پیش بینی کوتاه مدت سرعت ترافیک با استفاده از شبکه های عصبی بازگشتی (RNN)
محل انتشار: فصلنامه مهندسی حمل و نقل، دوره: 15، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 81
فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JTE-15-1_010
تاریخ نمایه سازی: 23 آذر 1402
چکیده مقاله:
پیش بینی ترافیک، به عنوان بخش مهمی از سیستم های حمل و نقل هوشمند، نقش مهمی در نظارت بر وضعیت ترافیک ایفا می کند. با توجه به اینکه بسیاری از مطالعات کار پیش بینی سرعت ترافیک را با مدل های یادگیری عمیق انجام داده اند، همچنان پژوهشی بر روی پیش بین سرعت ترافیک در فصل های مختلف انجام نشده است.همچنین با توجه به تاثیرات مهم عوامل مکانی-زمانی و عملکرد عالی شبکه های عصبی بازگشتی (RNN) در زمینه تحلیل سری های زمانی، در این مقاله، یکی از شبکه های عصبی یادگیری عمیق که ویژگی های واحد بازگشتی گیتی تزریقی (FI_GRU) در داده های زمانی متوالی را ترکیب می کنند، پیشنهاد شده است. داده های مورد استفاده در این پژوهش از شبکه تجسم و ارزیابی فعال در شهر سیاتل ایالت متحده بدست آمده است. این پژوهش سه فصل بهار، تابستان و پاییز و چهار مدل یادگیری عمیق شامل LSTM وGRU و ConvLSTM و BiLSTM و یک مدل کم عمق SVM در سه گام زمانی ۵دقیقه، ۱۰دقیقه و۱۵ دقیقه باهم مقایسه کرده است، نتایج این تحقیق نشان می دهد، مدل پیشنهادی در فصل های مختلف اختلافی چشمگیری نداشته است، و همچنین چهار مدل یادگیری عمیق ومدل SVM ، در فصل های مختلف اختلاف قابل توجه نداشته اند ، نتایج دیگرنشان می دهد هرچه بازه گام های زمانی بیشتر می شود خطاها بیشتر و دقت مدل کاهش پیدا می کند، با توجه به نتایج بدست آمده دقت مدل FI-GRUنسبت به کمترین دقت مدل یادگیری عمیق (BiLSTM)۵۲/۰درصد بیشتر است، و دقت مدل پیشنهادی نسبت به مدل کم عمق (SVM) ۲۴/۱درصد بیشتر است و همچنین مدل پیشنهادی برای پیش بینی سرعت ترافیک در گام زمانی ۵ دقیقه ۴۴/۱درصد بهتر عمل کرده است.
کلیدواژه ها:
نویسندگان
عماد توکلی
کارشناسی ارشد، گروه مهندسی راه و ترابری، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
منصور حاجی حسینلو
دانشیار، گروه مهندسی راه و ترابری، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
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 :