پیش‌بینی خودکار گره‌های ترافیکی با استفاده از مدل سازی شبکه عصبی

Abstract

<em>افزایش حجم ترافیک و ایجاد گره­های ترافیکی در راههای بین‌شهری و همچنین شبکه ترافیک شهری سبب کاهش کارایی شبکه ترافیکی و راههای مورد نظر می­شود. پیش­بینی و کشف هرچه سریعتر این گره­های ترافیکی می­تواند کمک شایانی به حل مشکل و روان‌سازی جریان ترافیک نماید. شبکه­های عصبی مصنوعی نشان داده­اند که با تکیه بر قابلیت یادگیری خود می­توانند عملکرد بسیار مناسبی در این زمینه از خود نشان دهند. هدف اصلی این تحقیق پیش­بینی و تشخیص خودکار گره­های ترافیکی با استفاده از مدل شبکه عصبی هوشمند و مقایسه کارایی مدل با مدلهای دیگر موجود است. به طوریکه با استفاده از داده­های آموزشی، شبکه عصبی مصنوعی را به گونه‌ای بیاموزد که بتواند خروجی مورد نظر را تشخیص و در مورد داده­های هدف با موفقیت پیش‌بینی را انجام دهد. روش تحقیق جهت پیش­بینی معماری شبکه از سه پارامتر ورودی و یک پارامتر خروجی استفاده شده است. در این تحقیق از سه نوع شبکه عصبی مصنوعی به منظور پیش­بینی و کشف خودکار گره­های ترافیکی استفاده شده است. داده­های مورد استفاده در این تحقیق از اطلاعات واقعی مرکز کنترل ترافیک آزادراه تهران- کرج به‌صورت روزانه، هفتگی و ماهیانه می‌باشد. در ابتدا از شبکه عصبی چند لایه پرسپترون، استفاده شده و شبکه عصبی دیگری که در این تحقیق مورد استفاده قرار گرفته، شبکه نروفازی می‌باشد و در نهایت از شبکه عصبی تابع مبنای شعاعی به منظور بررسی موفقیت دو شبکه قبلی استفاده شده است. کارایی و دقت مدلهای مختلف براساس بهترین و جامع‌ترین مجموعه شاخص‌های ارزیابی جهت سنجش کارکرد هر کدام از مدلها تحلیل شد و براساس مقایسه کارایی آنها نسبت به یکدیگر، مدل</em><em> پرسپترون</em><em> با کارایی بهینه معرفی شد.</em> <em>مقایسه نتایج مقادیر پیش‌بینی شده جریان ترافیکی با مقادیر اندازه‌گیری شده در واقعیت، نشان می‌دهد که مدل مطرح شده به‌طور رضایت‌بخشی جریان ترافیکی را پیش‌بینی می‌کند.</em><br /> <em> </em><br />