پیش بینی کوتاه مدت سرعت ترافیک با استفاده از شبکه های عصبی بازگشتی (RNN)

پیش بینی ترافیک، به عنوان بخش مهمی از سیستم های حمل و نقل هوشمند، نقش مهمی در نظارت بر وضعیت ترافیک ایفا می کند. با توجه به اینکه بسیاری از مطالعات کار پیش بینی سرعت ترافیک را با مدل های یادگیری عمیق انجام داده اند، همچنان پژوهشی بر روی پیش بین سرعت ترافیک در فصل های مختلف انجام نشده است.همچنین با توجه به تاثیرات مهم عوامل مکانی-زمانی و عملکرد عالی شبکه های عصبی بازگشتی (RNN) در زمینه تحلیل سری های زمانی، در این مقاله، یکی از شبکه های عصبی یادگیری عمیق که ویژگی های واحد بازگشتی گیتی تزریقی (FI_GRU) در داده های زمانی متوالی را ترکیب می کنند، پیشنهاد شده است. داده های مورد استفاده در این پژوهش از شبکه تجسم و ارزیابی فعال در شهر سیاتل ایالت متحده بدست آمده است. این پژوهش سه فصل بهار، تابستان و پاییز و چهار مدل یادگیری عمیق شامل LSTM وGRU و ConvLSTM و BiLSTM و یک مدل کم عمق SVM در سه گام زمانی 5دقیقه، 10دقیقه و15 دقیقه باهم مقایسه کرده است، نتایج این تحقیق نشان می دهد، مدل پیشنهادی در فصل های مختلف اختلافی چشمگیری نداشته است، و همچنین چهار مدل یادگیری عمیق ومدل SVM ، در فصل های مختلف اختلاف قابل توجه نداشته اند ، نتایج دیگرنشان می دهد هرچه بازه گام های زمانی بیشتر می شود خطاها بیشتر و دقت مدل کاهش پیدا می کند، با توجه به نتایج بدست آمده دقت مدل  FI-GRU نسبت به کمترین دقت مدل یادگیری عمیق  (BiLSTM) 52/0 درصد بیشتر است، و دقت مدل پیشنهادی نسبت به مدل کم عمق (SVM) 24/1درصد بیشتر است و همچنین مدل پیشنهادی برای پیش بینی سرعت ترافیک در گام زمانی 5 دقیقه 44/1درصد بهتر عمل کرده است.