پیشبینی حجم ترافیک به روش شبکه عصبی (نمونه موردی بررسی بزرگراه امام علی شهر بوشهر)

در سال های اخیر، رشد سریع شهرنشینی و افزایش شمار وسایل نقلیه، موجب بروز چالش های جدی در مدیریت ترافیک شهری شده است. یکی از شاخص های کلیدی در برنامه ریزی و کنترل شبکه حمل ونقل، حجم ترافیک است که بیانگر تعداد وسایل نقلیه عبوری از یک مقطع در بازه زمانی معین می باشد. تخمین نادرست حجم ترافیک، می تواند منجر به تصمیم گیری های نادرست، افزایش تاخیر، اتلاف انرژی و کاهش ایمنی شبکه گردد. ازاین رو، پیش بینی دقیق حجم ترافیک نقش مهمی در بهینه سازی سامانه های حمل ونقل شهری دارد.در پژوهش حاضر، با هدف ارائه مدلی بومی و کارا، از شبکه عصبی مصنوعی برای پیش بینی حجم ترافیک بزرگراه امام علی شهر بوشهر استفاده شده است. در این راستا، داده های ترافیکی حاصل از سامانه های ترددشمار هوشمند شامل حجم عبور، سرعت متوسط، روز هفته، ساعت، شرایط جوی و وضعیت جریان ترافیک جمع آوری و پس از پالایش، نرمال سازی و پردازش به عنوان ورودی مدل به کار گرفته شد. سپس با طراحی ساختار چندلایه شبکه عصبی و به کارگیری الگوریتم آموزش پس انتشار خطا، مدل آموزش داده شد تا بتواند روابط پیچیده و غیرخطی میان متغیرهای ترافیکی را شناسایی و بازنمایی کند.نتایج نشان داد که مدل طراحی شده توانایی بالایی در پیش بینی تغییرات حجم ترافیک در بازه های زمانی کوتاه دارد و از دقت بالاتری نسبت به مدل های کلاسیک نظیر رگرسیون خطی و سری زمانی برخوردار است. ارزیابی عملکرد مدل با شاخص هایی مانند میانگین مربعات خطا و میانگین قدر مطلق خطا، صحت بالای مدل را تایید نمود. همچنین تحلیل حساسیت نشان داد که متغیرهای زمانی مانند ساعت و روز هفته بیشترین تاثیر را بر پیش بینی دارند.در نهایت، مدل پیشنهادی می تواند به عنوان ابزاری کارآمد در تصمیم سازی های مدیریت شهری، تنظیم زمان بندی چراغ های راهنمایی و کنترل جریان ترافیک در کلان شهرها مورد استفاده قرار گیرد. به کارگیری چنین مدل هایی در چارچوب سامانه های حمل ونقل هوشمند، گامی موثر در جهت ارتقای بهره وری شبکه ترافیک و توسعه پایدار شهری خواهد بود.

کلیدواژه ها:

پیش بینی ترافیک ، شبکه عصبی مصنوعی ، حجم ترافیک ، بزرگراه امام علی ، بوشهر