پیش بینی حجم ترافیک با استفاده از روش های یادگیری ماشین، مطالعه موردی: خیابان کمال واقع در شهر اصفهان

تقاضای روزافزون استفاده از وسایل حمل ونقل شخصی، مشکل تراکم ترافیک را به یکی از مهم ترین بحران ها در اکثر کلان شهرهای جهان تبدیل کرده است. توانایی پیش بینی میزان حجم ترافیک جاده ها می تواند در بسیاری از برنامه های مدیریتی و کنترل ترافیک کمک کند. اما تعیین حجم ترافیک چالش برانگیز است، زیرا شمارش وسایل نقلیه معمولا فقط در تعداد معدودی از مکان هایی که دارای سنسورهای ترافیک ثابت هستند، امکان پذیر است. در پژوهش حاضر برای رفع این چالش از داده های مسیریابی سرویس نشان استفاده شده است. با مسیریابی در ساعات مختلف شبانه روز ثبت اطلاعات مربوط به مدت زمان سفر، امکان برآورد حجم ترافیک یال های شهری وجود دارد. برای بررسی امکان پذیری روش پیشنهادی، داده های مربوط به مدت زمان سفر خیابان کمال واقع در شهر اصفهان برای ساعت مختلف شبانه روز و به مدت ۲۴ روز اخذ گردید. همچنین به منظور پیش بینی حجم ترافیک ساعتی از روش های یادگیری ماشین شامل جنگل تصادفی، درخت تقویت کننده گرادیان شدید، شبکه عصبی حافظه کوتاه مدت طولانی و شبکه های عصبی بازگشتی بلندمدت دوطرفه بکارگرفته شده است. از تبدیل فوریه سریع نیز جهت شناسایی فرکانس های اصلی تغییرات حجم ترافیک و مدلسازی و مقایسه با روش های دیگر استفاده شده است. در روش های استفاده شده در این پژوهش، از ویژگی هایی مانند: وابستگی مکانی (مجموع مدت زمان سفر یال های ورودی خیابان)، تاریخچه مدت زمان سفر، ویژگی های زمانی مانند: ساعت و روز های هفته، تعداد یال های ورودی و تعداد مراکز تاثیرگذار در ترافیک شهری ازجمله: تعداد مدارس،تعداد بانک ها، هتل ها، شهرداری ها، داروخانه ها، اورژانس و بیمارستان ها، جمعیت محصل و کل جمعیت در محدوده خیابان ها استفاده شده است. نتایج عددی نشان می دهد، روش های یادگیری ماشین و یادگیری عمیق عملکرد بهتری نسبت به روش تبدیل فوریه سریع دارند. همچنین در بین روش های یادگیری ماشین و یادگیری عمیق نیز روش جنگل تصادفی با میزان بالای R۲ برابر با ۹۳/۰ عملکرد بهتری را نسبت به سایر روش ها دارد.

کلیدواژه ها:

پیش بینی حجم ترافیک ساعتی ، یادگیری ماشین ، تبدیل فوریه سریع ، مدل سازی مکانی - زمانی