مدل های ترافیکی مکانی- زمانی در گستره شبکه های راه داخل شهر در مقیاس بزرگ با استفاده از الگوریتم های یادگیری ماشین (MNMF)

شناسایی و تجزیه و تحلیل الگوهای ترافیکی مکانی- زمانی محدود در شبکه های راه فرآیندی با اهمیت برای مدیریت و کنترل ترافیک پیشرفته محسوب می شود. روش های کلاسیک بسیار کمی که می توان از آنها در شبکه های بزرگ شهری استفاده کرد، مبتنی بر معادلات ریاضی و مدلسازی های آماری هستند، و برای مسائل ترافیکی که درجه بالایی از پویایی و پیچیدگی دارند عملاً ناتوان هستند. پیشرفت در جمع آوری داده ها و پردازش داده ها فرصت های جدیدی را فراهم کرده است تا بتوان مدل های ترافیکی مکانی- زمانی در مسائل راه در مقیاس بزرگ را بصورت مؤثر با استفاده از روش های داده محور تجزیه و تحلیل کرد. در این تحقیق، الگوریتم تجزیه ماتریس غیرمنفی اصلاح شده را که برای تحلیل داده های ترافیکی با ابعاد بزرگ مناسب است، مورد بررسی قرار داده ایم که وضعیت ترافیک کلی را به شکل بهبود یافته ای شبیه سازی می کند. پس از تجزیه ماتریس، ماتریس هایی با ابعاد کوچکتر بدست می آید، که شامل مدل های مختلف ترافیکی هستند. نتایج نشان داد که الگوریتم اصلاح شده NMF می تواند مدل های مکانی- زمانی را که در داده های ترافیک مکان- زمان بصورت ضمنی هستند را با یکنواخت نمودن طرح وضعیت ترافیک کلی به نمایش هایی با ابعاد کوچکتر متراکم تر کند و به عنوان پایه ای برای تحقیق در دینامیک مکانی- زمانی ساختارهای متراکم شبکه مورد بحث قرار می گیرد.

کلیدواژه ها:

شبکه با مقیاس بزرگ ، ترافیک ، مدل های مکانی- زمانی