CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

پیش بینی کوتاه مدت جریان ترافیک با استفاده از شبکه های عصبی و پیش بینی بلند مدت

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۶۷۸ | نظرات: ۰
سال انتشار: ۱۳۹۱
کد COI مقاله: TTC12_122
زبان مقاله: فارسی
حجم فایل: ۲۰۳.۵ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی کوتاه مدت جریان ترافیک با استفاده از شبکه های عصبی و پیش بینی بلند مدت

  سهیل محمد علیزاه شبستری - کارشناس ارشد مهندسی برق – کنترل، دانشکده برق و کامپیوتر دانشگاه تهران
محمدرضا سعیدمنش - کارشناس ارشد مهندسی برق – کنترل، دانشکده برق و کامپیوتر دانشگاه تهر
  اشکان رحیمی کیان - دانشیار گروه مهندسی کنترل، دانشکده برق و کامپیوتر دانشگاه تهران
  بهزاد مشیری - استاد گروه مهندسی کنترل، دانشکده برق و کامپیوتر دانشگاه تهران

چکیده مقاله:

امروزه برای کنترل جریان ترافیکی و جلوگیری از بروز تراکم ترافیکی از روشهای کنترلی متفاوتی همانند چراغهای راهنمایی، تابلوهای متغییر خبری و زمان بندی ورودی بزرگراه ها استفاده میکنند. از آنجایی که قابلیت پیش بینی شرایط ترافیکی برای بهبود عملکرد کنترل کنندهها بسیار حائز اهمیت است، در این مقاله، هدف استخراج مدلی داده محور برای پیش بینی خودکار جریان ترافیک بوسیله اطلاعات گذشته آن میباشد. دادههای مورد استفاده در این تحقیق تعداد خودروهای عبوری از قسمتی از بزرگراه بین ایایتی 35E در ایالت مینسوتا است، در دوره چهار ماهه و بازههای زمانی 15 دقیقهای میباشد. که ما در نهایت میخواهیم با استفاده از دادههای گذشته و همچنین پیش بینی بلند مدت همان داده ها به پیش بینی کوتاه مدت دقیق تری از جریان ترافیک بپردازیم. رفتار ترافیکی به دلیل دخالت عوامل گوناگون انسانی و شرایط متغیر محیطی، غیرخطی و غیرایستا می- باشد، درنتیجه برای مدل کردن و پیش بینی آن نیز باید از خانواده مدلهای غیرخطی غیرایستا سود جست. در این مقاله سعی شده است که از مدل غیرخطی شبکه عصبی چندلایه برای تخمین جریان ترافیک استفاده شود.

کلیدواژه‌ها:

سیستمهای حمل و نقل هوشمند، پیش بینی کوتاه مدت جریان ترافیک، شبکه عصبی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-TTC12-TTC12_122.html
کد COI مقاله: TTC12_122

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
محمد علیزاه شبستری, سهیل؛ محمدرضا سعیدمنش؛ اشکان رحیمی کیان و بهزاد مشیری، ۱۳۹۱، پیش بینی کوتاه مدت جریان ترافیک با استفاده از شبکه های عصبی و پیش بینی بلند مدت، دوازدهمین کنفرانس مهندسی حمل و نقل و ترافیک ایران، تهران، سازمان حمل و نقل و ترافیک تهران، معاونت حمل و نقل و ترافیک شهرداری تهران، https://www.civilica.com/Paper-TTC12-TTC12_122.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (محمد علیزاه شبستری, سهیل؛ محمدرضا سعیدمنش؛ اشکان رحیمی کیان و بهزاد مشیری، ۱۳۹۱)
برای بار دوم به بعد: (محمد علیزاه شبستری؛ سعیدمنش؛ رحیمی کیان و مشیری، ۱۳۹۱)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • T. Cover, and J. Thomas, Elements of Information Theory, John ...
  • Nonlinear System Identificatio. From Classical Approaches to Neural Networks and ...
  • Neural Networks for Pattern Recognition, 1995, C. Bishop, Oxford University ...
  • Chen, H. and Grant-Muller, S. (2001) Use of sequential learning ...
  • G. _ Yu, J. M. Hu, C. S. Zhang, L. ...
  • مبانی شبکه‌های عصبی، ۱۳۸۱، م. ب. منهاج، مرکز نشر دانشگاه ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۵۴۸۶۷
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.