پیش بینی زمان سفر بر مبنای داده های ترافیکی شناساگرها با استفاده از روش شبکه عصبی LSTM و الگو دوره ای- مطالعه موردی بر روی یک بخش آزادراهی انگلستان

چکیده: زمان سفر یکی از دغدغه های کلیدی مسافران قبل از شروع سفر بوده و همچنین شاخص مهمی برای درک شرایط ترافیکی است. با این حال، پیش بینی زمان سفر چالش برانگیز بوده و الگوهای زمان سفر معمولا نامنظم می باشد. در این مقاله، به کمک یک مدل یادگیری عمیق، مدل شبکه عصبی حافظه کوتاه مدت ماندگار (Long Short Term Memory or LSTM) و ترکیب آن با الگو دوره ای به پیش بینی زمان سفر در آزادراه پرداخته شده است. داده های مورد استفاده در این تحقیق حجم ترافیک، میانگین سرعت، درصد وسایل نقلیه مختلف و زمان سفر می باشد که از قسمتی از آزادراه M۴۲ انگلستان به صورت بازه های زمانی ۱۵ دقیقه ای برداشت شده است. ۳ مدل با روش LSTM و ۳ مدل با روش ترکیبی LSTM با الگو دوره ای ساخته شده-است. داده های ورودی به ۳ صورت به مدل داده شده اند: ۱- حجم، سرعت و نسبت وسایل نقلیه مختلف ۲- زمان سفر ۳- حجم، سرعت، نسبت وسایل نقلیه مختلف و زمان سفر. از طریق آموزش مدل ها و اعتبارسنجی آن ها، ساختار بهینه برای هر یک بدست آمد. سپس زمان های سفر برای چند گام زمانی آینده برای هر مدل پیش بینی شد. نتایج ارزیابی نشان داد که با افزایش ورودی به مدل ساده LSTM دقت آن افزایش می یابد، همچنین با افزایش گام زمانی خطای تمامی مدل ها افزایش می یابد اما از بازه زمانی حدود ۱۰۰ دقیقه به بعد (۶ گام زمانی) مدل های ترکیبی نتایج بهتری از خود نشان دادند و می توان از ترکیب الگوهای دوره ای با مدل های یادگیری عمیق برای پیش بینی های بلندمدت استفاده نمود.

Keywords:

کلمات کلیدی: آزادراه ها , پیش بینی زمان سفر , شبکه عصبی حافظه کوتاه مدت ماندگار , مدل یادگیری عمیق , الگوهای دوره ای