مدل آماری ترکیبی بایز برای بدست آوردن نسبتهای حرکت گردشی وابسته به زمان در تقاطعها

جریان های حرکت گردشی وابسته به زمان داده های ورودی بسیار مهم برای سیستم های هوشمند حمل و نقل هستند اما غیر ممکن است به طور مستقیم از طریق سیستم های نظارت ترافیک تلی تشخیص داده شوند. ثابت شده مدل های برآورد موجود در تمام فواصل بد اندازه کافی قابل اعتماد دقیق نیستند. یک راه ارتقا یافته برای رسیدگی به مشکل گفته یک چارچوب مدل ترکیبی است که بتواند اجرای چندین زیر مدل را با هم ترکیب کند. در این مقاله نخست یک مدل شبکه عصبی پس انتشار برای برآورد حرکات گردشی پویا و همچنین یک روش نرخ یادگیری و هفت عنوان باغی به یک روش گرادیان نزولی تا گشتاور برای راه حل ارایه می کند. دوم این مقاله یک مدل فیلترینگ کالمن کارامد را توسعه داد و یک الگوریتم فیلترینگ کالمن اصلاح شده طراحی می کند. براساس روش بایز با استفاده از هر دو داده های تاریخچه ای و نتایج تخمین زده برای کالیبر و زیان خطا، این مقاله به زیر مدل بالا را در یک چارچوب مدل ترکیبی بایز ادغام کرده و الگوریتم نظیر را پیشنهاد می دهد. یک بررسی میدانی در یک تقاطع برای جمع آوری هر دو سری زمانی تعداد خط و جریان های حرکت گردشی وابسته به زمان واقعی، شامل داده های گذشته و حال اجرا شد. نتایج برآورد گزارش نشان می دهد که مدل ترکیبی بایز نسبت به سایر مدل ها خیلی دقیق تر و پایدارتر است.

کلیدواژه ها:

تقاطع پویا ، مدل ترکیبی بایز ، حرکات گردشی ، ترافیک