خوشه بندی تقاطعاتی که وضعیت ترافیکی مشابهی در شبکه شهری دارند، نمونه موردی تقاطعات شهر مشهد

در این مقاله به خوشه بندی تقاطعات با هدف شناسایی تقاطعاتی که وضعیت ترافیکی مشابه دارند، پرداخته شده است. شناسایی وضعیت ترافیکی تقاطعات مشابه در سطح شبکه شهری سبب مدیریت بهتر شبکه تقاطعات و طراحی مسیر ترافیکی و مدیریت کارآمد شبکه تقاطعات شهری می شود. برای خوشه بندی تقاطعات داده های ۱۵۵ تقاطع از تقاطعات شهر مشهد جمع آوری شد. پس از پیش پردازش داده ها ویژگی موثر برای خوشه بندی تقاطعات مشابه، آماده سازی شد. سپس با استفاده از الگوریتم K-Means و دو معیار ارزیابی آرنج و نیمرخ خوشه بندی تقاطعات صورت گرفت. نتیجه خوشه بندی، دسته بندی تقاطعات مشابه و تعیین وضعیت ترافیکی آن می باشد. نتایج بدست آمده در تصمیم گیری و مدیریت تقاطعات شهری و طراحی مسیر، بسیار مفید و اثربخش می باشد.

کلیدواژه ها:

خوشه بندی تقاطعات ، شرایط ترافیکی ، یادگیری ماشین ، الگوریتم K-Means