مروری بر راهکارها و روش های مختلف پیش بینی جریان ترافیک مبتنی بر افق کوتاه مدت

توسعه ی سریع یادگیری ماشین و ظهور منابع داده ی جدید امکان بررسی و پیش بینی شرایط ترافیک در شهرهای هوشمند را به صورت صحیح تر از قبل میسر می سازد. این به بهینه سازی طراحی و مدیریت خدمات حمل و نقل در یک شهر مکانیزه در آینده کمک می کند. پیش بینی جریان ترافیک در کوتاه مدت یک تابع بسیار مهم در سیستم های پیشرفته مدیریت ترافیک (ATMS) و سیستم های پیشرفته اطلاعات مسافرتی (ATIS) می باشد. نتایج پیش بینی دقیق می تواند شرایط ترافیک آینده را نشان دهد، که از توسعه استراتژی های کنترل ترافیک فعال در ATMS حمایت می کند و موجب ارائه آنی هدایت مسیر در ATIS و همچنین ارزیابی استراتژی های کنترل ترافیک فعال و هدایت مسیر آنی می شود. امروزه تحقیقات جدیدی در پیش بینی کوتاه مدت جریان ترافیک بزرگراه های شهری، برون شهری و خیابان های سطحی با توجه به تحولات اخیر در فن آوری ITS بوجود آمده است. ترافیک خودرویی، به عنوان یک جریان و یا یک سیال پیوسته شامل چند پارامتر است از جمله تردد، دانسیته و سرعت. از آنجا که جریان ترافیک یکنواخت نیست و در طول زمان و مکان متفاوت است، اندازه گیری جریان ترافیک در واقع نمونه برداری از متغیرهای تصادفی است. در نتیجه پیش بینی جریان ترافیک مقدار واقعی نیست ، اما مقدار برآورد شده بر اساس داده های تجربی می باشد. در این مقاله به بررسی برخی روش های آماری برای تجزیه و تحلیل الگوهای جریان ترافیک و انتخاب مدل مناسب بر اساس مطالعه الگوهای جریان ترافیک مورد تاکید می پردازیم جریان ترافیک به دلیل سیستم فعلی افزایش قابل توجهی داشته و روشهای موجود هنوز رضایت بخش نیستند در این مقاله ما ارائه ی کاملی از روش های پیش بینی ترافیک را برای شهرهای هوشمند ارائه کرده و مروری بر منابع داده ی موجود و مدل های پیش بینی ترافیک را ارائه می کنیم.

Keywords:

پیش بینی جریان ترافیک , کوتاه مدت , تک متغیری , چند متغیری , شهر هوشمند , مدل های پیش بینی