ارزیابی مدلهای پارامتری و غیر پارامتری در پیش بینی وقایع نادر ترافیکی بر مبنای سرعت متوسط و حجم ترافیک | ||
| مهندسی عمران مدرس | ||
| Article 4, Volume 23, Issue 2, 1402, Pages 59-71 PDF (476.33 K) | ||
| Document Type: پژوهشی اصیل (کامل) | ||
| DOI: 10.22034/23.2.4 | ||
| Authors | ||
| آرش رساایزدی; سیداحسان سیدابریشمی* | ||
| دانشگاه تربیت مدرس | ||
| Abstract | ||
| پیشبینی متغیرهای ترافیکی یکی از ابزارهای کارآمد در مدیریت تقاضای سفر است. با استفاده از این ابزار، متغیرهای ترافیکی پیشبینی شده در اختیاران کاربران و گردانندگان سیستم حملونقل قرار میگیرد تا برنامهریزیهای فردی و سیاستگذاریهای کلی اتخاذ شوند. در این پژوهش دو متغیر ترافیکی سرعت متوسط و حجم ترافیک ساعتی، در جاده برونشهری کرج به چالوس بهعنوان محوری با نوسانات زیاد متغیرهای ترافیکی، پیشبینی شده است. از میان مدلهای متنوع پیشبینی کننده، مدل ساریما بهعنوان یک مدل پارامتری و مدلهای شبکه عصبی مصنوعی و ماشین بردار پشتیبان بهعنوان مدلهای غیرپارامتری استفاده شدهاند. در فرآیند پیشپردازش داده، متغیرهای اثرگذار بر سرعت متوسط و حجم ترافیک استخراج و بهعنوان متغیرهای پیشبینی کننده به مجموعه داده اضافه شده است. همچنین ازآنجاکه اطلاع داشتن از مقادیر بیشینه و کمینه سرعت متوسط و حجم ترافیک بهعنوان وقایع نادر ترافیکی، اهمیت بیشتری به نسبت مقادیر عادی دارد، ارزیابی مدلها با تأکید بر پیشبینی وقایع نادر انجام شده است. نتایج نشان میدهد، برای داده آزمون، کمترین ریشه میانگین مربعات خطای پیشبینی سرعت متوسط و حجم ترافیک به ترتیب با استفاده از مدلهای شبکه عصبی مصنوعی و ماشین بردار پشتیبان و برابر با 139 وسیله نقلیه بر ساعت و 5 کیلومتر بر ساعت حاصل شده است. کمترین ریشه میانگین مربعات خطا پیشبینی سرعت متوسط برای چارک اول و چهارم به عنوان مقادیر نادر ترافیکی مقادیر مشاهده شده به ترتیب توسط مدلهای ماشین بردار پشتیبان و شبکه عصبی مصنوعی به دست آمده است. همچنین چارک اول و چهارم مقادیر مشاهده شده حجم ترافیک با مدل ماشین بردار پشتیبان دقیقتر از دو مدل دیگر پیشبینی شدهاند. | ||
| Keywords | ||
| پیشبینی متغیرهای ترافیکی; پیشبینی وقایع نادر; ساریما; شبکه عصبی مصنوعی; ماشین بردار پشتیبان | ||
| References | ||
|
| ||
|
Statistics Article View: 225 PDF Download: 105 |
||
| Number of Journals | 45 |
| Number of Issues | 2,160 |
| Number of Articles | 24,572 |
| Article View | 19,843,534 |
| PDF Download | 16,030,726 |