مدل پیش بینی کوتاه مدت سرعت متوسط غیرمجاز با رویکرد یادگیری ماشین
عنوان مقاله: مدل پیش بینی کوتاه مدت سرعت متوسط غیرمجاز با رویکرد یادگیری ماشین
شناسه ملی مقاله: JR_JTE-13-2_011
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_JTE-13-2_011
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
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
خلاصه مقاله:
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.
کلمات کلیدی: تشخیص تخلف سرعت, شبکه عصبی بازگشتی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان, یادگیری ماشین
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1440636/