ارائه یک مدل پیش بینی کوتاه مدت جدید از ترکیب ANN - SSA
- سال انتشار: 1399
- محل انتشار: همایش مجازی آموزش و پژوهش شهرداری های استان کرمان
- کد COI اختصاصی: ERCMKP01_002
- زبان مقاله: فارسی
- تعداد مشاهده: 575
نویسندگان
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد،کرمان، ایران دانشجوی دکتری دانشگاه آزاد واحد کرمان رشته مهندسی کامپیوتر گرایش نرم افزار
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد،کرمان، ایران دانشیار دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
چکیده
در این مقاله مقایسه ای از یک روش ترکیبی که ترکیبی از تجزیه و تحلیل طیف منفرد (SSA) با شبکه های عصبی مصنوعی (ANN) در برابر ANN معمولی، برای تجزیه و تحلیل سری های زمانی و پیش بینی حجم ترافیک جاده است ارائه شده است . هدف اصلی پژوهش ، ایجاد پیش بینی کوتاه مدت از حجم ترافیک روزانه در ایستگاه های عوارض در سراسر شبکه ملی بزرگراه های یونان بود. روش پیشنهادی بر اساس یک بستر نرم افزاری Mathworks MatLab ، با استفاده از نرم افزار پیش بینی یکپارچه سفارشی توسعه یافته و مورد ارزیابی قرار گرفت. نتایج تجربی داده های روزانه ، از ایستگاه های عوارض خاص ، دقت پیش بینی بیشتر روش ترکیبی SSA-ANN را در برابر ANN متعارف ، هنگامی که عملکرد معیارهای آماری مانند میانگین خطای مربعات ریشه (RMSE) ، میانگین خطای مطلق (MAE) و ضریب تعیین (R۲) را مقایسه می کند نشان می دهد. مقایسه نتایج نشان داد که مدل ترکیبی SSA-ANN می تواند دقت پیش بینی مدل ANN متعارف را در مورد پیش بینی حجم ترافیک روزانه بهبود بخشد. یک سیستم حمل و نقل هوشمند با الگوریتم پیش بینی ترکیبی SSA-ANN تعبیه شده می تواند سری زمانی حجم ترافیک داده بزرگ را در زمان واقعی مدیریت و تجزیه و تحلیل کند ، یک سیستم پشتیبانی تصمیم گیری پیشرفته را برای مدیریت و نگهداری سیستم حمل و نقل فراهم کند ، در حالی که این امر می تواند تصمیمات پیشگیرانه را برای کاهش اثرات اقتصادی و زیست محیطی ازدحام ترافیک امکان پذیر می کند.کلیدواژه ها
آنالیز طیف منفرد ، شبکه عصبی مصنوعی ، حجم ترافیک ، پیش بینی ، حمل و نقلمقالات مرتبط جدید
- چگونه توانستم با استفاده از روش یادگیری مشارکتی مهارت های کارگروهی دانش آموزانم در پایه دوم ابتدایی را ارتقا بخشم
- فرصت ها و چالش های آموزش و پرورش و نظام تعلیم و تربیت
- بررسی راهبردهای یاددهی، یادگیری در دوره ابتدایی، در نظام تعلیم و تربیت ایران
- از منبع دانش تا مربی یادگیری: چرا آموزش مهارت های دیجیتال به معلمان یک ضرورت است؟
- آموزش انعطاف پذیر برای پاسخ به نیاز های متنوع فرا گیران
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.