مقایسه خطای اجرای الگوریتم های هوش مصنوعی پیش بینی کننده ترافیک

امروزه موفقیت سیستم های حمل و نقل هوشمند، نه تنهاش به اطلاعات وضعیت فعلی ترافیک، بلکه تا حد زیادی به آگاهی از وضعیت ترافیکی دقایق آینده وابسته است. از این رو، تحقیقات زیادی در زمینه ی پیش بینی کوتاه مدت وضعیت ترافیکی انجام شده است. هرچند تاکید اکثریت آنها، تنها بر روی اعمال الگوریتم های مختلف به منظور یادگیری داده های ترافیکی و ارائه ی مدل، بر اساس داده های جمع آوری شده از وضعیت فعلی و پیشین می باشد. حال آنکه، در جهت رسیدن به الگوریتمی کارا، لازم است تا ماهیت نوساناتی و وابسته به زمان داده ها نیز در روند یادگیری مدل لحاظ شود. تایج نشان داد رگرسیون خطی در پیش بینی ترافیک کمترین خطا را به نسبت روشهای دیگر دارد.

کلیدواژه ها:

الگوریتم ژنتیک ، ترافیک ، پیش بینی