کاربرد معماری نوین مدل آموزش عمیق ترکیبی CNN-LSTM در پیش بینی تعداد تخلفات سرعت غیرمجاز با داده های ترافیکی ساعتی

پیشینه: تخلف سرعت یکی از عوامل اصلی حوادث در آزادراه ها می باشد و آسیب های جانی، اقتصادی و اجتماعی متعددی در پی دارد. تاکنون در مطالعات متفاوتی پژوهشگران به پیش بینی تخلفات و حوادث پرداخته اند، اما مطالعه تعداد تخلفات با تفکیک زمانی ساعتی و معماری ترکیبی از مدل های آموزش عمیق کمتر دیده می شود. روش: مطالعه حاضر با ارائه معماری ترکیبی نوینی از روش های آموزش عمیق به پیش بینی تعداد تخلفات سرعت در ساعت میپردازد. مدل پیشنهادی مبتنی بر روش شبکه های کانولوشنی و روش حافظه طولانی مدت کوتاه مدت است که جهت پیش بینی تعداد تخلفات سرعت غیرمجاز با داده های ترافیکی ساعتی توسعه داده شده است. داده ها شامل متغیرهایی مانند تعداد وسایل نقلیه، سرعت، تخلفات فاصله و زمان وقوع تخلف بودند. داده ها پس از پیش پردازش به سه بخش آموزش ۷۰%، اعتبارسنجی ۱۵%، و آزمون ۱۵% تقسیم شدند و از اعتبار سنجی متقاطع در مدل استفاده شده است. نتایج حاصل از اعتبارسنجی متقاطع ۵ تایی نشان دهنده عملکرد قابل قبول مدل در پیش بینی تعداد تخلفات سرعت غیرمجاز است. در آموزش، مقادیر RMSE در محدوده ۰۵/۶۹ تا۵/۲۰۱ متغیر بود که به جز فولد اول، سایر فولدها عملکرد بهتری با R۲ بین ۶۸/۰ تا ۸۵/۰ و KGE بین ۶۷/۰ تا ۸۳/۰ نشان دادند. در فاز آزمون، میانگین RMSE ،R۲ و KGE به ترتیب ۴/۸۹، ۷۷/۰ و۷۸/۰ به طور قابل توجهی نزدیک به میانگین مقادیر فاز آموزش بود، که حاکی از عملکرد مورد تایید مدل است. در اعتبار سنجی مدل عملکرد RMSE ،R۲ و KGE به ترتیب ۴/۸۸، ۷۶/۰ و۷۹/۰ از خود نشان داد. استفاده از مدلهای ترکیبی از آموزش عمیق مانند آنچه در این مطالعه مطرح شد، میتواند در تشخیص نقاط حادثه خیز با دقت و سرعت بهتر کمک کنند. بهینه سازی نظارت، تخصیص منابع، و افزایش ایمنی جاده ای به تبع این اقدام میتواند اتفاق بیافتد. پیشنهاد می شود به عنوان ورودی مدل در مطالعات آتی داده های شرایط جوی برای بهبود دقت نهایی ادغام شوند.

کلیدواژه ها:

آموزش عمیق ، پیش بینی ، تخلفات سرعت ، شبکه عصبی کانولوشنی ، تخلفات ترافیکی