقریبا ۷ و ۲۷ برابر بهتر بود.

کلیدواژه ها:

پیش بینی کوتاه مدت پارامترهای ترافیک ، حمل و نقل ، سیستم اطلاعات جغرافیایی ، شبکه های عصبی ، شبیه سازی