ارائه یک رویکرد ترکیبی یادگیری عمیق (Conv-LSTM) با هدف پیش بینی حجم ترافیک کوتاه مدت راه های دوخطه برون شهری (مطالعه موردی: جاده کرج- چالوس)

در سال های اخیر، افزایش سریع تعداد وسایل نقلیه منجر به مشکلات ترافیکی گسترده ای شده است. پیش بینی دقیق جریان ترافیک می تواند به کاهش ازدحام، بهینه سازی زیرساخت های حمل ونقل، ارتقای ایمنی سفرها و کاهش اثرات زیست محیطی کمک کند. هدف این پژوهش، پیش بینی حجم ترافیک یک ساعت آینده در محور کرج-چالوس به عنوان یکی از پرترددترین جاده های ایران با شرایط جوی و توپوگرافی پیچیده، است. برای این منظور، داده های تردد از دو دستگاه ترددشمار و داده های هواشناسی سینوپتیک (با فواصل زمانی سه ساعته) گردآوری شدند. با توجه به توانایی شبکه های کانولوشنی (CNN) در استخراج ویژگی های پنهان و الگوهای فضایی-زمانی و همچنین کارایی شبکه های حافظه طولانی کوتاه مدت (LSTM) در مدل سازی سری های زمانی، مدل ترکیبی Conv-LSTM پیشنهاد شد. این مدل با بهره گیری از نقاط قوت هر دو روش، برای پیش بینی دقیق حجم ترافیک در بستر پایتون توسعه یافت و بین نتایج آن با نتایج مدل حافظه طولانی کوتاه مدت مبتنی بر مکانیسم توجه (A-LSTM) مقایسه صورت گرفت. نتایج ارزیابی حاکی از آن است که مدل Conv-LSTM در مجموعه داده های آزمون ، ضریب تعیین (R۲) %۸۲/۴۵ را کسب کرد و در مقایسه با الگوریتم R۲ ،A-LSTM برابر ۸۱/۹۳%، عملکرد بهتری ارائه کرد. همچنین، معیارهای میانگین مربع خطا (MSE) و جذر میانگین مربعات خطا (RMSE)، که نشان دهنده اختلاف بین مقادیر پیش بینی شده و واقعی هستند، برای مدل Conv-LSTM به ترتیب ۱۴.۳۱۱ و ۱۲۰ و برای A-LSTM به ترتیب ۱۴.۷۴۰ و ۱۲۲ گزارش شدند. این مقادیر حاکی از پراکندگی کمتر و دقت بالاتر پیش بینی های Conv-LSTM در مقایسه با A-LSTM است. کاربرد مدل پیشنهادی در پیش بینی حجم ترافیک محور کرج-چالوس، اطلاعات ارزشمندی برای شناسایی مسیرهای پرازدحام، توزیع مجدد ترافیک، پیشگیری از تصادفات، برنامه ریزی پویای مسیر و مدیریت بهینه زمان سفر فراهم می کند. این رویکرد همچنین با کاهش مصرف سوخت و آلودگی هوا، می تواند کمک شایانی به بهبود پایداری زیست محیطی و افزایش کارایی حمل ونقل کند.

کلیدواژه ها:

حجم ترافیک ، شبکه عصبی ، حافظه طولانی کوتاه مدت ، کانولوشن ، Conv-LSTM