بخشی از مقاله
پیشبینی کوتاه مدت جریان ترافیک با استفاده از شبکه هاي عصبی و پیش بینی بلند مدت
چکیده
امروزه براي کنترل جریان ترافیکی و جلوگیري از بروز تراکم ترافیکی از روشهاي کنترلی متفاوتی همانند چراغهاي راهنمایی، تابلوهاي متغییر خبري و زمان بندي ورودي بزرگراهها استفاده میکنند. از آنجایی که قابلیت پیش بینی شرایط ترافیکی براي بهبود عملکرد کنترل کنندهها بسیار حائز اهمیت است، در این مقاله، هدف استخراج مدلی داده محور براي پیش بینی خودکار جریان ترافیک بوسیله اطلاعات گذشته آن میباشد. دادههاي مورد استفاده در این تحقیق تعداد خودروهاي عبوري از قسمتی از بزرگراه بین ایایتی 35E در ایالت مینسوتا1 است، در دوره چهار ماهه و بازههاي زمانی 15 دقیقهاي میباشد. که ما در نهایت میخواهیم با استفاده از دادههاي گذشته و همچنین پیش بینی بلند مدت همان داده ها به پیش بینی کوتاه مدت دقیق تري از جریان ترافیک بپردازیم. رفتار ترافیکی به دلیل دخالت عوامل گوناگون انسانی و شرایط متغیر محیطی، غیرخطی و غیرایستا می-باشد، درنتیجه براي مدل کردن و پیش بینی آن نیز باید از خانواده مدلهاي غیرخطی غیرایستا سود جست. در این مقاله سعی شده است که از مدل غیرخطی شبکه عصبی چندلایه2 براي تخمین جریان ترافیک استفاده شود.
کلید واژه: سیستمهاي حمل و نقل هوشمند، پیش بینی کوتاه مدت جریان ترافیک، شبکه عصبی
-1 مقدمه
معضل ترافیک از اواسط قرن بیستم با تولید انبوه اتومبیلها آغاز شد. به تدریج در بسیاري از کشورها مشکلات حمل و نقل و ترافیک به یکی از چالشهاي مهم اجتماعی تبدیل شد و سهم قابل توجهی از سرمایههاي ملی هر کشور را به خود اختصاص داد. امروزه دستیابی به حملونقل ایمن، ارزان و کارا به یکی از آرزوها و اهداف اصلی سیاستهاي توسعهاي 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 90 میلادي متخصصان متوجه شدند که ظرفیتها و امکانات جدید، دیگر جوابگوي نیازهاي حملونقل نخواهد بود. از طرف دیگر پیشرفت فناوريهاي روز، شرایط مناسبی را براي یک مدیریت هوشمندانه، هدفمند و هماهنگ به منظور ارتقاي بهرهوري و افزایش کارایی شبکه محقق کرد. بدینگونه بود که در ابتداي دهه 90 میلادي سیستمهاي حملونقل هوشمند به مفهوم امروزي آن متولد شد. البته قبل از دهه 90 پروژههایی نظیر نصب دوربین در تقاطعهاي شهري و نیز کنترل هوشمند زمانبندي چراغهاي راهنمایی در بسیاري از کشورها آغاز شده بود اما واژه سیستمهاي حمل و نقل هوشمند3 مشخصاً از سال 1990 براي اولین بار در آمریکا رایج شد.
ITS نام اختصاري عبارت Intelligent Transportation Systems است، که دربردارنده کلیه فناوريهاي اطلاعات، مخابرات، کنترل، مهندسی سیستم و نیز استراتژيها، تصمیمگیريهاي مدیریتی و سازوکارهاي هماهنگ کنندهاي است که در نتیجه به کارگیري آنها بهبود پارامترهاي حملونقل و ترافیک نظیر کاهش زمان سفر، کاهش مصرف سوخت، افزایش ایمنی، بهبود کیفیت زندگی، حفظ محیط زیست و افزایش کارآیی فعالیتهاي اقتصادي حاصل میشود. تراکم ترافیک در مسیرهاي شهري و شبکههاي بزرگراه باعث تنزل شدید زیرساخت شبکه و بنابراین کاهش توان عملیاتی میشود که میتوان از طریق استراتژيها و اقدامات کنترلی مناسب با آنها مواجه شد. سیستمهاي 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 بسیاري از مسیرها مجموعهاي از اقدامات کنترلی به کار برده میشود تا به همگن شدن جریان ترافیک منتج شود.
