پیاده سازی رویکرد ترکیبی میانگین متحرک یکپارچه خودرگرسیون-شبکه عصبی و میانگین متحرک یکپارچه خودرگرسیون-روش پیش بینی محلی در سیستم مدیریت ترافیک. مطالعه موردی: فرودگاه یک کلان شهر

امروزه، باتوجه به ضرورت انجام پیش بینی در بسیاری از مسایل دنیای واقعی، پیش بینی سری های زمانی یکی از موضوعات اصلی مورد بحث و تحقیق می باشد. مدیریت حمل ونقل کلان شهرها یکی از مسایل چالش برانگیز در حیطه پیش بینی است. پیش بینی دقیق و قابل اطمینان از جمله نیازهای یک سیستم حمل ونقل هوشمند می باشد. در این مطالعه، هدف پیش بینی تعداد مسافرین ورودی به فرودگاه یک کلان شهر جهت ارایه خدمات مطلوب به مسافرین است. متغیر مورد مطالعه در این مقاله مشابه مفهوم متغیر جریان در مدیریت ترافیک می باشد. اغلب مطالعات انجام شده در حیطه مدیریت ترافیک از روش های خطی و یا غیرخطی برای پیش بینی آینده بهره گرفته اند و مزایای استفاده از رویکردهای ترکیبی مورد توجه قرار نگرفته است. در مطالعات پیشین، روش های ترکیبی میانگین متحرک یکپارچه خودرگرسیون-شبکه عصبی مصنوعی (ARIMA-ANN) متنوعی توسعه یافته اند که روابط میان داده ها را بررسی می کنند. مطالعه حاضر، از یک رویکرد ARIMA-ANN برای تجزیه داده ها به دو قسمت کم نوسان و پرنوسان و انجام پیش بینی دقیق استفاده می کند. علاوه بر این، در این مطالعه محققین یک رویکرد ترکیبی جدید، میانگین متحرک یکپارچه خودرگرسیون-تکنیک پیش بینی محلی (ARIMA-Local) برای بررسی کارایی سایر روش های غیرخطی ارایه کرده اند. نتایج عددی حاصل از پیاده سازی روش های مذکور بر روی مطالعه موردی، دقت بالای روش ARIMA-ANN در پیش بینی و همچنین قابلیت بهتر روش ARIMA-Local در مقایسه با روش های انفرادی شبکه عصبی مصنوعی و هموارسازی نمایی را نشان می دهد.