پیش بینی وضعیت ترافیک راه های برون شهری، رویکرد آماری در مقابل رویکرد یادگیری ماشین

پیش بینی کوتاه مدت پارامترهای ترافیکی راهکاری برای ایجاد تعادل بین عرضه و تقاضا به شمار می رود. با پیش بینی پارامتر وضعیت ترافیک (شامل چهار وضعیت سبک، نیمه سنگین، سنگین و راهبندان) برایآینده ی نزدیک، هم گرداننده سیستم آمادگی لازم برای مواجهه با بروز تراکم ترافیک را دارد و هم استفاده کننده می تواند سفر خود را برای ساعات و روزهای آتی برنامه ریزی کند. در این پژوهش به منظور پیش بینی کوتاه مدت این پارامتر از روش های شبکه عصبی مصنوعی و لوجیت چندگانه استفاده شده است. مجموعه داده ی مورد استفاده، مربوط به مقطعی از محور برون شهری کرج-چالوس است. از آنجا که ویژگی های برداشت شده از تنوع و تعداد زیادی برخوردار است و مدل سازی لوجیت چندگانه با تعداد متغیرهای زیاد با چالش مواجه است از تحلیل مولفه اساسی به منظور کاهش ابعاد داده استفاده شده است. نتایج نشان می دهد، میانگین دقت پیش بینی وضعیت ترافیک با ۹۲ متغیر اولیه و ۳۰ متغیر (از ۲۸۰ متغیر دامی شده) به دست آمده از تحلیل مولفه های اساسی برای مدل شبکه عصبی مصنوعی به ترتیب برابر با ۶۸/۸۶ و ۶۳/۶۲ است و برای مدل لوجیت چندگانه با استفاده از ۳۰ متغیر به دست آمده از تحلیل مولفه های اساسی برابر با ۷۳/۸۳ است.

کلیدواژه ها:

پیش بینی کوتاه مدت ، شبکه عصبی مصنوعی ، لوجیت چندگانه ، وضعیت ترافیک ، تحلیل مولفه های اساسی