«پیش بینی هوشمند جریان ترافیک شهری با استفاده از سیستم های تطبیقی عصبی-فازی و تحلیل رفتارهای آشوبناک»

پیش بینی دقیق جریان ترافیک شهری نقش کلیدی در بهینه سازی مدیریت حمل ونقل و کاهش تراکم ترافیکی ایفا می کند. در این پژوهش، یک مدل هوشمند ترکیبی مبتنی بر سیستم های تطبیقی عصبی-فازی (ANFIS) و تحلیل رفتارهای آشوبناک برای پیش بینی تغییرات جریان ترافیکی توسعه داده شده است. روش تحقیق شامل جمع آوری داده های زمانی ترافیک از بلوار فردوسی مشهد، پردازش این داده ها با مدل ANFIS، و تحلیل پایداری دینامیکی سیستم با استفاده از نمای لیاپانوف به منظور شناسایی ماهیت آشوبناک جریان ترافیک است. نوآوری پژوهش در بهره گیری هم زمان از مدل های یادگیری تطبیقی و تحلیل های غیرخطی برای بهبود دقت پیش بینی و استخراج الگوهای پنهان در نوسانات ترافیکی است. نتایج کیفی تحقیق نشان می دهند که مدل پیشنهادی در مقایسه با روش های کلاسیک (مانند مدل های رگرسیونی و ARIMA)، قابلیت بالاتری در شناسایی تغییرات ناگهانی جریان ترافیک داشته و متوسط خطای پیش بینی را تا ۲۱ درصد کاهش داده است. این یافته ها بیانگر آن است که رویکرد ارائه شده می تواند به عنوان یک ابزار تصمیم یار موثر در سامانه های مدیریت هوشمند ترافیک مورد استفاده قرار گیرد.

کلیدواژه ها:

پیش بینی جریان ترافیک شهری ، سیستم استنتاج فازی-عصبی تطبیقی ، تحلیل رفتارهای آشوبناک ، نمای لیاپانوف ، مدل سازی غیرخطی ترافیک