ارایه یک مدل بهبود یافته براساس روش یادگیری ماشین مبتنی بر شبکه عصبی مصنوعی در وضعیت ترافیک

امروزه با گسترش شهرنشینی و افزایش وسایل حمل و نقل، از جمله مسایل مهم و ضروری سازمان هایحمل و نقل و کنترل ترافیک شهرداری، کنترل بهینه ترافیک در داخل و خارج از شهرها می باشد. بر ایناساس یکی از سیاست های کلان مسیولین شهرداری در سازمان حمل و نقل نیز کنترل بهینه ترافیک وتنظیم چراغ های راهنمایی بر اساس پیش بینی وضعیت ترافیک در معابر سطح شهر است.پارامترهای بسیاری در تنظیم زمان چراغ های راهنمایی تاثیرگذار می باشند. در پژوهش ها و تحقیقات مختلفنمونه های متفاوتی از آن مورد بررسی قرار گرفته می شود. در نهایت بر اساس نوع پارامتر ترافیکی موردبررسی، زمان چراغهای راهنمایی به منظور کنترل بهینه ترافیک تنظیم می گردد. در این پژوهش از اطلاعاتترافیکی مربوط به مسابقه ICDM 2010 که مربوط به تعداد اتومبیل های عبوری از 20 معبر مختلف است استفاده میشود. اطلاعات بدست آمده در قالب سری زمانی نشان داده میشوند و سپس اطلاعات آینده در زمان t بر اساس اطلاعات گذشته در زمان های t-1 و t-2 پیش بینی و شناسایی می گردد. مراکز حمل و نقل بر اساس پیش بینی تعداد اتومبیل های معابر، زمان چراغ های راهنمایی را تنظیم می کنند. به منظور استخراج الگو، شناسایی و پیش بینی کوتاه مدت وضعیت ترافیک از روش های مبتنی بر شبکه هایعصبی مصنوعی الهام گرفته شده از مغز انسان استفاده می شود. در این تحقیق از یک مدل بهبود یافتهمبتنی بر شبکه های عصبی به منظور پیش بینی وضعیت ترافیک استفاده می شود. به منظور توسعه و بهبوداین شبکه ها از مفاهیم نورون های انعطاف پذیر استفاده می شود. این نورون ها، هوشمندی بیشتری نسبت بهنورون های استاتیک دارند و دارای پارامترهای قابل تنظیم با قابلیت یادگیری هستند. این قابلیت منجر بهتولید ساختار و معماری پویا در رفتار و عملکرد شبکه عصبی می شود.

کلیدواژه ها:

وضعیت ترافیک ، سیستم شناسایی ، نورون های انعطاف پذیر ، ساختار پویای شبکه عصبی