اثر داده ها ی جستجوی گوگل در پیش بینی حجم تردد راه با استفاده از رویکرد سری زمانی
سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 319
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TTC19_211
تاریخ نمایه سازی: 26 خرداد 1402
چکیده مقاله:
پیش بینی جریان ترافیک از اهمیت ویژه ای در مدیریت ترافیک در راه ها برخوردار است. تحلیل خروجیمدل های پیش بینی ترافیک نقش مهمی در کاهش تراکم ترافیک. بهبود کیفیت هوا و تصمیم گیری بهترمدیران ایفا می کند. در این مطالعه هدف استفاده از داده های جستجو گوگل برای ساخت و پرداخت مدل هایپیش بینی به منظور افزایش دقت پیش بینی این مدل ها است. مجموعه داده شامل داده های ترافیکی،آب وهوا تقویمی، کرونا و جستجو کلمات از گوگل طی سال های ۱۳۹۴ تا ۱۴۰۰ است. از آنجا که داده هایمورد استفاده در این مطالعه در بستر زمانی به هم وابسته هستند از این رو، پیش بینی حجم تردد با استفاده ازمدل سری زمانی میانگین متحرک خود همبسته یکپارچه (آریما) انجام می پذیرد. مدل (۵,۰,۴) ARIMAمتغیرهای مربوط به جستجوی کلمه چالوس در همان روز و با ۱، ۲، ۳ و ۳۶ روز تاخیر به همراه برخی دیگراز متغیرها به نسبت مدل بدون جستجوی کلمه جالوس ۰/۸۷ درصد افزایش ضریب تعیین و به نسبت مدلبدون متغیر مستقل ۱۱/۶۴ درصد افزایش ضریب تعیین به دنبال داشت. همجنین استفاده از این متغیرهاباعث کاهش مقدار BIC نرمال شده است.
کلیدواژه ها:
نویسندگان
سیداحسان سیدابریشمی
دانشیار دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس
زینب نوراله زاده
دانشجوی کارشناسی ارشد برنامه ریزی حمل و نقل، دانشگاه تربیت مدرس
مریم ایرانمنش
دانشجوی دکتری برنامه ریزی حمل و نقل، دانشگاه تربیت مدرس