مدل سازی پیش بینی ترافیک شهری اراک با استفاده از خوشه بندی فازی و شبکه های عصبی

ترافیک شهری یکی از چالش های ساختاری در توسعه پایدار شهرهای متوسط ایران است. شهر اراک، با رشد جمعیت، افزایش ناوگان خودرو و گسترش شهری ناموزون، شاهد افزایش چشمگیر انسدادهای ترافیکی در تقاطع های کلیدی مانند تقاطع امام خمینی–آزادگان، میدان شهدا و بلوار کاشانی است. سیستم های مدیریت ترافیک فعلی در اراک عمدتا واکنشی و مبتنی بر زمان بندی ثابت چراغ های راهنمایی هستند و فاقد قابلیت پیش بینی و تطبیق پویا با شرایط لحظه ای ترافیک. این پژوهش با رویکرد کاربردی-هوشمند، مدلی ترکیبی برای پیش بینی ترافیک در اراک ارائه می دهد که دو مرحله اصلی دارد:(۱) خوشه بندی فازی (Fuzzy C-Means) برای گروه بندی الگوهای ترافیکی (مانند «ساعت اوج صبحگاهی»، «تعطیلات»، «رویدادهای ویژه»)،(۲) شبکه عصبی عودتی (LSTM) برای پیش بینی چگالی ترافیک تا ۴۵ دقیقه آینده بر اساس داده های لحظه ای.داده های مورد استفاده شامل داده های دوربین های ترافیکی شهرداری اراک (۱۳۹۹–۱۴۰۴)، داده های مسیریابی GPS از ناوگان عمومی و تاکسی های هوشمند، برنامه های فرهنگی-ورزشی و شرایط آب وهوایی است. مدل پیشنهادی در یک چارچوب یکپارچه پایتونی پیاده سازی شد و با معیارهای RMSE، MAE و R² ارزیابی گردید. نتایج نشان داد که مدل ترکیبی Fuzzy-LSTM با میانگین خطای پیش بینی RMSE = ۸.۳ (واحد: خودرو در هر ۵ دقیقه) و ضریب تعیین R² = ۰.۹۱، عملکرد بهتری نسبت به مدل های مبتنی بر ARIMA یا شبکه عصبی پیشخور دارد. همچنین، پیش بینی ها در سناریوهای بحرانی (مانند بارش برف یا تجمعات مذهبی) دقت قابل قبولی داشتند. این مدل می تواند به عنوان هسته هوشمند سامانه مدیریت ترافیک پویای شهرداری اراک مورد استفاده قرار گیرد و به کاهش زمان سفر، مصرف سوخت و آلایندگی کمک کند. استفاده از ابزارهای منبع باز (TensorFlow, Scikit-Fuzzy, OpenCV) و عدم نیاز به نصب سنسورهای گران قیمت، این راهکار را به الگویی مقرون به صرفه برای شهرهای متوسط ایران تبدیل می کند.