پیش بینی کوتاه مدت سرعت ترافیک با استفاده از الگوریتم LSTM یادگیری عمیق

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
زمینه و هدف
پیش بینی کوتاه مدت سرعت ترافیک موضوعی امیدوارکننده در سیستم های حمل ونقل هوشمند (ITS) است. سرعت ترافیک شهری هم بستگی زمانی-مکانی قوی و ویژگی غیرخطی و تصادفی پیچیده دارد که پیش بینی دقیق و کارآمد سرعت های ترافیکی کوتاه مدت را چالش برانگیز می کند. این مقاله با استفاده از مدل پیشنهادی حافظه کوتاه مدت طولانی تزریقی (FI-LSTM) که یک مدل یادگیری عمیق است، سرعت ترافیک را پیش بینی می کند.
روش
با بررسی پژوهش های گذشته دریافتیم اگرچه اکثر روش ها می توانند دقت خوبی داشته باشند، اما برای ارتقای دقت پیش بینی، یک راه عملی، رویکردی موثرتر برای تجزیه و تحلیل داده های ترافیک است. داده های ترافیکی فراوان و قدرت محاسباتی در سال های اخیر قابل دسترسی است، که ما را به بهبود دقت پیش بینی ترافیک کوتاه مدت از طریق رویکردهای یادگیری عمیق ترغیب می کند. مطالعات اخیر نشان داده اند که روش های یادگیری عمیق، به ویژه مدل های حافظه کوتاه مدت طولانی (LSTM) نتایج خوبی در پیش بینی کوتاه مدت جریان ترافیک دارند. در این پژوهش با استفاده از مدل پیشنهادی که داده های زمانی متوالی را ترکیب می کند، چهار مدل یادگیری عمیق مقایسه می شود و در سه بازه زمانی بررسی می شود. متاسفانه برداشت داده در ایران به صورت کوتاه مدت وجود ندارد و داده ها با دقت پایین به صورت ساعتی برداشت می شود و در این پژوهش به ناچار از داده های سرعت ترافیک حلقه آشکارساز آزادراه I405 شهر سیاتل واشنگتن استفاده شده است.
یافته ها
با توجه به نتایج به دست آمده، دقت مدل پیشنهادی نسبت به کمترین دقت مدل های دیگر یادگیری عمیق (BiLSTM) 41/0درصد بیشتر است و هم چنین مدل پیشنهادی برای پیش بینی سرعت ترافیک در گام زمانی 5 دقیقه 34/1درصد بهتر نسبت به گام زمانی 10 دقیقه عمل کرده است.
نتیجه گیری
نتایج نشان می دهد مدل پیشنهادی، دقت خوبی نسبت به دیگر مدل ها دارد و هرچه بازه زمانی بیشتر می شود، خطا بیشتر و دقت کاهش پیدا می کند و در 23 دسامبر بیشترین خطا را نشان می دهد که این به دلیل تغیر سفرها در ایام کریسمس است.
زبان:
فارسی
صفحات:
31 تا 60
لینک کوتاه:
magiran.com/p2588129 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!