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

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.

سیستم‌های حمل و نقل هوشمند ITS، پیش‌بینی ترافیک، الگوریتم‌های داده‌کاوی