شناسایی الگوهای زمانی و مکانی جریان ترافیک و پیش بینی آن با استفاده از داده های سرویس نشان و یادگیری ماشین

مدل سازی، تحلیل و پیش بینی ترافیک شهری نیاز به داده های دقیق دارد. اما پیش بینی دقیق و اقتصادی وضعیت ترافیک یک مسئله چالش برانگیز است؛ زیرا شمارش خودرو تنها در مکان هایی که به حسگرهای ثابت ترافیکی مجهز هستند، امکان پذیر است. در این پژوهش، برای اولین بار در ایران برای مواجهه با کمبود و یا نقص داده های ترافیکی، از داده های مسیریابی سرویس نشان استفاده می شود که امکان ثبت مدت زمان سفر در ساعات مختلف شبانه روز و برآورد حجم ترافیکی یال های شهری برای ۲۴ ساعت آینده فراهم می کند. این سامانه مجموعه ای از وب سرویس ها را در اختیار کاربران قرار می دهد که امکان دسترسی به این داده ها را فراهم می سازند. یکی از این خدمات، وب سرویس ماتریس فاصله است که فاصله و زمان سفر میان مجموعه ای از نقاط مبدا و مقصد را محاسبه می کند. به عنوان یک مطالعه موردی، داده های مربوط به مدت زمان سفر خیابان کمال شهر اصفهان در طی ۲۴ روز برای ساعات مختلف جمع آوری می شود. برای پیش بینی ترافیک از روش های یادگیری ماشین، از جمله درخت های تقویت شده با گرادیان استفاده می شود. با به کارگیری ویژگی های متنوع ورودی به بهبود دقت پیش بینی کمک می کند. نتایج این پژوهش نشان دهنده دقت بالای مدل پیشنهادی است؛ به طوری که ضریب (R²) به ۹۳/۰ می رسد که عملکرد بسیار مطلوب و قابل اعتماد این روش را تایید می کند.

کلیدواژه ها:

استخراج داده های ترافیکی ، الگوریتم XGBoost ، پیش بینی حجم ترافیک ، سرویس نشان