پیش بینی کوتاه مدت جریان ترافیک با استفاده از اطلاعات متقابل در حضور ازدست دادن داده ها

یکی از مسایل موجود در سیستمهای حمل و نقل هوشمند، پیش بینی جریان ترافیک می باشد که نقش مهمی را در مباحث کنترل ترافیک، کنترل چراغهای راهنمایی و کنترل زمان سفر دارد. دیدگاه استفاده از اطلاعات متقابل (Mutual Information) یک ایده جالب برای به دست آوردن میزان وابستگی موجود بین داده های گذشته میباشد که میتواند میزان وابستگی غیرخطی موجود بین دادهها را به دست آورد. با محاسبه این تقابل اطلاعات بین دادههای گذشته و انتخاب بهترین دسته داده برای عملیات پیش بینی سعی کرده ایم که در عین کاهش حجم محاسباتی، دقت پیش بینی را نیز افزایش دهیم. در این مقاله با توجه به متفاوت بودن الگوهای رفتاری جریان ترافیک، با ترکیب نظریه اطلاعات متقابل با شبکه عصبی به پیش بینی کوتاه مدت جریان ترافیک با در نظر گرفتن انواع حالتهای مختلف اغتشاشی همچون امکان از دست دادن داده ها و یا معیوب شدن آنها تحت شرایط مختلف آب و هوایی نظیر بارش باران و یا برف و شرایط مختلف ترافیکی مانند وقوع ازدحام و تصادف در جاده، پرداخته و عملکرد این مدل پیش بینی مورد مقایسه با روشهای معمولی و گذشته قرار گرفته است که حاکی از بالا بودن دقت پیش بینی جریان ترافیک با استفاده از ترکیب اطلاعات متقابل و شبکه عصبی میباشد.

کلیدواژه ها:

سیستم حمل و نقل هوشمند ، اطلاعات متقابل ، پیش بینی جریان ترافیک ، داده های اغتشاشی ترافیک