بررسی عملکرد انواع شبکه عصبی بازگشتی در پیش بینی داده های سری زمانی در حمل و نقل؛ نوع داده: مسیر حرکت عابرپیاده در پیاده رو

در دنیای امروز، هوش مصنوعی به عنوان یک عامل قدرتمند غیرقابل انکار در تمام امور انسانی ورود پیدا کرده است. این هوش با استفاده از الگوریتم های شبکه عصبی و کلان داده ها آموزش دیده و پیش بینی می کند. در گذر زمان انواع متفاوتی از شبکه های عصبی برای کاربردهای متفاوت معرفی و توسعه داده شده که یکی از اینها، شبکه عصبی بازگشتی (RNN) است. مدل RNN بخاطر معماری و ساختار آن، عملکرد قابل قبولی بر روی داده های سری زمانی (Time series) – داده هایی که در آن ویژگی های مختلف از یک پدیده در گام های زمانی ثابت برداشت شده- دارد. در حمل و نقل موارد زیادی از داده های سری زمانی وجود دارد مانند: حجم عبوری ترافیک از یک نقطه خاص در بازه های زمانی ثایت، تعداد و جنسیت و ... مسافرین مترو در ساعات مختلف شبانه روز، ویژگی های حرکت مثل موقعیت و سرعت و شتاب یک عامل ترافیکی مثل عابر پیاده رو هر لحظه در پیاده رو. مورد آخر که سوابق و تاریخچه ویژگی های حرکتی عابر است، اساس کار این پژوهش است. در این مقاله با استفاده از ۳ زیرمجموعه شبکه عصبی بازگشتی یعنی مدل های Vanilla LSTM، Stacked LSTM و GRU به پیش بینی مسیر حرکت عابر می پردازیم. ۲ هدف اصلی این پژوهش اولا تخمین موقعیت آینده یک عابر جهت شناسایی و رفع شرایط خطرآفرین در تعامل عابر و سیستم خودران (مثل ربات کالارسان) در پیاده رو و ثانیا بررسی عملکرد این ۳ مدل در داده های سری زمانی است. نتایج نشان داد که در افق زمانی پیش بینی کوتاه مدت، مدل GRU عملکرد بهتری نسبت به دیگر مدل ها دارد. اما با افزایش افق زمانی پیش بینی و افزایش پیچیدگی‎های داده‎ ها، مدل Stacked LSTM عملکرد بهتری نسبت به سایرین دارد.

کلیدواژه ها:

پیش بینی مسیر حرکت ، داده های سری زمانی ، شبکه عصبی بازگشتی ، LSTM ، GRU