طراحی سیستم هشدار زودهنگام ترافیک با استفاده از یادگیری ماشین و تحلیل آمار فضایی-زمانی: مطالعه موردی شهر اراک

افزایش ترافیک در ساعات اوج، یکی از چالش های اساسی شهرهای بزرگ ایران است که منجر به اتلاف زمان، افزایش آلودگی هوا و کاهش کیفیت زندگی می شود. این پژوهش با هدف طراحی و ارزیابی یک سیستم هشدار زودهنگام ترافیک (ETWS) مبتنی بر یادگیری ماشین و تحلیل آمار فضایی-زمانی در شهر اراک انجام شده است. داده های ترافیکی از ۸۰ ایستگاه نظارت هوشمند (دوربین و حسگر) در ۵ مسیر پرتردد شهر جمع آوری شد. از ویژگی هایی مانند تراکم، سرعت متوسط، زمان، روز هفته، بارش و فصل استفاده شد. سه مدل درخت تصمیم (DT)، جنگل تصادفی (Random Forest) و شبکه عصبی مصنوعی (ANN) برای پیش بینی وقوع ترافیک شدید (حداقل ۴۵ دقیقه تاخیر) در بازه ۳۰ دقیقه آینده آموزش داده شدند. نتایج نشان داد که مدل جنگل تصادفی با دقت ۹۴.۲%، AUC = ۰.۹۶ و زمان پردازش ۰.۸ ثانیه، بهترین عملکرد را دارد. همچنین، تحلیل فضایی نشان داد که تقاطع های "سبز"، "رضویه" و "بوستان" بیشترین تعداد هشدارهای صادرشده را دارند. یافته ها حاکی از آن است که ادغام داده های بلادرنگ، مدل های یادگیری ماشین و GIS می تواند به ایجاد سیستم های واکنش سریع در مدیریت ترافیک کمک کند.

کلیدواژه ها:

سیستم هشدار ترافیک ، یادگیری ماشین ، تحلیل فضایی-زمانی ، مدیریت ترافیک ، شهر هوشمند ، اراک