ارزیابی مدل های پارامتری و غیر پارامتری در پیش بینی وقایع نادر ترافیکی بر مبنای سرعت متوسط و حجم ترافیک

پیش ­بینی متغیرهای ترافیکی یکی از ابزارهای کارآمد در مدیریت تقاضای سفر است. با استفاده از این ابزار، متغیرهای ترافیکی پیش ­بینی شده در اختیاران کاربران و گردانندگان سیستم حمل­ ونقل قرار می­ گیرد تا برنامه ­ریزی­ های فردی و سیاست گذاری های کلی اتخاذ شوند. در این پژوهش دو متغیر ترافیکی سرعت متوسط و حجم ترافیک ساعتی، در جاده برون شهری کرج به چالوس به عنوان محوری با نوسانات زیاد متغیرهای ترافیکی، پیش ­بینی شده است. از میان مدل­ های متنوع پیش ­بینی کننده، مدل ساریما به عنوان یک مدل پارامتری و مدل­ های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به عنوان مدل ­های غیرپارامتری استفاده شده­ اند. در فرآیند پیش ­پردازش داده، متغیرهای اثرگذار بر سرعت متوسط و حجم ترافیک استخراج و به عنوان متغیرهای پیش ­بینی کننده به مجموعه داده اضافه شده است. همچنین ازآنجاکه اطلاع داشتن از مقادیر بیشینه و کمینه سرعت متوسط و حجم ترافیک به عنوان وقایع نادر ترافیکی، اهمیت بیشتری به نسبت مقادیر عادی دارد، ارزیابی مدل­ ها با تاکید بر پیش ­بینی وقایع نادر انجام شده است. نتایج نشان می ­دهد، برای داده آزمون، کمترین ریشه میانگین مربعات خطای پیش ­بینی سرعت متوسط و حجم ترافیک به ترتیب با استفاده از مدل­ های شبکه عصبی مصنوعی و ماشین بردار پشتیبان و برابر با ۱۳۹ وسیله نقلیه بر ساعت و ۵ کیلومتر بر ساعت حاصل شده است. کم­ترین ریشه میانگین مربعات خطا پیش ­بینی سرعت متوسط برای چارک اول و چهارم به عنوان مقادیر نادر ترافیکی مقادیر مشاهده شده به ترتیب توسط مدل­ های ماشین بردار پشتیبان و شبکه عصبی مصنوعی به دست آمده است. همچنین چارک اول و چهارم مقادیر مشاهده شده حجم ترافیک با مدل ماشین بردار پشتیبان دقیق­ تر از دو مدل دیگر پیش ­بینی شده­ اند.

Keywords:

Traffic variables prediction , Rare event prediction , SARIMA , Artificial neural network , Support vector machine , پیش بینی متغیرهای ترافیکی , پیش بینی وقایع نادر , ساریما , شبکه عصبی مصنوعی , ماشین بردار پشتیبان