پیش بینی کوتاه مدت جریان ترافیک با استفاده از شبکه عصبی برگشتی-المن، مبتنی بر استخراج ویژگی و آموزش عاطفی

پیش بینی دقیق، پویا و قابل اطمینان جریان ترافیک، اساس مدیریت ، کنترل و بهینه سازی سیستم های حمل ونقل هوشمند است . امروزه ازروش های متفاوتی برای کنترل جریان ترافیک استفاده می شود، که تمامی این روش ها نیاز به قابلیت اطمینان بالا در پیش بینی دارند. با توجهبه توانایی بالای شبکه های عصبی مبتنی بر عمق حافظه، در مدل سازی سیستم های غیرخطی و متغیر با زمان، در این مقاله، جهت پیش بینیجریان ترافیک از شبکه عصبی برگشتی-المن استفاده شده است. داده های مورد استفاده در این تحقیق برگرفته از بزرگراه I-494 ، شهرمینسوتا آمریکا در دوره شش ماهه با بازه های زمانی ساعتی می باشد. به منظور آموزش پارامترهای آزاد همچون وزن های شبکه عصبی ازالگوریتم عاطفی بر مبنای گرادیان نزولی استفاده شده است، که این روش بر اساس تابع معیار خطا و تغییرات خطا عمل می کند. بنابراین درفرآیند آموزش، خطای لحظه های قبل، که بیانگر اطلاعات گذشته سیستم می باشد، تاثیر بهتری در روند یادگیری شبکه عصبی خواهد داشت.جهت استخراج ویژگی و انتخاب ورودی های مناسب شبکه، دیدگاه تئوری اطلاعات متقابل بکار گرفته شده است که با انتخاب زیرمجموعهمناسب از داده ها برای عملیات پیش بینی، در عین کاهش حجم محاسبات، منجر به افزایش دقت پیش بینی نیز گردیده است.

کلیدواژه ها:

شبکه عصبی برگشتی-المن ، آموزش عاطفی ، اطلاعات متقابل ، سیستم حمل ونقل هوشمند و پیش بینی جریان ترافیک