بررسی کارایی الگوریتم های یادگیری ماشین در پیش بینی و مدیریت ترافیک شهری ایلام

بررسی کارایی الگوریتم های یادگیری ماشین در پیش بینی و مدیریت ترافیک شهری ایلامتحقیقات اخیر در حوزه شهرهای هوشمند نشان می دهد که استفاده از الگوریتم های یادگیری ماشین می تواند تحولی چشمگیر در پیش بینی و کنترل ترافیک شهری ایجاد کند. پژوهش حاضر با هدف ارزیابی کارایی مدل های هوش مصنوعی در تحلیل داده های ترافیکی شهرداری ایلام و ارائه راهکارهای کاهش ازدحام، بر داده های حسگرهای جاده ای، دوربین های نظارتی و سامانه های مکان یابی وسایل نقلیه تمرکز دارد. داده ها از ۴۵ نقطه پرتردد شهر ایلام در بازه زمانی شش ماهه (فروردین تا شهریور ۱۴۰۴) جمع آوری و به صورت لحظه ای در پایگاه داده مرکزی ذخیره شده اند. برای پردازش و پیش بینی جریان ترافیک، سه الگوریتم اصلی شامل Random Forest، Support Vector Machine (SVM) و Long Short-Term Memory (LSTM) مورد استفاده قرار گرفته اند. ارزیابی کارایی با معیارهای دقت (Accuracy)، میانگین خطای مطلق (MAE)، ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین (R²) انجام شد. نتایج نشان داد الگوریتم LSTM با درنظر گرفتن وابستگی زمانی داده ها، بالاترین عملکرد را در پیش بینی حجم ترافیک با دقت ۹۱٪ و RMSE برابر ۰٫۱۲ داراست، در حالی که مدل Random Forest در شناسایی الگوهای مکانی و تراکم میان گذرها توانایی بیشتری نشان داد. مدل تلفیقی پیشنهادی (Hybrid‑LSTM‑RF) توانست دقت کلی را تا ۹۴٪ افزایش دهد و زمان پیش بینی را تا حدود ۲۵٪ کاهش دهد.تحلیل ها نشان دادند که رفتار ترافیکی شهر ایلام تابع سه متغیر اصلی است: تراکم لحظه ای در محدوده های مرکزی، نوسانات ناشی از رویدادهای محلی (مانند بازار هفتگی و مراسم های فرهنگی)، و نحوه توزیع بار ترافیکی میان مسیرهای موازی. به کمک الگوریتم های یادگیری ماشین، می توان الگوی وقوع گره های ترافیکی را تا ۱۵ دقیقه پیش از وقوع شناسایی و مسیرهای جایگزین را به سامانه کنترل هوشمند چراغ ها و اپلیکیشن های راهنمای مسیر پیشنهاد کرد. همچنین، داده های حسگرها (دما، رطوبت، سرعت وسایل نقلیه و تراکم لحظه ای) در فرایند مدل سازی تاثیر معنی دار داشتند؛ به ویژه، رطوبت سطح جاده و کاهش دید دوربین ها موجب افت عملکرد مدل های مبتنی بر بینایی ماشینی تا ۸٪ شد که با افزودن لایه نرمال سازی داده در مرحله پیش پردازش برطرف گردید.در بخش کاربردی، سامانه پیشنهادی مبتنی بر معماری سه لایه شامل دریافت داده از حسگرها، پردازش یادگیری ماشین، و نمایش نتایج در داشبورد مدیریتی Power BI طراحی شد. این سامانه قادر است در زمان واقعی (Real‑Time) حجم ترافیک هر خیابان را تحلیل و بر اساس الگوریتم بهینه سازی مسیرها با روش Shortest Path + Predictive Delay پیشنهادهای لحظه ای به رانندگان ارائه کند. نتایج فاز آزمایشی در سه تقاطع اصلی شهر (میدان کشاورز، تقاطع جانبازان و خیابان پاسداران) نشان داد با استفاده از این سیستم، متوسط زمان انتظار خودروها در ساعات اوج رفت وآمد از ۱۸ دقیقه به ۱۱ دقیقه کاهش یافته و مصرف سوخت روزانه خودروهای شهری حدود ۱۲٪ کمتر شده است. علاوه براین، شاخص رضایت ترافیکی شهروندان بر اساس نظرسنجی آنلاین از ۵۸٪ به ۸۵٪ افزایش یافت.جمع بندی نهایی پژوهش نشان می دهد که الگوریتم های یادگیری ماشین، به ویژه مدل های زمان وابسته، ابزار مناسبی برای پیش بینی و مدیریت هوشمند جریان ترافیک شهری ایلام محسوب می شوند. بهره گیری از داده های حسگرها و دوربین ها، علاوه بر کاهش ازدحام و آلودگی، موجب صرفه جویی مالی در مدیریت شهری و افزایش رضایت عمومی می گردد. پیشنهاد پژوهش، گسترش زیرساخت جمع آوری داده ها به تمامی مناطق شهری، پیاده سازی مرکز عملیات ترافیک مبتنی بر هوش مصنوعی، و اتصال مستقیم سامانه پیشنهادی به اپلیکیشن شهروندی است تا چرخه تصمیم گیری از سطح داده تا اقدام اجرایی در یک ساختار واحد صورت گیرد. این الگو می تواند مبنای توسعه سامانه هوشمند حمل ونقل در سایر شهرهای متوسط ایران قرار گیرد و ایلام را به پیشگام مدیریت داده محور شهری بدل سازد.