ارائه مدل پیشبینی وضعیت ترافیک در معابر شهری شیراز
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,601
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TTC13_261
تاریخ نمایه سازی: 25 خرداد 1393
Abstract:
امروزه ترافیک به یکی از چالشهای پیش روی کلان شهرها تبدیل شده و بکارگیری سیستمهای حمل و نقل هوشمند راهکاری مناسب جهت بهبود آن محسوب میشود. پیشبینی کوتاهمدت وضعیت ترافیک معابر شهری نقش بسزایی در مدیریت ترافیک وبهبود عملکرد سیستمهای حمل و نقل هوشمند ایفا نموده و در این راستا فعالیتهای بسیاری در مراکز کنترل ترافیک و نهادهای علمی مربوطه در بکارگیری الگوریتمهای مناسب جهت کاهش خطای پیش بینی وضعیت ترافیک انجام شده است. در تحقیقات اخیر بکارگیری الگوریتمهای دادهکاوی با توجه به کارایی آنها در زمینهی استخراج اطلاعات از دادههای حجیمی همچون دادههای ترافیکی مورد توجه قرار گرفته است.در این مقاله نیز روش یادگیری تجمعی رندوم فارست با توجه به عملکرد قوی آن در زمینهی آموزش مدل – های پیشبینی مورد بررسی قرار گفرفت. مشاهدهی تفاوت شایان نرخ تغییرات وضعیت ترافیکی معابر مختلف در زمان آنالیز داده، منجر به اعمال یک مرحله انتخاب خصیصه گریده و همچنیین نظر به استفاده از دادهی واقعی در این تحقیق، انجام مراحل پیش پردازش مختلفی همچون حل مسئله مقادیر از دست رفته، کاهش بعد و فشردگی داده نیز مورد توجه قرارگرفته است. به منظور ارزیابی روش ارائه شده، آزمایشاتی بر روی دادههای ترافیکی ثبت شده در مراکز کنترل ترافیک شیراز صورت گرفته که نتایج حاصل، مؤید کارایی روش پیشنهادی میشود.
Keywords:
Authors
نرجس زارعی
کارشناس ارشد هوش مصنوعی مرکز کنترل ترافیک شهرداری شیراز
محسن حدیقه جوانی
کارشناس ارشد مهندسی ترافیک مرکز کنترل ترافیک شهرداری شیراز
امیر سوداگران
کارشناس ارشد فناوری اطلاعات، مدیر مرکز کنترل ترافیک شهرداری شیراز
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 :