ارائه یک الگوریتم جدید برای پیش بینی حجم ترافیک در تقاطع های شهری مبتنی بر شبکه های عصبی-فازی

پیش بینی رفتار سیستم ترافیک شهری به دلیل وابستگی آن به شرایط متعدد به عنوان چالش محسوبمی شود. در این مقاله یک مدل تطبیقی جدید به منظور پیشبینی حجم ترافیک شهری مبتنی بر شبکهعصبی فازی ارائه شده است. در مدل پیشنهادی از مدل سوگنو مبتنی بر دسته بندی تفاضلی برای سیستمعصبی فازی استفاده شده است. استفاده از الگوریتم دسته بندی تفاضلی موجب تعیین تعداد قوانینفازی مناسب برای مدل پیشنهادی میشود. همچنین الگوریتم کلونی زنبور عسل به منظور تعیین اندازهبهینه برای شعاع دسته های فازی مورد استفاده قرار گرفته است. مدل پیشنهادی از جنبه های مختلفمورد ارزیابی قرار گرفته و دقت آن در پیشبینی داده های ترافیک شهری آزمایش شده است. نتایجآزمایشات نشان داد که مدل پیشنهادی میتواند حجم ترافیکی پیشرو را با حداقل دقت 90 % پیش بینی کند.

کلیدواژه ها:

شبکه عصبی-فازی ، ترافیک شهری ، مدل پیش بینی کننده