مروری بر کاربرد انواع مدل های مبتنی بر یادگیری عمیق در پیش بینی پارامترهای جریان ترافیک
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 140
فایل این مقاله در 42 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:
JR_TMSJR-16-4_006
تاریخ نمایه سازی: 14 بهمن 1402
چکیده مقاله:
زمینه و اهداف: امروزه با وجود حجم انبوه داده های ترافیکی، پیش بینی جریان ترافیک براساس روش های یادگیری ماشین چالش برانگیز شده است. این مقاله با مروری بر کاربرد مدلهای یادگیری عمیق در پیشبینی پارامترهای جریان ترافیک سبب میشود تا متخصصان ترافیک با شناختی مناسب روشهای یادگیری عمیق را به کار گیرند.روش: این مقاله یک ساختار فراتحلیلی از مهم ترین تحقیقات منتشرشده در ده سال اخیر را ارائه داده است. شامل ۱۳ مقاله برای کاربرد مدل های تک لایه یادگیری عمیق و ۳۲ مقاله برای مدل های چندلایه از پایگاههای مطالعاتی معتبر خارجی و هم چنین، ۵ مقاله از پایگاه های جستجوی مقالات داخلی به منظور بررسی کاربرد مدل های یادگیری عمیق در پیش بینی سرعت، حجم و چگالی ترافیک بررسی شدند.یافته ها: مرور منابع نشان میدهد که تحقیقات در مورد پیش بینی پارامترهای ترافیکی در سال های اخیر از مدل های آماری سنتی به روشهای یادگیری عمیق مبتنی بر داده کاوی تغییر یافته است زیرا دقت، استحکام و سرعت مدل های مبتنی بر یادگیری عمیق در پیش بینی پارامترهای جریان ترافیک در مقایسه با روش های پیشین بیشتر است. هم چنین نتایج نشان داد که مدل های به وجودآمده از ترکیب چند مدل یادگیری عمیق نسبت به مدل های تک لایه عملکرد بهتری دارند.نتیجه گیری: نتایج حاصل از مقالات بررسی شده نشان داده است که مدل های یادگیری عمیق در پیش بینی پارامترهای جریان ترافیک در مقابله با داده های دارای نویز (نوسان) بالا دچار ضعف هستند و لذا روش های هم جوشی (ترکیبی) برای رفع این معضل پیشنهاد می شوند. هم چنین باید توجه داشت که مدل مناسبی برای تمام شرایط وجود ندارد و این موضوع تابع شرایط تعریف کننده مسئله و نوع داده است.
کلیدواژه ها:
نویسندگان
امیرحسین زمانی
کارشناس ارشد برنامه ریزی حمل ونقل، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران
حمید میرزاحسین
دانشیار گروه عمران، برنامه ریزی حمل ونقل، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران
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 :