استفاده از نظریه اطلاعات متقابل و سیستمهای هوشمند در پیش بینی کوتاه مدت جریان ترافیک

امروزه یکی از مسایل موجود در سیستمهای حمل و نقل هوشمند، پیش بینی جریان ترافیک می باشد که نقش مهمی را در مباحث کنترل ترافیک، کنترل چراغ های راهنمایی، کنترل زمان سفر و... دارد. در این مقاله با توجه به قدرت سیستم های هوشمند در زمینه مدل سازی و پیش بینی، از شبکه عصبیMLP برای پیش بینی جریان ترافیک استفاده شده و عملکرد آن مورد مقایسه با روش های معمولی قرار گرفته است. با توجه به متفاوت بودن الگوهای رفتاری جریان ترافیک، استفاده از این روش هوشمند ب هعنوان مدل غیرخطی تطبیق پذیر با شرایط محیطی بسیار مناسب می باشد. دیدگاه استفاده از اطلاعات متقابلMutual Information) یک ایده جالب برای به دست آوردن میزان وابستگی موجود بین داده های گذشته می باشد که می تواند میزان وابستگی غیرخطی موجود بین داده ها را به دست آورد. با محاسبه این تقابل اطلاعات بین داده های گذشته و انتخاب بهترین داده برای عملیات پیش بینی سعی کرده ایم که در عین کاهش حجم محاسباتی، دقت پیش بینی را نیز افزایش دهیم. برای ارزیابی عملکرد پیش بینی های طراحی شده از داد ههای ترافیکی مربوط به کشور آمریکا به عنوان داده های ترافیکی نسبتا منظم و همچنین داده های ترافیکی مربوط به کشور ایران به عنوان داده های ترافیکی همراه با عدم قطعیت زیاد، استفاده شده است.

Keywords:

سیستم حمل و نقل هوشمند , پیشبینی , شبکه عصبیMLP اطلاعات متقابل , انتخاب بهترین ورودی