پیش بینی حجم وسایل نقلیه ورودی به محدوده های ترافیکی با استفاده از یادگیری ماشین (نمونه موردی، شهر تهران)

پیش بینی حجم وسایل نقلیه به عنوان یکی از مولفه اصلی مدیریت ترافیک شناخته می شود و مدیریت آن، نقش موثری در بهبود کارایی ترافیک شبکه معابر شهری دارد. این پژوهش با استفاده از اطلاعات حجم وسایل نقلیه ورودی به محدوده های ترافیکی شهر تهران بین سال های ۱۳۹۶ الی ۱۴۰۰ و با بکارگیری از سه روش یادگیری ماشین (جنگل تصادفی، XGBoost و نزدیک ترین همسایه) به پیش بینی حجم وسایل نقلیه ورودی به هر یک از محدوده های ترافیکی (طرح ترافیک وکنترل آلودگی هوا) در گام زمانی یک ساعته پرداخته است. در این پژوهش علاوه براستفاده از متغیرهای متداول مانند مشاهدات تاریخی حجم وسایل نقلیه، داده های آب وهوا و زمان، از سیاست های مدیریت تقاضای سفر نیز به عنوان متغیرهای پیش بینی کننده استفاده کرده و با بررسی تحلیل حساسیت، سیاست های اثرگذارتر بر پیش بینی حجم وسایل نقلیه را مورد ارزیابی قرار داده است. نتایج نشان می دهد، مدل XGBoost و مدل جنگل تصادفی با میانگین درصد خطای مطلق ۸.۲% و ۱۱.۱۶% برای محدوده طرح ترافیک و کنترل آلودگی هوا، عملکرد مناسب تری در مقایسه با مدل نزدیک ترین همسایه دارد. تحلیل حساسیت متغیرهای مربوط به سیاست های مدیریت تقاضای سفر نشان می دهد، سیاست های "غیرحضوری شدن مراکز آموزشی" و اخذ عوارض محدوده طرح ترافیک و کنترل آلودگی هوا" بیشترین تاثیر و سیاست" اعمال محدودیت تردد بین استانی" کمترین تاثیر را در افزایش دقت پیش بینی دارند.

کلیدواژه ها:

پیش بینی ، حجم وسایل نقلیه ، مدیریت تقاضای سفر ، یادگیری ماشین ، Xgboost