پیش بینی ترافیک در شرایط نامساعدجوی با تکیه بر داده های آب و هوایی و شبکه عصبی مصنوعی)ANN(

پیش بینی ترافیک به عوامل متعددی بستگی داردکه به یکدیگر وابسته هستند و اثرگذاری قابل توجهی بر یکدیگردارند. در این بین با توجه به مطالعات پیشین، پارامترهای ترافیکی و مرتبط با شرایط جوی تاثیر عمده ای بر حجم ترافیک عبوری از آزاده راه ها دارند. با توجه به موجود بودن اطلاعات ترددشماری و سابقه شرایط جوی معابر برون شهری در گذشته و همچنین قابلیت شبکه عصبی مصنوعی در شناسایی الگوها و دسته بندی اطلاعات و یادگیری از حجم عظیم از داد های پیشین، در این مطالعه جهت پیش بینی ترافیک، مدلی مبتنی بر شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) پیشنهاد شده است. پارامترهای مورد بررسی این مطالعه و ورودی مدل پیشنهادی شامل سرعت باد، حداقل درجه حرارت، میزان دید افقی، میزان بارش، حداکثردرجه حرارت، روز یا شب، ساعت، و تعطیلات رسمی می شود که این داده ها از اطلاعات ثبت شده ایستگاه سینوپنتیک سازمان هواشناسی و سازمان راهداری اخذ شده است. نتایج نشان داد که شبکه عصبی مصنوعی پرسپترون پیشنهادی در پیش بینی ترافیک سه ساعته دارای میانگین دارای مربعات خطا ۲۸/۰و ضریب همبستگی(R)۶۱/۰می باشد. با توجه به اثرگذاری پارامترهای آب و هوایی ورودی همچون بارش باران و سرعت باد بر تردد وسایل نقلیه در فصل زمستان، می توان گفت وجود این پارامترها در پایین بودن مقدار میانگین مربعات خطا و میزان ضریب همبستگی مناسب در مدل پیشنهادی پرسپترون چندلایه برای پیش بینی حجم ترافیک نقش مثبتی داشته اند. به طور کلی پس از مقایسه مقادیر به دست آمده از پرسپترون چندلایه با مقادیر حجم ترافیک حقیقی ثبت شده، نتایج حاصل از این مطالعه نشان داد که شبکه عصبی مصنوعی به دلیل ماهیت یادگیری و قابلیت آموزش از داده های ورودی، در حوزه پیش بینی ترافیک دارای دقت مناسب و عملکردی قابل قبول است و افزایش تعداد داده ها و در نظرگرفتن مدت زمان طولانی تر بررسی میتواند نتایج بهتری را نمایان کند.

پیش بینی ترافیک در شرایط نامساعدجوی با تکیه بر داده های آب و هوایی و شبکه عصبی مصنوعی)ANN( Keywords:

پیشبینی ترافیک , هوش مصنوعی , الگوریتم , شبکه عصبی مصنوعی , آب وهوا , .