پیش بینی جریان ترافیک مبتنی برسیستم های نروفازی نوع -2 بهینه شده
Publish Year: 1392
Type: Conference paper
Language: Persian
View: 854
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ICEEE05_335
Index date: 24 November 2013
پیش بینی جریان ترافیک مبتنی برسیستم های نروفازی نوع -2 بهینه شده abstract
داشتن پیش بینی درستی ازجریان ترافیکی یک مسئله مهم درسیستم های حمل و نقل هوشمندits به شمارمی اید به دلیل اینکه جریان ترافیکی تحت تاثیرعوامل مختلف غیرخطی ازجمله رفتاررانندگان وسایل نقلیه و ... قرار میگیرد یک سیستم غیرخطی قوی را تشکیل میدهدکه با زمان تغییر می کنددراین مقاله سیستم ترافیکی تقاطع ازادی - حجت درشهرمشهد درنظر گرفته شده و داده های واقعی برای سال های 2009و2010 ازسیستم SCATS جمع اوری شده است ازانجایی که ANFIS یک سیستم فازی عصبی تطبیقی است لذا با قابلیت خودآموزشی که دارد میتواند یک کنترلر بهینه باشد چرا که تعداد پارامترهای بیشتری برای تنظیم دراختیار سیستم قرارمیدهد و با اموزش دیدن تنظیم خوبی ازشرایط حاکم بدست می آورد دراین مقاله نیز روشی برای پیش بینی بلندمدت کران های بالا و پایین حجم ترافیک با استفاده ازسیستم های نروفازی نوع 2 مبتنی برسیستم های نروفازی نوع -1 ارایه شده است برای این کار ابتدا ورودیهای موثر انتخاب و سیستم نروفازی نوع -1 با آنها اموزش می بیندسپس سیستم فازی نوع -2 معادل آن را جایگزین کرده درنهایت پارامترهای سیستم فازی نوع -2 با الگوریتم ژنتیک بهینه سازی میشود نتایج حاصل نشان میدهد پیش بینی براساس منطق فازی نوع -2 قابل تحسین است
پیش بینی جریان ترافیک مبتنی برسیستم های نروفازی نوع -2 بهینه شده Keywords:
پیش بینی جریان ترافیک مبتنی برسیستم های نروفازی نوع -2 بهینه شده authors
مجتبی پریچه
دانشگاه آزاد اسلامی واحد گناباد
آصف زارع
دانشگاه آزاد اسلامی واحد گناباد
سیدمجتبی روحانی
دانشگاه آزاد اسلامی واحد گناباد
حسین ترکمنی نوقابی
آموزشکده فنی پسران گناباد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :