کاربرد شبکه های عصبی RBF در شبکه حمل و نقل شهری

افزایش حجم ترافیک و ایجاد گره های ترافیکی در راه های بین‌شهری و همچنین شبکه ترافیک شهری سبب کاهش کارایی شبکه ترافیکی و راه های مورد نظر میشود. پیشبینی و کشف هرچه سریعتر این گره های ترافیکی میتواند کمک شایانی به حل مشکل و روان‌سازی جریان ترافیک نماید. شبکه های عصبی مصنوعی نشان داده اند 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 گره های ترافیکی با استفاده از مدل شبکه عصبی هوشمند و مقایسه کارایی مدل با مدلهای دیگر موجود است. این مقاله رویکردی را مطرح می کند که ترکیبی از داده های مطلوب و اطلاعات زمان واقعی برای پیش بینی زمان رسیدن اتوبوس می باشد. این رویکرد شامل دو مرحله است. اولا، مدل شبکه های عصبی براساس تابع پایه شعاعی  برای تقریب رابطه غیر خطی در داده های مطلوب، سپس در دومین مرحله، یک روش انلاین بر ای تعدیل وضعیت واقعی معرفی می شود.در ادامه، یک مطالعه ازمایشی بر روی مسیر شماره 21 اتوبوس در دالیان با استقرار این سیستم بر ای اثبات اعتبار و اثر بخشی این رویکرد انجام شد. به علاوه، مدل رگرسیون خطی چندگانه، شبکه های عصب و بدون تعدیل انلاین استفاده می شود. نتایج نشان می دهد که رویکرد با و تعدیل انلاین دارای عملکرد پیش بینی بهتری است.