در ادامه این مقاله، در بخش دوم چگونگی انتخاب کاندیداهاي ورودي 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 گیري ارائه خواهد شد.
-2 الگوریتم انتخاب ورودي
از این الگوریتم براي یافتن یک زیرمجموعه بهینه از مجموعه اولیه کاندیداهاي ورودي استفاده می-کنیم. هدف این است که ارتباط بین ورودي-خروجی را بیشینه و اطلاعات تکراري بین وروديها را کمینه کنیم. در این الگوریتم از دو دیدگاه به جریان ترافیکی نگاه میشود. یکی دیدگاه کوتاه مدت به ترافیک است و دیگري تکرار الگوي ترافیکی به صورت هفتگی میباشد. بنابر دیدگاه کوتاه مدت ترافیک، نرخ عبوري خودروها تغییرات پیوستهاي دارد. به عنوان مثال نرخ عبوري خودروها در زمان آینده نزدیک بستگی بسیاري به نرخ عبوري خودروها در زمان حال دارد. با توجه به این ویژگی استفاده از دادههاي گذشته نزدیک به عنوان یک عامل تاثیر گذار امري ضروري میباشد.
دردیدگاه بلند مدت تشابه الگوي ترافیکی روزهاي هفته مورد نظر میباشد، به این مفهوم که رفتار ترافیکی یک روز خاص در هفتههاي متفاوت الگویی تکرار شونده دارد. بنابراین براي هر یک از روز هاي هفته میتوان یک الگوي نسبتا ثابتی در نظر گرفت.
پس از اعمال الگوریتم اطلاعات متقابل[1] 4 به داده هاي 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 هاي 1 ربع و نیم ساعت پیش به عنوان مرتبط ترین داده ها تشخیص داده شده اند و همچنین داده هاي مربوط به یک هفته پیش زمان مورد بررسی نیز به دلیل رفتار تکرار شونده هفتگی جریان ترافیکی به عنوان داده هاي مرتبط بعدي در نظر گرفته شده اند.
-3 شناسایی سیستم توسط شبکه عصبی چند لایه
از آنجا که سیستم مورد مطالعه به دلیل وجود عوامل انسانی، رفتاري غیرخطی از خود نشان میدهد، براي شناسایی رفتار سیستم موجود، از شبکه عصبی چند لایه که ابزاري قدرتمند براي این منظور است، بهره میبریم (براي مطالعه دقیق تر در شبکههاي عصبی میتوان به مراجع [2]، [3] و [7]
مراجعه نمود). حال با استفاده از کاندیداهاي ورودي که ترتیب اهمیت آنها را میتوان با بکارگیري الگوریتم انتخاب ورودي، که در بالاتر شرح داده شده است، شبکه عصبی را آموزش داد. یک مساله اساسی در بکارگیري شبکه عصبی، تعیین تعداد مناسب وروديها و نرونهاي آن میباشد. براي این منظور تعداد نرونها و همچنین تعداد وروديها را به صورت متغیر تعریف میکنیم و بعد با توجه به اینکه کدام تعداد نرون و ورودي کمترین خطا را براي دادههاي تست ایجاد کردهاند، تعداد بهینه را براي این دو کمیت انتخاب میکنیم. این انتخاب توسط رسم نموداري سه بعدي، همانند آنچه به عنوان نمونه در زیر آمده است، انجام میپذیرد (شکل .(1
شکل :1 نمودار خطا بر حسب تعداد وروديها و نرونهاي لایه میانی در شبکه عصبی
-4 استفاده از پیش بینی بلند مدت براي پیش بینی کوتاه مدت
همان طور که در قسمت هاي قبل نیز ذکر شد، رفتار ترافیکی به صورت هفتگی رفتاري 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 هاي پیش بینی رفتار ترافیکی از داده هاي هفته هاي گذشته به عنوان داده هاي ورودي اساسی استفاده می شود. اما نکتهاي 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 بسیاري باعث ایجاد تغییرات جزئی و یا کلی در آنها می شود. از یک فردي که هر روز ساعت 7 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 بسیاري از جمله نحوه خواب شب قبل، روحیه، و یا حتی طرز تهیه صبحانه این فرد منزل خود را یک روز در ساعت
