پیش بینی وضعیت ترافیک با الگوریتم های یادگیری ماشین برای افق های زمانی کوتاه و میان مدت

پیش بینی متغیرهای ترافیکی و اطلاع رسانی آن به مسافرین و گردانندگان شبکه حمل ونقل یکی از راه کارهای مدیریت تقاضای سفر است. با اطلاع رسانی وضعیت آینده ترافیک از طریق سیستم های حمل ونقل هوشمند، آمادگی بیشتری جهت اجتناب از وقوع تراکم ترافیک به وجود می آید. در این مطالعه به منظور پیش بینی وضعیت ترافیک ساعتی، شامل سه وضعیت روان، نیمه سنگین و سنگین، در جاده برون شهری کرج به چالوس در شمال ایران، سه مدل یادگیری ماشین، شامل ماشین بردار پشتیبان، جنگل تصادفی و حافظه طولانی کوتاه مدت به دو صورت کوتاه مدت و میان مدت آموزش داده شده اند. متغیرهای پیش بینی کننده در مدل های میان مدت اطلاعات تقویمی، آب وهوا و محدودیت های ترافیکی هستند درصورتی که در مدل های کوتاه مدت علاوه بر متغیرهای نامبرده، وضعیت ترافیک مشاهده شده در سه تا هشت ساعت گذشته نیز استفاده شده است و این مدل ها تنها قادر به پیش بینی وضعیت ترافیک یک و دو ساعت آینده هستند. نتایج نشان می دهد مدل حافظه طولانی کوتاه مدت با دقتی معادل با 11/90 درصد دقیق ترین مدل پیش بینی کننده وضعیت ترافیک با افق کوتاه مدت است. این مدل برای افق بلندمدت نیز متغیر وضعیت ترافیک را با 07/82 درصد دقت، دقیق تر از دو مدل دیگر پیش بینی کرده است و بیشترین مقادیر شاخص F (F1) برای پیش بینی سه وضعیت ترافیک سبک، نیمه سنگین و سنگین را به همراه داشته که به ترتیب برابر با 86/0، 93/0 و 81/0 به دست آمده اند. همچنین متغیرهای ساعت و تعطیلی همان روز و نوع تعطیلی و متغیرهای مشاهدات سه تا هشت ساعت پیش وضعیت ترافیک به ترتیب بیشترین تاثیر را بر افزایش دقت مدل های میان مدت و کوتاه مدت دارند.