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

word قابل ویرایش
9 صفحه
دسته : اطلاعیه ها
8700 تومان

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

چکیده

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 بزرگراهها 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 ۳۵E در ایالت مینسوتا۱ است، در دوره چهار ماهه و بازههای زمانی ۱۵ 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 چندلایه۲ برای تخمین جریان ترافیک استفاده شود.

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

-۱ مقدمه

معضل ترافیک از اواسط قرن بیستم با تولید انبوه اتومبیلها آغاز شد. به تدریج در بسیاری از کشورها مشکلات حمل و نقل و ترافیک به یکی از چالشهای مهم اجتماعی تبدیل شد و سهم قابل توجهی از سرمایههای ملی هر کشور را به خود اختصاص داد. امروزه دستیابی به حملونقل ایمن، ارزان و کارا به یکی از آرزوها و اهداف اصلی سیاستهای توسعهای کشورها تبدیل شده است. به منظور تحقق این اهداف و کاهش معضل ترافیک، ساخت هرچه بیشتر خیابان، جاده و بزرگراه در دستور کار تصمیم گیرندگان قرار گرفت ولی نتوانست مشکلات را به طور کامل مرتفع کند.

از دهه ۹۰ میلادی متخصصان متوجه شدند که ظرفیتها و امکانات جدید، دیگر جوابگوی نیازهای حملونقل نخواهد بود. از طرف دیگر پیشرفت فناوریهای روز، شرایط مناسبی را برای یک مدیریت هوشمندانه، هدفمند و هماهنگ به منظور ارتقای بهرهوری و افزایش کارایی شبکه محقق کرد. بدینگونه بود که در ابتدای دهه ۹۰ میلادی سیستمهای حملونقل هوشمند به مفهوم امروزی آن متولد شد. البته قبل از دهه ۹۰ پروژههایی نظیر نصب دوربین در تقاطعهای شهری و نیز کنترل هوشمند زمانبندی چراغهای راهنمایی در بسیاری از کشورها آغاز شده بود اما واژه سیستمهای حمل و نقل هوشمند۳ مشخصاً از سال ۱۹۹۰ برای اولین بار در آمریکا رایج شد.

ITS نام اختصاری عبارت Intelligent Transportation Systems است، که دربردارنده کلیه فناوریهای اطلاعات، مخابرات، کنترل، مهندسی سیستم و نیز استراتژیها، تصمیمگیریهای مدیریتی و سازوکارهای هماهنگ کنندهای است که در نتیجه به کارگیری آنها بهبود پارامترهای حملونقل و ترافیک نظیر کاهش زمان سفر، کاهش مصرف سوخت، افزایش ایمنی، بهبود کیفیت زندگی، حفظ محیط زیست و افزایش کارآیی فعالیتهای اقتصادی حاصل میشود. تراکم ترافیک در مسیرهای شهری و شبکههای بزرگراه باعث تنزل شدید زیرساخت شبکه و بنابراین کاهش توان عملیاتی میشود که میتوان از طریق استراتژیها و اقدامات کنترلی مناسب با آنها مواجه شد. سیستمهای راهنمایی، با استفاده از علائم پیام متغیر کنار جاده یا از طریق ارتباط دوطرفه با وسایط نقلیه مجهز، به عنوان یکی از سادهترین رویکردها در ITS شناخته شده است. در بسیاری از مسیرها مجموعهای از اقدامات کنترلی به کار برده میشود تا به همگن شدن جریان ترافیک منتج شود.

در ادامه این مقاله، در بخش دوم چگونگی انتخاب کاندیداهای ورودی سیستم معرفی شده است. در بخش سوم، ابزار شبکه عصبی MLP و در بخش چهارم تاثیر استفاده از پیش بینی بلند مدت در بهبود عملکرد پیش بینی کوتاه مدت شرح داده شده اند .در بخش پنجم نتایج هر یک از مدلها آورده شده است. در انتها، در بخش ششم نتیجه گیری ارائه خواهد شد.

-۲ الگوریتم انتخاب ورودی

از این الگوریتم برای یافتن یک زیرمجموعه بهینه از مجموعه اولیه کاندیداهای ورودی استفاده می-کنیم. هدف این است که ارتباط بین ورودی-خروجی را بیشینه و اطلاعات تکراری بین ورودیها را کمینه کنیم. در این الگوریتم از دو دیدگاه به جریان ترافیکی نگاه میشود. یکی دیدگاه کوتاه مدت به ترافیک است و دیگری تکرار الگوی ترافیکی به صورت هفتگی میباشد. بنابر دیدگاه کوتاه مدت ترافیک، نرخ عبوری خودروها تغییرات پیوستهای دارد. به عنوان مثال نرخ عبوری خودروها در زمان آینده نزدیک بستگی بسیاری به نرخ عبوری خودروها در زمان حال دارد. با توجه به این ویژگی استفاده از دادههای گذشته نزدیک به عنوان یک عامل تاثیر گذار امری ضروری میباشد.

دردیدگاه بلند مدت تشابه الگوی ترافیکی روزهای هفته مورد نظر میباشد، به این مفهوم که رفتار ترافیکی یک روز خاص در هفتههای متفاوت الگویی تکرار شونده دارد. بنابراین برای هر یک از روز های هفته میتوان یک الگوی نسبتا ثابتی در نظر گرفت.

پس از اعمال الگوریتم اطلاعات متقابل[۱] ۴ به داده های مورد نظر، دادههایی که بیشترین وابستگی را به مقدار جریان ترافیکی زمان حال دارند در جدول زیر آورده شده اند:

همان طور که انتظار داشتیم به دلیل رفتار پیوسته جریان ترافیکی داده های ۱ ربع و نیم ساعت پیش به عنوان مرتبط ترین داده ها تشخیص داده شده اند و همچنین داده های مربوط به یک هفته پیش زمان مورد بررسی نیز به دلیل رفتار تکرار شونده هفتگی جریان ترافیکی به عنوان داده های مرتبط بعدی در نظر گرفته شده اند.

-۳ شناسایی سیستم توسط شبکه عصبی چند لایه

از آنجا که سیستم مورد مطالعه به دلیل وجود عوامل انسانی، رفتاری غیرخطی از خود نشان میدهد، برای شناسایی رفتار سیستم موجود، از شبکه عصبی چند لایه که ابزاری قدرتمند برای این منظور است، بهره میبریم (برای مطالعه دقیق تر در شبکههای عصبی میتوان به مراجع [۲]، [۳] و [۷]

مراجعه نمود). حال با استفاده از کاندیداهای ورودی که ترتیب اهمیت آنها را میتوان با بکارگیری الگوریتم انتخاب ورودی، که در بالاتر شرح داده شده است، شبکه عصبی را آموزش داد. یک مساله اساسی در بکارگیری شبکه عصبی، تعیین تعداد مناسب ورودیها و نرونهای آن میباشد. برای این منظور تعداد نرونها و همچنین تعداد ورودیها را به صورت متغیر تعریف میکنیم و بعد با توجه به اینکه کدام تعداد نرون و ورودی کمترین خطا را برای دادههای تست ایجاد کردهاند، تعداد بهینه را برای این دو کمیت انتخاب میکنیم. این انتخاب توسط رسم نموداری سه بعدی، همانند آنچه به عنوان نمونه در زیر آمده است، انجام میپذیرد (شکل .(۱

شکل :۱ نمودار خطا بر حسب تعداد ورودیها و نرونهای لایه میانی در شبکه عصبی

-۴ استفاده از پیش بینی بلند مدت برای پیش بینی کوتاه مدت

همان طور که در قسمت های قبل نیز ذکر شد، رفتار ترافیکی به صورت هفتگی رفتاری تکرار شوند دارند که این رفتار به دلیل رفتار تکرار شونده انسان ها به صورت هفتگی می باشد، و همان طور که میدانیم سر منشا رفتار ترافیکی رفتار انسان ها می باشد. با توجه به این خاصیت در اغلب روش های پیش بینی رفتار ترافیکی از داده های هفته های گذشته به عنوان داده های ورودی اساسی استفاده می شود. اما نکتهای که می بایست آن را در نظر گرفت و غالبا از آن چشم پوشی می شود این است که رفتار انسان ها دقیقا تکرار شونده نمی باشند و عوامل بسیاری باعث ایجاد تغییرات جزئی و یا کلی در آنها می شود. از یک فردی که هر روز ساعت ۷ صبح به طرف محل کار خود حرکت می کند نمی توان انتظار داشت که هر روز رفتار دقیقا یکسان از خود بروز دهد. ممکن به دلایل بسیاری از جمله نحوه خواب شب قبل، روحیه، و یا حتی طرز تهیه صبحانه این فرد منزل خود را یک روز در ساعت

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
wordقابل ویرایش - قیمت 8700 تومان در 9 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد