پیشبینی سرعت ترافیک با استفاده از نظریه اطلاعات متقابل
محل انتشار: یازدهمین کنفرانس مهندسی حمل و نقل و ترافیک ایران
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,134
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TTC11_121
تاریخ نمایه سازی: 20 مرداد 1391
چکیده مقاله:
امروزه یکی از مسایل موجود در سیستمهای حمل و نقل هوشمند، پیشبینی جریان و سرعت ترافیک میباشد که نقش مهمی را در مباحث کنترل ترافیک، کنترل چراغهای راهنمایی، کنترل زمان سفر و ... دارد. دیدگاه استفاده از اطلاعات متقابلMutual Information یک ایده جالب برای بهدست آوردن میزان وابستگی موجود بین دادههای گذشته میباشد که میتواند میزان وابستگی غیرخطی موجود بیندادهها را بهدست آورد. با محاسبه این تقابل اطلاعات بین دادههای گذشته و انتخاب بهترین دسته داده برای عملیات پیشبینی سعی کردهایم که در عین کاهش حجم محاسباتی، دقت پیشبینی را نیز افزایش دهیم. در این مقاله با توجه به قدرت سیستمهای هوشمند در زمینه مدلسازی و پیشبینی، از شبکه عصبیMLP برای پیشبینی سرعت ترافیک استفاده شده و عملکرد آن مورد مقایسه با روشهای معمولی قرار گرفته است که حاکی از بالا بودن دقت پیشبینی سرعت ترافیکبا استفاده از تقابل اطلاعات و شبکه عصبی میباشد. با توجه به متفاوت بودن الگوهای رفتاری سرعت ترافیک، استفاده از این روش بهعنوانمدل غیرخطی تطبیقپذیر با شرایط محیطی بسیار مناسب میباشد. برای ارزیابی عملکرد پیشبینیهای طراحی شده از دادههای ترافیکی مربوط به کشور آمریکا استفاده شده است
کلیدواژه ها:
نویسندگان
سیدهادی حسینی
گروه مهندسی برق، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
بهزاد مشیری
گروه مهندسی کنترل، دانشکده برق و کامپیوتر دانشگاه تهران
اشکان رحیمی کیان
گروه مهندسی کنترل، دانشکده برق و کامپیوتر دانشگاه تهران
بابک نجاراعرابی
گروه مهندسی کنترل، دانشکده برق و کامپیوتر دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :