پیش بینی وضعیت ترافیک با استفاده از الگوریتم KNN یک مطالعه موردی بر اساس داده های دوماهه ترافیک متین نهاوندی

افزایش سریع وسایل نقلیه به دلیل شهرنشینی منجر به ترافیک سنگین، اتلاف زمان، افزایش آلودگی، و مسائل ایمنی جاده ای شده است. پیش بینی دقیق جریان ترافیک کوتاه مدت (۵ تا ۱۵ دقیقه) برای سیستم های حمل و نقل هوشمند (ITS) اهمیت دارد زیرا امکان مدیریت بهینه جریان ترافیک، کاهش تاخیرها، و بهبود ایمنی را فراهم می کند [(۲۰۲۳)Yu, Y; Si, X.; Hu, C., hang]. مدل های سنتی، مانند ARIMA، اغلب بر سری های زمانی تمرکز دارند و همبستگی های مکانی را نادیده می گیرند، که منجر به دقت پایین در محیط های شهری پیچیده می شود [حسینی, س; محمدی, ع (۲۰۲۲)]. این مقاله یک مدل (K-Nearest Neighbors (KNN) ساده برای پیش بینی وضعیت ترافیک پیشنهاد می کند که همبستگی های زمانی مانند روز هفته و مکانی (مانند تعداد وسایل نقلیه در نقاط مختلف) را در می گیرد. داده ها از دیتاست Traffic TwoMonth.csv Kaggle با ۵۹۵۲ رکورد استخراج شده و مدل های متغیره LSTM، SVR و KNN برای طبقه بندی وضعیت ترافیک به کلاس های high، heavy، down، normal طبقه بندی می کند [(۲۰۲۳),Aman]. مدل پیشنهادی با دقت ۹۶.۱ درصد عمل می کند که نسبت به مدل های پایه مانند SVR قابل توجهی نشان می دهد [Wang, L. Chen, J.; Zhang (۲۰۲۲)]. نتایج تجربی نشان دهنده کارایی بالا در پیش بینی کوتاه مدت و کاربرد در ITS است.

Keywords:

پیش بینی ترافیک , Nearest Neighbors , داده های دوماهه , طبقه بندی وضعیت , سیستم های حمل و نقل هوشمند