مدلسازی متوسط حجم روزانه ترافیک با استفاده ازشبکه های عصبی انتشاربرگشتی

پیش بینی دقیق جریان ترافیک کوتاه مدت نقشی بنیادی درسیستم های هوشمندحمل ونقل ITS و نیزسیستم های مدیریت ترافیک پیشرفته ATMS ایفا می کند حجم ترافیک ازجمله پارامترهای اصلی جریان ترافیک میباشد همانطور که میدانیم پیش بینی دقیق حجم روزانه ترافیک بسیاردشوار می باشد زیرا فرایندی پیچیده تصادفی غیرخطی و غیرمطمئن می باشد درپژوهش حاضرشبکه های عصبی انتشاربرگشتی BPNN به منظورپیش بینی متوسط حجم روزانه ترافیک مورد استفاده قرارگرفته است داده های حقیقی استفاده شده برای مدلسازی ازجاده قدیم قم - تهران طی دوره زمانی بین سالهای 1385-1387 بدست امده است سپس تغییر متغیری برروی داده ها صورت پذیرفته و براساس تاخیرهای زمانی داده های ترافیکی ازفضای V-T به فضای V-V نگاشته شده اند داده های حاصل ازنگاشت به منظور اموزش شبکه عصبی بکارگرفته میشوند دراین راستا برای دستیابی به بهترین شبکه ازالگوریتم های اموزشی مختلفی استفاده شده است سپس شبکه های اموزش دیده برای پیش بینی احجام ترافیکی روزهای اتی مورداستفاده قرار گرفته و ازطریق توابع ارزیابی ازجمله میانگین مربعات خطا میانگین مربعات خطای تنظیم شده و درصد خطای نسبی اعتبارسنجی میشوند نتایج نشان میدهد که روش حاضر احجام روزانه ترافکیی رابادقتی بالا و سرعتی مطلوب پیش بینی می کند

کلیدواژه ها:

حجم روزانه ترافیک ، مدلسازی ، شبکه های عصبی ، پیش بینی