تحلیل کلان داده ترافیکی راه های برون شهری با ابزار یادگیری ماشین به منظور پیش بینی کوتاه مدت متغیرهای ترافیکی

در این پژوهش، با استفاده از کلان داده های ترافیکی برون شهری ایران طی سال های ۱۳۹۱ تا ۱۳۹۷، متغیرهای سرعت میانگین، حجم تردد و وضعیت جریان ترافیک پیش بینی شده اند. داده راه های برون شهری به دلیل داشتن سه ویژگی، تنوع، حجم و سرعت بالا به عنوان کلان داده تلقی شده و تحلیل آن از طریق ابزارهای یادگیری ماشین نتایج دقیق تری به همراه خواهد داشت. داده ها پس از پاک سازی، نرمال سازی و هم ترازی زمانی–فضایی، با طراحی مجموعه ای از ویژگی های زمانی، مکانی و وضعیت، به مدل های مختلف یادگیری ماشین و یادگیری عمیق ارائه شده اند. مدل های ARIMA، SVM، ANN، RNN، LSTM و مدل های توجه محور برای پیش بینی متغیرهای پیوسته و گسسته به کار گرفته شده و عملکرد آن ها با سنجه هایی نظیر MAE، RMSE، MAPE و درصد پیش بینی صحیح ارزیابی شده است. نتایج نشان می دهد که مدل های یادگیری عمیق، به ویژه LSTM، توانایی مناسبی در استخراج وابستگی های زمانی و پیش بینی وضعیت ترافیک دارند، هرچند عملکرد آن ها وابسته به کیفیت داده و توزیع حالات ترافیکی است. یافته های پژوهش می تواند در بهبود سامانه های اطلاع رسانی پیشرفته مسافر (ATIS) و مدیریت هوشمند سفرها در راه های برون شهری مورد استفاده قرار گیرد.

کلیدواژه ها:

حمل ونقل ، یادگیری ماشین ، کلان داده ، مدل سازی