رضا محمدحسنی - گروه حمل و نقل ریلی، دانشکده مهندسی راه آهن، دانشگاه علم و صنعت ، تهران، ایران
ارش رسایزدی - دانشجوی دکتری برنامه ریزی حمل و نقل ریلی، دانشکده مهندسی عمران، دانشگاه تربیت مدرس، تهران، ایران

سرعت غیرمجاز یکی از عوامل اصلی وقوع تصادفات رانندگی است. در اثر سرعت غیرمجاز در راه­های برون شهری نه تنها احتمال وقوع تصادف افزایش پیدا می­کند بلکه بر شدت تصادفات نیز افزوده می­شود، لذا کنترل سرعت امری واجب به نظر می­رسد. نکته حائز اهمیت دیگر تلاش برای جلوگیری از وقوع تخلف سرعت غیرمجاز است. در این پژوهش سرعت متوسط ترافیک برای محور خرم آباد به اراک برای آینده نزدیک پیش­بینی می­شود. چنانچه سرعت متوسط پیش­بینی شده به سرعت مجاز نزدیک یا از آن بیشتر شود، می­توان قبل از وقوع حادثه تمهیدات لازم به منظور کاهش سرعت متوسط ترافیک به وسیله استفاده­کنندگان از راه یا گردانندگان سیستم اندیشیده شود. به منظور پیش­بینی سرعت متوسط ترافیک، داده ترافیکی محور یاد شده توسط دستگاه­های سرعت سنج در سال­های اخیر ثبت شده است. استخراج ویژگی­های موثر بر سرعت ترافیک نیز سبب تکمیل شدن مجموعه داده شده می شود تا بتوان از این ویژگی­ها برای پیش­بینی سرعت متوسط استفاده کرد. سه مدل ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بازگشتی به عنوان سه روش مبتنی بر یادگیری ماشین مورد استفاده قرار گرفته­اند. هر سه روش قابلیت تحلیل داده­های حجیم ترافیکی را داشته و در ضمن روش شبکه عصبی مصنوعی بازگشتی به عنوان یک روش مبتنی بر یادگیری عمیق تطابق بیشتری با ماهیت سری زمانی داده دارد. نتایج نشان می­دهد برای هر دو جهت رفت وبرگشت این محور، زمانی که تنها از ویژگی­های تقویمی و آب­وهوا استفاده شود میانگین درصد خطای مطلق مدل­ها بین ۸/۲ تا ۱/۵ درصد است و درصد پیش­بینی صحیح سرعت­های بالای ۸۵ کیلومتر بر ساعت بالای ۸۰ درصد است. همچنین با افزودن مقادیر مشاهده شده سرعت در بازه زمانی ۳ تا ۸ ساعت گذشته به عنوان متغیر پیش­بینی کننده، میانگین درصد خطای مطلق مدل­ها به ۵/۲ تا ۶/۴ درصد تقلیل پیدا می­کند.

تشخیص تخلف سرعت, شبکه عصبی بازگشتی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان, یادگیری ماشین