اثر داده ها ی جستجوی گوگل در پیش بینی حجم تردد راه با استفاده از رویکرد سری زمانی

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:

پیش بینی حجم تردد ، جستج و گوگل ، سری زمانی ، آریما