بخشی از مقاله
خلاصه :
پیشرفت سریغ در حوضه ی حساب و سنسور و تکنولوژی ارتباطات موقعیت های نا گهانی را برای مفاهیم هوش مصنوعی پیشنهاد می نمایند تا جهت توسعه کاربرد آنها در زمینه مدیریت و کنترل ترافیک مورد استفاده قرار گیرند . روش ما حول یک تصمیم گیری قوی می چرخد : سیستم بر اساس ترکیب این تکنیک جهت کلاس بندی دقیق شرایط قریب الوقوع آینده ترافیک استفاده می شوند و همچنین برای تصمیم گیری موثر در زمینه ی وفق دادن ترتیب چراغ های ترافیکی در مناطق شهری ، جهت بهینه کردن جریان ترافیک استفاده می گردد .
هدف مذکور تنها با اندازه گیری اطلاعات تامین شده با سنسور های تعبیه شده در طول جاده های ورودی به مناطق ، نیاز دارد . این تعداد سنسور های کاهش یافته ، به نظر می رسد که جهت کلاس بندی حالت نزدیک آینده ترافیک کافی باشند ، به علاوه اندازه گیری آنها با مقدار کمتری نرم افزار و سخت افزار مورد ارزیابی قرار می گیرد . روش ما به این معنی می باشد که در چهار چوب سنسور های وایرلس و شبکه عملگر به کار برده می شوند و توسط شبیه سازی کامپیوتری تاکید می گردد که شامل شرایط زمان و یا غیر نرمال ترافیک می باشد و برای بخش مرکزی شهر تیمیسرارا-رومانی مورد استفاده قرار می گیرد .
معرفی:
ترافیک شهری یک پدیده بسیار پیچیده است که به یک نگرانی بسیار زیاد که از زندگی روزمره تبدیل گردیده است . درخواست رو به افزایش برای جابجایی مردم و کالا ها در مناطق شهری ، باعث ازدحام ترافیکی به وجود آمده گردیده است که نتایج گوناگون نامطلوب نظیر تاخیر اتلاف انرژی ، سر و صدا ، آلودگی یا تصافات جاده ای را به بار آورده است .
طی سال ها رنج گوناگون از این روش جهت کاهش سطح ازدحام ترافیک استفاده گردیده است .
به خاطر ارتباطات داخلی پیچیده فی ما بین زیر ساخت ها و وسایل گوناگون نقلیه ، شرایط هوایی و تکنولوژی های چندگانه ی مشتمل ، یک روش کلی هنوز باید پیدا شود .
با پیشرفت های متوالی در زمینه محاسبات ، ارتباطات و تکنولوژی حسگر ها ، یک سری از مفاهیم هوش مصنوعی در مدیریت و بهینه سازی ترافیک به کار رفته است . سیستم های تخصصی - Findler and Stapp, 1992 - ، بهینه سازی در پایه ی پیشبینی - tavladakis and voulgaris,1999;liu et al.,2002 - ,منطق فازی - Tan et al., 1995; Lee et al., 1995 - ، شبکه های عصبی - , - srinivasanet al.,2006;vlahogianni et al.,2005 ، الگوریتم های ارزیابی - - taale et al.,1998،بارگیری تقویتی - Thorpe and Andersson, 1996; Sutton, 1996 - ,و غیره .
خروجی و محصول مستقیم آنها منجر به پیشرفت کلی جریان ترافیک در هر دو حالت شرایط ترافیکی نرمال و یا غیر نرمال گردیده است .
این مقاله یک نقطه نظر جدید در مورد چراغ کنترل ترافیک وفق پذیر در مناطق شهری ارائه می دهد که فقط سیستم تخصصی به کار نمی برند بلکه ترکیبی از چند سیستم تخصصی به منظور تقویت و قسمت تصمیم گیری استفاده نمی نماید . روش ما بر پایه مفروضات ذیل می باشد :
.1 فقط تعداد محدودی از جاده های ورودی به منطقه شهری باعث ایجاد حجم بیشتر ترافیک میگردد. شرایط شبیه به شرایط مشابه در ترافیک شبکه اینترنت می باشد که تحت عنوان جریان فیلها تاثیر بیشتری نسبت به جریان موشها دارد
.2 حسگر ها ابزار های ترافیکی هستند که مورد سو استفاده قرار میگیرند . با فرض ازدیاد حسگر ها برای اندازه گیری پارامتری ترافیک بر روی هر جاده بی اهمیتی مانع از تصمیم گیری و نتیجه گیری دقیق می گردد .
.3 برای یک چراغ کنترل بهینه ما به یک ارزیابی نزدیک در مورد ترافیک آینده نیاز داریم . مفهومی که ما تشخیص داده ایم برای این منظور یک سیستم تصمیم گیری ترکیبی می باشد . - ترکیبی از کارشناس ها -
به عنوان نتیجه گیری ما یک روش مجتمع برای چراغ های کنترل سازگار ترافیک در مناطق شهری ارائه میدهیم که این روش بر اساس ترکیبی از گروه بندی ها می باشد که به صورت هوشمندانه اطلاعات به دست آمده از تعداد کمتری از حسگر ها که بر روی جاده های ورودی اصلی به یک منطقه را پردازش می نمایند . این روش به صورت طبیعی می تواند در یک چهارچوبی از حسگر های وایرلس / شبکه عملکرد - WSAN - به کار برده شود و همچنین می تواند توانایی های شبکه ی حسگر های وایرلس جهت مواجه به شرایط پیچیده را بالا برد .
ما بقیه مقاله به این صورت پیگیری شده است : بخش 2 محتوا روش ما را ارائه می دهد - سیستم ترکیبی . در بخش 3 ما کل اصول را برای چراغ کنترل ترافیک سازگار ارائه می دهیم ، که با سیستم تشریحی در بخش 4 ترکیب می گردد . در بخش 5 یک شبیه سازی به صورت موردی برای بهینه کردن ترافیک در شهر تمیسوارا رومانی رائه می گردد ، در حالی که در بخش نهایی نتیجه گیری ارائه می گردد .
2 ترکیب طبقه بندی ها :
با داشتن دو و یا سه و یا چندین نظر مورد تاکید در هر زمانی یک تصمیم گیری پیچیده باید گرفته شود ، مفاهیم هوش مصنوعی در ترکیب طبقه بندی ها به طور گسترده در زمینه تصمیم گیری اتومات تحقیقاتی توسعه یافته است . - polikar,2006;curiac and volosencu,2012 - استراتژی با این سیستم های پایه ترکیبی جهت بوجود آوردن طبقه بندی های گونانون دنبال می شود و همچنین خروجی آنها را ترکیب می نماید .به شکلی که به طور بارز خصوصیات را عمومی می نماید.
بنابراین هنگامی که به صورت دقیق طراحی میگردد ، این تشکل طبقه بندی ها نسبت به طبقه بندی خصوصی نتیجه های بهتری را به دنبال خواهد داشت به خصوص در کاربرد های پیچیده کنترل ترافیک
ساختار کلی یک ترکیب طبقه بندی ها در شکل 1 ارائه گردیده است .
شکل1
همه ی طبقه بندی ها - Cq - مفروضات مختص - hq - خودشان را فرموله نموده اند که در نهایت یک تصمیم گیری نهایی - h - جمع بندی می گردد :
که در wy ها وزن های مختص هر کدام از مفروضات hy می باشد یکی از مشخصات که به صورت ذاتی با یک ترکیب دقیق از طبقه بندی ها ادقام گردیده است ، گوناگونی بین طبقه بندی ها می باشد. - . - Kuncheva and Whitaker, 2003 اگرچه طبقه بندی های مشخص به صورت دقیق بخش های مختلف فضای طبقه بندی را پوشش می دهد ، ترکیب آنها باید به صورت دقیقی در کل فضا کار نماید
در میان انواع مختلف شکل های ترکیبی و تکنیک های آموزشی ، دو روش بیشترین تاثیر را دارند :
مجموع بوت استرپ یک مدل تکنیک میانگین می باشد که به صورت رندوم از زیر مجموعه ها گسترده شد ، یک مجموع آموزش استفاده می نماید.
برای آموزش های مدل های مختلف طبقه بندی ها به صورت مستقل توسعه می یابد و خروجی آنها با میانگین گیری ساده و پارامتر گیری جهت خروجی کلی ترکیب می شوند .
بوستینگ - تقویت - یک تکنیک می باشد که ترکیب را به صورت ترتیبی با جمع کردن یک یاد گیرنده ضعیف ساخته می شوند و سپس آنها را به صورت خاص توسعه می دهند بااستفاده از زیر مجموعه های اطلاعات آموزش که قبلا بوسیله بقیه مدل ها طبقه بندی شده اند
به منظور به دست آوردن خروجی ترکیبی ، خروجی مخصوص هر طبقه بندی مطابق با دقتشان وزن داده می شوند
