پیش بینی شدت تصادفات در شبکه های سیار خودرویی (VANETs) با استفاده از LSTM بهینه شده توسط الگوریتم AOA

شبکه های سیار خودرویی (VANET) به عنوان یکی از اجزای کلیدی سامانه های حمل ونقل هوشمند، نقش مهمی در تحلیل ایمنی جاده ها و مدیریت ترافیک ایفا می کنند. پیش بینی شدت تصادف یکی از کاربردهای مهم این شبکه ها محسوب می شود که به دلیل پویایی بالای محیط، تنوع عوامل موثر و پیچیدگی الگوهای حوادث جاده ای، یک مسئله چالش برانگیز به شمار می رود. در این مقاله، یک روش مبتنی بر شبکه عصبی حافظه بلندمدت کوتاه مدت (LSTM) بهینه سازی شده با استفاده از الگوریتم بهینه سازی ریاضی (AOA) برای پیش بینی شدت تصادف ارائه شده است که می تواند به عنوان یک ابزار تصمیم یار در محیط های مبتنی بر VANET و سامانه های حمل ونقل هوشمند مورداستفاده قرار گیرد. در روش پیشنهادی، ابرپارامترهای مدل LSTM به صورت خودکار توسط الگوریتم AOA تنظیم می شوند تا دقت، پایداری و قابلیت تعمیم مدل افزایش یابد. به منظور ارزیابی اثربخشی روش پیشنهادی، عملکرد مدل AOA-Optimized LSTM (LSTM+AOA) با مدل های پایه LSTM، RNN و همچنین روش بهینه سازی شده (GA+LSTM)، بر اساس مجموعه ای از معیارهای ارزیابی استاندارد مقایسه شده است. داده های مورداستفاده از مجموعه داده تصادفات جاده ای بریتانیا (STATS۱۹) مربوط به سال ۲۰۱۷ استخراج شده اند که شامل اطلاعات مرتبط با ویژگی های تصادفات و شرایط ترافیکی می باشند. نتایج تجربی نشان می دهد که مدل AOA-Optimized LSTM (LSTM+AOA) در مقایسه با سایر مدل های بررسی شده، عملکرد برتری در پیش بینی شدت تصادف ارائه داده و درعین حال شدت بیش برازش کمتری از خود نشان می دهد. یافته های این پژوهش بیانگر آن است که استفاده از الگوریتم AOA برای تنظیم ابرپارامترهای LSTM می تواند نقش موثری در بهبود دقت و پایداری مدل های پیش بینی شدت تصادف ایفا کند و این رویکرد قابلیت استفاده به عنوان یک ابزار پشتیبان تصمیم گیری در سامانه های مدیریت هوشمند ترافیک را دارا می باشد.

کلیدواژه ها:

پیش بینی شدت تصادف ، شبکه های سیار خودرویی ، یادگیری عمیق ، بهینه سازی ، ابرپارامتر ، LSTM ، AOA