برآورد شاخص زمان سفر با استفاده از روشهای یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

2 دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

3 دانش آموخته دکتری، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

10.22034/tri.2021.265793.2850

چکیده

زمان سفر و تغییرات آن از جنبه‌های مهم حمل و نقل هستند که به عنوان شاخصی کلیدی جهت ارزیابی عملکرد شبکه در برنامه‌ریزی حمل و نقل مورد استفاده قرار می‌گیرند. مطالعات نشان می‌دهد تراکم ترافیکی به عنوان عامل مهمی در غیرقابل اعتماد بودن زمان سفر، به دو دسته تکرارشونده و غیرتکرارشونده تقسیم می‌شود. برای برآورد قابلیت اطمینان زمان سفر تحت اثر تراکم، درک و فهم علت وقوع تغییر امری ضروری است. مطالعات نشان می‌دهد تصادفات ترافیکی، نواحی تعمیر و نگهداری، آب و هوا، نوسانات ترافیک، رویدادهای خاص، تجهیزات کنترل ترافیک و تنگناهای فیزیکی هفت عامل عمده در ایجاد تغییرات زمان سفر هستند. این مقاله به دنبال بررسی آن است که چگونه تغییرات هندسه معبر (تعداد خطوط)، تصادفات، حجم ترافیک و شرایط آب و هوا بر قابلیت اطمینان زمان سفر اثر می‌گذارند. بدین منظور، طیفی از روش‌های یادگیری ماشین جهت بررسی و مدلسازی شبکه معابر بزرگراهی ایالت ویرجینا آمریکا مورد استفاده قرار گرفت که شامل رگرسیون بردار پشتیبان، رگرسیون نزدیک‌ترین همسایه و رگرسیون درخت تصمیم بود. نتایج این بررسی نشان داد این ابزار می‌توانند تا میزان مناسبی، تغییرات متوسط زمان سفر را منعکس کنند. با توجه به شاخص‌های آماری استخراج شده از مدل‌ها (خطای جذر میانگین مربعات، ضریب تعیین) و شاخص پایداری (نسبت ضریب تعیین مجموعه آموزش و آزمون) رگرسیون نزدیک‌ترین همسایه به عنوان مدل برتر شناسایی شد. انجام تحلیل حساسیت بر روی مدل برتر، نحوه تغییرات متغیر وابسته (شاخص زمان سفر) در مقابل تغییرات متغیرهای مستقل (متغیر نماینده حجم ترافیک، متغیر نماینده تصادفات و متغیر نماینده شرایط جوی) را نشان داد. نتایج این تحلیل‌ها در قالب نمودارهایی ارائه شد که کمک شایانی به بیان نتیجه‌گیری تحقیق نمود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of Travel Time Index Using Machine Learning Methods

نویسندگان [English]

  • Shahriar Afandizadeh 1
  • Navid Amoei Khorshidi 2
  • Navid Kalantari 3
1 Professor, School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
2 M.Sc., Stud., School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
3 Ph.D., Grad., School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
چکیده [English]

Travel time and its variation are among important aspects of transportation that are used as key indicators to evaluate network performance in transportation planning. Studies show that traffic congestion is an important factor effecting travel time reliability and is divided into two categories: Recurrent and Non-Recurrent. Studies show that Traffic incidents, Work zones, Weather, Demand fluctuations, Special events, Traffic control devices and bottlenecks are the seven major factors which cause travel time changes. This article aims to examine how changes in transit geometry (number of lanes), accidents, traffic volume, and weather conditions can affect travel time reliability. In order to do so, a variety of machine learning methods were used to study and model the Virginia highway network, including Support Vector Regression, Nearest Neighbor regression, and Decision Tree regression. The results of this study showed that these tools can reflect the changes in the average travel time to an appropriate extent. Among these methods, performance of the Nearest Neighbor was the best (coefficient of determination 0.85 and error 0.0012 for training set and coefficient of determination 0.57 and error 0.0014 for test set and stable performance equal to 1.47).

کلیدواژه‌ها [English]

  • Reliability
  • Travel Time
  • Machine Learning
  • Nearest Neighbor Regression

مراجع

Bagheri, F., Alizadeh, H., Mehrbakhsh, Z and Ziaratban, M., (2014), "Use of Data Mining Algorithms in Assessing the Affecting Factors on Predicting the Health Status of Newborns", Jorjani Biomedicine Journal, In Persian, Vol. 2, No.2, pp. 68-59.
 
-Bonnaire Fils, Prony, (2012), "­Modeling Travel Time and Reliability on Urban Arterials for Recurrent Conditions", Ph.D. Dissertation, Major Professor: Jian John Lu, Tampa: Department Civil and Environmental Engineering, South Florida University.
 
-Cambridge Systematics, Inc., (2013), "Analytical Procedures for Determining the Impact of Reliability Mitigation Strategies", Washington, TRB.
 
-Chen, Z., Fan, W., (2019), “Data Analytics Approach for Travel Time Reliability Pattern Analysis and Prediction”, J. Mod., Transport, 27, pp.250–265.
 Https://Doi. Org/ 10.1007 /S40534-019-00195-6.
 
 
-Chepuri, A., Borakanavar, M., Amrutsamanvar, R., Shriniwas, A., and Guarang, J., (2018), "Examining Travel Time Reliability Under Mixed Traffic Conditions: A Case Study of Urban Arterial Roads in Indian Cities", Asian Transport Studies,
Vol. 5, No.1, pp.30–46.
-Gunn, S. R., (1998), “Support Vector Machines for Classification and Regression”, ISIS Technical Report, 14(1),
pp.5-16.
 
-Javid, R. J. And Javid, R. J., (2017),
"A Framework for Travel Time Variability Analysis Using Urban Traffic Incident Data", IATSS Research: International Association of Traffic and Safety Sciences, Vol.42, No. 1, Pp.30-38.
 
-Lu, Chaoru, (2017), "Estimate Freeway Travel Time Reliability under Recurring and Nonrecurring Congestion", Ph.D. Dissertation, Major Professor: Jing Dong, Ames: Department of Civil, Construction, and Environmental Engineering, Iowa State University.
 
-Parrella, Francesco, (2007), "Online Support Vector Regression", Master Dissertation, Genoa: Department of Information Science, University of Genoa.
 
-Rajabi, M., Khademi, N., Foroozandeh, R., Shariat, A., (2018), “Analysis of Bus Travel Time Reliability Using GPS Data”, Quarterly Journal of Transportation Engineering, Vol.9, No. 3, pp.295-312.
-Steinwart, Ingo; Christmann, Andreas (2008), “Support Vector Machines”, New York: Springer.
 
-Tavasoli Hojati, A., Ferreira, L., Washington, S., Charles, P And Shobeirinejad, A., (2016), 
"­Modelling The Impact of Traffic Incidents on Travel Time Reliability­", Transportation Research Part C: Emerging Technologies, Vol.65,  pp. 49-60.
 
-Texas Transportation Institute with Cambridge Systematics, (2006), “Travel Time Reliability: Making It There on Time, All the Time”, Washington, US Department of Transportation, Federal Highway Administration.
 
-Urso, Alfonso, Fiannaca, Antonio, La Rosa, Massimo, Ravì, Valentina, And Rizzo, Riccardo, (2018), "Data Mining: Prediction Methods", Encyclopedia Of Bioinformatics And Computational Biology, Elsevier, Oxford.
 
-Yahyaoui, I., (2018), "Advances in Renewable Energies and Power Technologies, Vol.1, Elsevier.
-Yazici, M Anil., Kamga Camille And Singhal Abhishek, (2013), "­Weather’s Impact on Travel Time And Travel Time Variability In New York City ", Transportation Research Board 92nd Annual Meeting, 13-17 January: Washington DC.
 
-Zhang, Q, Chen, H, Liu, H, Li, W and Zhang, Y., (2020), "Origin-Destination-Based Travel Time Reliability Under Different Rainfall Intensities: An Investigation Using
Open-Source Data", Journal of Advanced Transportation.
 
-Zhang, X. And M. Chen, (2019), "Quantifying the Impact of Weather Events on Travel Time and Reliability", Journal of Advanced Transportation, pp. 1-9.
 
-Zhao, Linhui and Chien, I. Jy, (2012), "Analysis of Weather Impact on Travel Speed and Travel Time Reliability", 12th COTA International Conference of Transportation Professionals, 3-6 August, Beijing.
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار