پیش بینی جریان ترافیک مبتنی برسیستم های نروفازی نوع -2 بهینه شده

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 775

This Paper With 7 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICEEE05_335

تاریخ نمایه سازی: 3 آذر 1392

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

Keywords:

پیش بینی کران دار , حمل و نقل هوشمند , IT2FLS , نروفازی نوع 2 , ANFIS , جستجوی ترتیبی

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 :