CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

رویکرد ترکیبی-تطبیقی نروفازی جهت پیش بینی جریان ترافیک

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۴ | تعداد نمایش خلاصه: ۳۰۸ | نظرات: ۰
سال انتشار: ۱۳۹۱
کد COI مقاله: TTC12_194
زبان مقاله: فارسی
حجم فایل: ۳۶۴.۰۶ کیلوبایت (فایل این مقاله در ۱۴ 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 ۱۴ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله رویکرد ترکیبی-تطبیقی نروفازی جهت پیش بینی جریان ترافیک

شیوا رحیمی پور - کارشناس ارشد علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، کارشناس ا
مهناز آقامحققی - کارشناس ارشد علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، کارشناس ا
سیدمهدی تشکری هاشمی - استاد گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنع

چکیده مقاله:

امروزه تراکم ترافیکی، مسئلهای جهانی است که بوفور در همه جای دنیا مشاهده میشود. فناوریهایی چون سیستمهای حمل ونقل هوشمند نقش اساسی در حل مسئله تراکم ترافیک، ایجاد ایمنی، مدیریت تقاضا و ... که امروزه شبکههای بزرگراهی با آن مواجه هستند، دارند. از جمله مولفه های مهم در این سیستمها، روشهای کارای پیش بینی کوتامدت و یا بلندمدت ترافیک هستند. تا کنون روشهای متعددی برای پیاده سازی موفقیت آمیز این مولفه پیشنهاد شده است ولی با توجه به اهمیت موضوع، تلاش برای ارائه الگوریتم های دقیقتر همچنان ادامه دارد. رویکرد آنلاین ترکیبی ارائه شده در این مقاله، از یک سیستم استنتاجی فازی بعنوان پایهای برای پیش بینی جریان ترافیک در یک، سه و پنج دقیقه آینده در بزرگراه همت استفاده شده و برای مطابقت با آخرین تغییرات ترافیکی در یک روز خاص، توسط شبکه ANFIS به روزرسانی میشود. نتایج حاصل از تست روش، نشاندهنده دقت قابل قبول آن برای بکارگیری بعنوان مولفه پیشبین در سیستمهای حمل ونقل هوشمند است.

کلیدواژه‌ها:

پیش بینی ترافیک، منطق فازی، شبکه عصبی- فازی ANFIS، پیش بینی چندین گام آینده

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_194.html
کد COI مقاله: TTC12_194

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:
رحیمی پور, شیوا؛ مهناز آقامحققی و سیدمهدی تشکری هاشمی، ۱۳۹۱، رویکرد ترکیبی-تطبیقی نروفازی جهت پیش بینی جریان ترافیک، 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_194.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: (رحیمی پور, شیوا؛ مهناز آقامحققی و سیدمهدی تشکری هاشمی، ۱۳۹۱)
برای بار دوم به بعد: (رحیمی پور؛ آقامحققی و تشکری هاشمی، 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 :

  • ZHANG, G. P. Time series forecasting using a hybrid ARIMA ...
  • GAO, Y. AND ER, M. J. NARMAX time series model ...
  • JIANG, Y. Prediction of freeway traffic flows using Kalman predictor ...
  • ZHENG, W., LEE, D. AND SHI, Q. Short-term freeway traffic ...
  • YIN, H., WONG, S. C. AND XU, J. Urban traffic ...
  • PARK, B. Hybrid neuro-fuzzy application in short-term freeway. Transpo rtation ...
  • ISHAK, S. AND ALEC SANDRU, C. Optimizing traffic prediction performance ...
  • QUEK, C., PASQUIER, M., AND SENG LIM, B.B. PO P-TRAFFIC ...
  • TRANS ACTIONS ON INTE LLIGENT TRAN SPO RTATION SYSTEMS, _ ...
  • JANG, J.S.R., SUN, C.T. AND MIZUTANI, E. Neuro-Fuzzy and Soft ...
  • LOUKAS, Y. L. Adaptive neuro-fuzzy inference system: an instant and ...
  • JANG, J. S. R. ANNFIS: adaptive network-based fuzzy inference systems. ...
  • 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.

    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.