پیش بینی شدت ترافیک شهری با استفاده از روش های یادگیری جمعی

در ساا های اخیر، روش ها، مدل ها و الگوریتم های زیادی برای پیش بینی شاخص های مختلف ترافیکی ارائه شده است. با این حال ، تحقیق های موجود در این زمینه عمدتا برای حل مشکل پیش بینی الگوی ترافیک کوتاه مدت است. در این مقاله ، ما یک روش برای پیش بینی بلند مدت شدت ترافیک مبتنی بر روش های یادگیری جمعی و رویکردهای انتخاب دسته بندی پویا ارائه می دهیم. پیش بینی شدت ترافیک یک مشکل اساسی در سیستم های حمل و نقل هوشمند ITS در شهرهای بزرگ است. مساله پیش بینی بلند مدت ترافیک یک مساله چالش برانگیز است زیرا وضعیت ترافیک به راحتی از عوامل تصادفی مانند تصادف ها یا شرایط اضطراری تاثیر می پذیرد. ما مساله پیش بینی شدت ترافیک را به عنوان یک مساله دسته بندی فرموله می کنیم که در آن شدت ترافیک در چند سطح گسسته سازی می شود. ما از روش های مختلف دسته بندی از جمله جنگل تصادفی، بگینگ، آدابوست و همچنین روش هایدسته بندی پویا استفاده می کنیم. در استفاده از روش های دسته بندی پویا، از روش دقت کلی محلی برای تخمین سطح شایستگی دسته بندهای پایه استفاده می کنیم. نتایج آزمایش های ما، بر روی مجموعه داده strategies road network نشان می دهد که مدل جنگل تصادفی نسبت به سایر مدل ها عملکرد بهتری دارد.

کلیدواژه ها:

داده کاوی ، یادگیری جمعی ، شدت ترافیک ، پیش بینی ترافیک ، انتخاب پویا ، دسته بند پایه