مقایسه روش های پیش بینی وضعیت ترافیک با الگوریتم های یادگیری ماشین

پیش بینی وضعیت ترافیک یکی از ارکان اساسی در توسعه سیستم های حمل ونقل هوشمند به شمار می رود و نقش مهمی در مدیریت جریان ترافیک، کاهش تاخیر، بهبود ایمنی و افزایش کارایی شبکه های شهری دارد. با توجه به ماهیت پیچیده، غیرخطی و پویا بودن جریان ترافیک، روش های سنتی پیش بینی مانند مدل های سری زمانی خطی، در بسیاری از شرایط واقعی قادر به ارائه برآوردهای دقیق نیستند. در سال های اخیر، الگوریتم های یادگیری ماشین و یادگیری عمیق به دلیل توانایی در استخراج الگوهای پیچیده و مدل سازی وابستگی های زمانی–مکانی، به عنوان ابزارهایی قدرتمند در پیش بینی وضعیت ترافیک مورد توجه پژوهشگران قرار گرفته اند. این پژوهش با هدف مقایسه عملکرد سه الگوریتم پرکاربرد یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، جنگل تصادفی (Random Forest) و شبکه های حافظه بلندمدت (LSTM) در پیش بینی وضعیت ترافیک انجام شده است. داده های مورد استفاده شامل متغیرهایی نظیر سرعت، حجم تردد، تراکم، شرایط آب وهوایی و اطلاعات زمانی (ساعت شبانه روز، روز هفته و تعطیلات) است. پس از انجام مراحل پیش پردازش، پاک سازی و نرمال سازی داده ها، مدل ها آموزش داده شده و عملکرد آن ها با استفاده از شاخص های خطای میانگین قدرمطلق (MAE)، ریشه میانگین مربعات خطا (RMSE)، ضریب تعیین (R۲) و دقت کلی (Accuracy) ارزیابی شده است. نتایج نشان می دهد که مدل SVM در شرایطی که داده ها ساختار نسبتا منظم و کم نویز دارند، عملکرد قابل قبولی ارائه می دهد، اما در مواجهه با الگوهای غیرخطی و نوسانات شدید ترافیک، دقت آن کاهش می یابد. مدل Random Forest به دلیل ساختار درختی و توانایی در تحلیل روابط پیچیده و غیرخطی، نسبت به SVM عملکرد بهتری داشته و در دسته بندی وضعیت ترافیک و تحلیل الگوهای مکانی موفق تر عمل کرده است. با این حال، نتایج حاصل از مدل LSTM نشان می دهد که این الگوریتم به دلیل قابلیت یادگیری وابستگی های زمانی و تحلیل توالی داده ها، بالاترین دقت پیش بینی را در بازه های زمانی کوتاه مدت ارائه می دهد. در مجموع، یافته های این پژوهش بیانگر آن است که مدل LSTM مناسب ترین گزینه برای پیش بینی لحظه ای وضعیت ترافیک است، در حالی که مدل Random Forest در تحلیل الگوهای مکانی و دسته بندی وضعیت ترافیک کارایی بیشتری دارد. همچنین پیشنهاد می شود در تحقیقات آینده از مدل های ترکیبی و داده های لحظه ای و چندمنبعی برای افزایش دقت و پایداری پیش بینی استفاده شود.

کلیدواژه ها:

ترافیک ، یادگیری ماشین ، SVM ، LSTM ، ITS