@article { author = {Rahmaty, M. and Radfar, R. and Toloie Ashlaghi, A. and Pilevari Salmasi, N.}, title = {Designing a Model for Prediction the Suburban Daily Traffic Volume Using Adaptive Network Based Fuzzy Inference System}, journal = {Journal of Transportation Research}, volume = {16}, number = {1}, pages = {51-62}, year = {2019}, publisher = {}, issn = {1735-3459}, eissn = {2008-3351}, doi = {}, abstract = {  An ever increasing demand for using personal vehicles as means of transportation has turned the traffic congestion in to the most important problem in many metropolitan areas in the world. Environmental, social and economic impacts of traffic jams on human societies have urged the researchers to seek solutions to cope with this problem. Prediction of the daily volume of traffic is one of the solutions to the problem. The Traffic prediction helps the controllers to prevent the traffic congestion by taking appropriate decisions. In present study an Adaptive Network Based Fuzzy Inference System (ANFIS) has been used as one of the artificial intelligence-based methods in predicting the volume of suburban daily traffic in the routes connecting the provinces in Iran. To increase the reliability of the estimations, the data were randomly applied to the ANFIS in three modes of training, testing and checking: The training set was used in model design, while the testing and checking sets were used for validation of the model. The designed model predicts the traffic volumes with 90% precision. It can, therefore, be concluded that ANFIS is an appropriate tool for predicting the volumes of daily suburban traffic, and authorities are suggested using this model in their planning and decisions.}, keywords = {Suburban,prediction,Daily Traffic Volume,Adaptive Network Based Fuzzy Inference system (ANFIS)}, title_fa = {طراحی مدل پیش بینی حجم ترافیک روزانه برون شهری با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS)}, abstract_fa = { تقاضای روزافزون استفاده از وسایل حمل و نقل شخصی، مشکل تراکم ترافیک را به یکی از مهم ترین بحران ها در اکثر کلان شهرهای جهان تبدیل کرده است. تأثیرات زیست محیطی، اجتماعی و اقتصادی که گره های ترافیکی بر جوامع بشری می گذارد محققین را برآن داشته است که به دنبال راه کارهایی برای مقابله با آن باشند. یکی از این راه کارها پیش بینی حجم ترافیک روزانه است. پیش بینی ترافیک به کنترل کننده ها کمک می کند تا با اتخاذ تصمیمات مناسب از بروز ازدحام در ترافیک جلوگیری نمایند. در پژوهش حاضر، به منظور پیش بینی حجم ترافیک روزانه برون شهری در مسیرهای بین مراکز استان های کشور، از سیستم استنتاج فازی مبتنی بر شبکه عصبی (ANFIS) بعنوان یکی از روشهای هوش مصنوعی استفاده شده است. به‌منظور افزایش اطمینان ازتخمین ترافیک، داده ها بصورت تصادفی در سه حالت آموزشی، آزمایشی و اعتبارسنجی به سیستم استنتاج فازی مبتنی بر شبکه عصبی اعمال شد: مجموعه آموزش جهت طراحی مدل، مجموعه آزمایش و مجموعه اعتبارسنجی جهت ارزیابی و تعیین اعتبار مدل مدل طراحی شده حجم ترافیک را با دقت 90 درصد پیش بینی نمود. بنابراین می توان نتیجه گرفت که ANFIS  ابزار مناسبی برای پیش بینی حجم ترافیک روزانه برون شهری است و پیشنهاد می شود مسئولین در تصمیمات و برنامه ریزی هایشان از این مدل استفاده نمایند}, keywords_fa = {برون شهری,پیش‌بینی,حجم ترافیک روزانه,سیستم استنتاج فازی مبتنی بر شبکه عصبی (ANFIS)}, url = {https://www.trijournal.ir/article_88536.html}, eprint = {https://www.trijournal.ir/article_88536_ea7495f0a34ec70cc336dca2b0c0bf24.pdf} }