پیش بینی کوتاه مدت سرعت ترافیک با استفاده از الگوریتم LSTM یادگیری عمیق

زمینه و هدف: پیش بینی کوتاه مدت سرعت ترافیک موضوعی امیدوارکننده در سیستم های حمل ونقل هوشمند (ITS) است. سرعت ترافیک شهری هم بستگی زمانی-مکانی قوی و ویژگی غیرخطی و تصادفی پیچیده دارد که پیش بینی دقیق و کارآمد سرعت های ترافیکی کوتاه مدت را چالش برانگیز می کند. این مقاله با استفاده از مدل پیشنهادی حافظه کوتاه مدت طولانی تزریقی (FI-LSTM) که یک مدل یادگیری عمیق است، سرعت ترافیک را پیش بینی می کند.روش: با بررسی پژوهش های گذشته دریافتیم اگرچه اکثر روش ها می توانند دقت خوبی داشته باشند، اما برای ارتقای دقت پیش بینی، یک راه عملی، رویکردی موثرتر برای تجزیه و تحلیل داده های ترافیک است. داده های ترافیکی فراوان و قدرت محاسباتی در سال های اخیر قابل دسترسی است، که ما را به بهبود دقت پیش بینی ترافیک کوتاه مدت از طریق رویکردهای یادگیری عمیق ترغیب می کند. مطالعات اخیر نشان داده اند که روش های یادگیری عمیق، به ویژه مدل های حافظه کوتاه مدت طولانی (LSTM) نتایج خوبی در پیش بینی کوتاه مدت جریان ترافیک دارند. در این پژوهش با استفاده از مدل پیشنهادی که داده های زمانی متوالی را ترکیب می کند، چهار مدل یادگیری عمیق مقایسه می شود و در سه بازه زمانی بررسی می شود. متاسفانه برداشت داده در ایران به صورت کوتاه مدت وجود ندارد و داده ها با دقت پایین به صورت ساعتی برداشت می شود و در این پژوهش به ناچار از داده های سرعت ترافیک حلقه آشکارساز آزادراه I۴۰۵ شهر سیاتل واشنگتن استفاده شده است.یافته ها: با توجه به نتایج به دست آمده، دقت مدل پیشنهادی نسبت به کمترین دقت مدل های دیگر یادگیری عمیق (BiLSTM) ۴۱/۰درصد بیشتر است و هم چنین مدل پیشنهادی برای پیش بینی سرعت ترافیک در گام زمانی ۵ دقیقه ۳۴/۱درصد بهتر نسبت به گام زمانی ۱۰ دقیقه عمل کرده است.نتیجه گیری: نتایج نشان می دهد مدل پیشنهادی، دقت خوبی نسبت به دیگر مدل ها دارد و هرچه بازه زمانی بیشتر می شود، خطا بیشتر و دقت کاهش پیدا می کند و در ۲۳ دسامبر بیشترین خطا را نشان می دهد که این به دلیل تغیر سفرها در ایام کریسمس است.

کلیدواژه ها:

پیش بینی سرعت ترافیک ، یادگیری عمیق ، شبکه های LSTM