پیش بینی تغییر خط راننده در آزادراه ها با استفاده از شبکه عصبی بازگشتی با حافظه بلندمدت و ماشین بردار پشتیبان بر اساس داده های میکروسکوپی

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 21

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JTE-17-4_001

تاریخ نمایه سازی: 22 آبان 1405

چکیده مقاله:

تغییر خط یکی از مانورهای حیاتی در رانندگی است که نقش مهمی در ایمنی و روانی جریان ترافیک دارد. هدف این پژوهش، توسعه و مقایسه مدل های یادگیری ماشین برای پیش بینی کوتاه مدت تغییر خط رانندگان در آزادراه است. بدین منظور، از داده های میکروسکوپی مجموعه داده شبیه سازی نسل آینده (NGSIM) استفاده شد و دو مدل شامل شبکه عصبی بازگشتی با حافظه بلندمدت (LSTM) و ماشین بردار پشتیبان (SVM) طراحی و ارزیابی گردیدند. پیش بینی ها در بازه های زمانی ۱ تا ۵ ثانیه پیش از وقوع مانور انجام شد تا اثر افق زمانی بر عملکرد مدل ها بررسی شود. برای ارزیابی، معیارهایی نظیر میانگین مربع خطا (MSE)، بازخوانی (Recall) و امتیاز F۱ مورد استفاده قرار گرفتند. نتایج نشان داد مدل LSTM در تمامی شاخص ها نسبت به SVM برتری معناداری دارد و در بازه های کوتاه مدت (۱ تا ۵ ثانیه) به بالاترین دقت و کمترین خطا دست یافت. همچنین تحلیل آماری نشان داد که در خطوط راست آزادراه تمایل به تغییر خط بیشتر است. یافته های این پژوهش می تواند در طراحی سیستم های کمک راننده پیشرفته و توسعه الگوریتم های پیش بینی دقیق در خودروهای نیمه خودران و خودران مورد استفاده قرار گیرد.

کلیدواژه ها:

پیش بینی تغییر خط ، شبکه عصبی بازگشتی با حافظه بلندمدت ، ماشین بردار پشتیبان ، داده های میکروسکوپی ، سیستم کمک راننده

نویسندگان

محمد منیعات

گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

محمود صفارزاده

استاد، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران

حسن ذوقی

استادیار، گروه مهندسی عمران، واحد کرج، دانشگاه آزاد اسلامی، تهران، ایران

علیرضا سرکار

استادیار، گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ali, Y., Zheng, Z., Haque, M. M., & Wang, M. ...
  • Altché, F., & de La Fortelle, A. (۲۰۱۷). An LSTM ...
  • Díaz-Álvarez, A., Clavijo, M., Jiménez, F., & Serradilla, F. (۲۰۲۱). ...
  • FHWA. (۲۰۱۶). Next Generation Simulation (NGSIM) Program I-۸۰ Videos. Provided ...
  • Fu, X., Liu, J., Huang, Z., Hainen, A., & Khattak, ...
  • Geng, B., Ma, J., & Zhang, S. (۲۰۲۳). Ensemble deep ...
  • Han, L., Ma, X., Wang, Y., He, L., Li, Y., ...
  • He, C., Jiang, W., Li, J., Wei, J., Guo, J., ...
  • Huo, D., Ma, J., & Chang, R. (۲۰۲۰). Lane-changing-decision characteristics ...
  • Jin, L., Liu, X., Wang, Y., Han, Z., Guo, B., ...
  • Kim, H., Hong, J., & Lee, S. (۲۰۲۴). Investigating impact ...
  • Li, Z., Zhao, X., Zhao, C., Liu, Y., & Wang, ...
  • Liang, K., Wang, J., & Bhalerao, A. (۲۰۲۲). Lane change ...
  • Lyu, Y., Wang, Y., Liu, H., Dong, X., He, Y., ...
  • Ma, C., & Li, D. (۲۰۲۳). A review of vehicle ...
  • Madigan, R., Louw, T., & Merat, N. (۲۰۱۸). The effect ...
  • Maniat, M. (۲۰۲۴). Introduction of Discourse Analysis in Transportation: A ...
  • Maniat, M., & Eebrahimzadeh, A. (۲۰۲۴). Enhancing Traffic Prediction Accuracy: ...
  • Raufi, P., & Maniat, M. (۲۰۲۴). Novel Calibration Approach for ...
  • Raufi, P., & Maniat, M. (۲۰۲۴). Transport Policy's Impact on ...
  • Salvucci, D. D., & Liu, A. (۲۰۰۲). The time course ...
  • Wirthmüller, F., Klimke, M., Schlechtriemen, J., Hipp, J., & Reichert, ...
  • Xiao, Y., Wu, W., Zhai, C., Zhai, M., & Zhang, ...
  • Xing, Y., Lv, C., Wang, H., Cao, D., & Velenis, ...
  • Zhang, K., Pu, T., Zhang, Q., & Nie, Z. (۲۰۲۴). ...
  • Zhou, D., Chen, Y., Fan, K., Bai, Q., Luo, Y., ...
  • نمایش کامل مراجع