استفاده از شبکه عصبی FFNN و فناوری همسان رقومی برای پایش برخط و پیش بینی ترافیک شهری

ترافیک سنگین علاوه بر اتلاف زمان، موجب افزایش آلودگی هوا نیز می شود. در غیاب فناوری های نوینی همچون همسان رقومی (DN) و سیستم های اطلاعات مکانی، پایش و مدیریت ترافیک، با چالش هایی نظیر پیش بینی غیر دقیق، عدم شناسایی الگوهای ترافیکی و عدم یکپارچگی داده ها مواجه می شود. این پژوهش با هدف بهبود مدیریت ترافیک شهری، مدلی مبتنی بر شبکه عصبی پیش خور (FFNN) و GIS برای پیش بینی زمان سفر توسعه داده است. این مدل، با بهره گیری از داده های بلادرنگ (ترافیک، شرایط جوی، تصادفات و رویدادها) و الگوریتم پس انتشار خطا، توانست با ضریب تعیین ۹۴/۰ عملکردی بهتر از روش های سنتی ارائه دهد. علاوه بر آن، داشبوردی آنلاین برای پایش لحظه ای ترافیک طراحی شد که نسبت به سامانه هایی مانند Google Maps و Waze دقت بالاتری دارد. نتایج نشان می دهد استفاده از مدل های یادگیری عمیق در کنار فناوری همسان رقومی، زمینه ساز توسعه شهرهای هوشمند و ارتقای کیفیت زندگی شهری است.

کلیدواژه ها:

GIS ، FFNN ، همسان رقومی ، سیستم ترافیک هوشمند