آرش رساءایزدی
الهه شرافت
سیداحسان سیدابریشمی

با پیشرفت روشهای برداشت داده، تعریف جدیدی تحت عنوان کلان داده وارد مطالعات حمل ونقل شده است. روشهای تحلیل چنین داده هایی عمدتا در طبقه روش های مبتنی بر یادگیری ماشین قرار میگیرد. داده هایی ترافیکی راه های برون شهری نیز کلان داده به حساب می آیند. چنانچه بتوان متغیرهای ترافیکی نظیر وضعیت ترافیک را برای آینده کوتاهمدت پیشبینی کرد، میتوان در بعد استفاده کننده و گرداننده سیستم، برنامه ریزیهای کوتاه مدت مشخصی داشت. در این مطالعه متغیر وضعیت ترافیک که شامل وضعیتهای، سبک، نیمه سنگین، سنگین و راهبندان میشود با استفاده از روشهای ماشین بردار پشتیبان و شبکه عصبی مصنوعی پیشبینی شده است. همچنین با توجه به تعدد ویژگیهای موجود در مجموعه داده، از روش تحلیل مولفه های اساسی به منظور کاهش ابعاد داده استفاده شده است. نتایج نشان میدهد، میانگین دقت پیشبینی وضعیت ترافیک با 92 متغیر اولیه برای مدل شبکه عصبی مصنوعی و مدل ماشین بردار پشتیبان به ترتیب برابر با 68/86 و 75/59 است و برای 30 متغیر به دست آمده از تحلیل مولفه های اساسی برای مدل شبکه عصبی مصنوعی و مدل ماشین بردار پشتیبان به ترتیب برابر با 63/62 و 75/18 است. به طورکلی مدل ماشین بردار پشتیبان دقت بیشتری در مقایسه با مدل شبکه عصبی مصنوعی در برداشته است.

پیشبینی کوتاه مدت، کلان داده، ماشین بردار پشتیبان، شبکه عصبی مصنوعی، وضعیت ترافیک، یادگیری ماشین، سیستمهای حمل ونقل هوشمند