پژوهشنامه حمل و نقل

پژوهشنامه حمل و نقل

پیش‌بینی حجم ترافیک با استفاده از روش‌های یادگیری ماشین، مطالعه موردی: خیابان کمال واقع در شهر اصفهان

نوع مقاله : مقاله پژوهشی

نویسندگان
مهسا لطیفی 1
جمشید مالکی 2
1 دانشجوی کارشناسی‌ارشد سیستم‌های اطلاعات مکانی (GIS)، گروه مهندسی نقشه‌برداری، دانشکدة مهندسی عمران و حمل‌ونقل، دانشگاه اصفهان، اصفهان، ایران
2 استادیار، گروه مهندسی نقشه‌برداری، دانشکدة مهندسی عمران و حمل‌ونقل، دانشگاه اصفهان، اصفهان، ایران
10.22034/tri.2025.482957.3288
چکیده
تقاضای روزافزون استفاده از وسایل حمل‌ونقل شخصی، مشکل تراکم ترافیک را به یکی از مهم‌ترین بحران‌ها در اکثر کلان‌شهرهای جهان تبدیل کرده است. توانایی پیش‌بینی میزان حجم ترافیک جاده‌ها می‌تواند در بسیاری از برنامه‌های مدیریتی و کنترل ترافیک کمک کند. اما تعیین حجم ترافیک چالش‌برانگیز است، زیرا شمارش وسایل نقلیه معمولاً فقط در تعداد معدودی از مکان‌هایی که دارای سنسورهای ترافیک ثابت هستند، امکان‌پذیر است. در پژوهش حاضر برای رفع این چالش از داده‌های مسیریابی سرویس نشان استفاده شده است. با مسیریابی در ساعات مختلف شبانه‌روز ثبت اطلاعات مربوط به مدت‌زمان سفر، امکان برآورد حجم ترافیک یال‌های شهری وجود دارد. برای بررسی امکان‌پذیری روش پیشنهادی، داده‌های مربوط به مدت‌زمان سفر خیابان کمال واقع در شهر اصفهان برای ساعت مختلف شبانه‌روز و به مدت 24 روز اخذ گردید. همچنین به‌منظور پیش‌بینی حجم ترافیک ساعتی از روش های یادگیری ماشین شامل جنگل‌ تصادفی، درخت تقویت کننده گرادیان شدید، شبکه عصبی حافظه کوتاه ‌مدت طولانی و شبکه‌های عصبی بازگشتی بلندمدت‌دوطرفه بکارگرفته‌شده‌است. از تبدیل فوریه سریع نیز جهت شناسایی فرکانس های اصلی تغییرات حجم ترافیک و مدلسازی و مقایسه با روش های دیگر استفاده شده است. در روش‌های استفاده شده در این پژوهش، از ویژگی‌هایی مانند: وابستگی مکانی (مجموع مدت زمان سفر یال های ورودی خیابان)، تاریخچه مدت زمان سفر، ویژگی‌های زمانی مانند: ساعت و روز‌های هفته، تعداد یال‌های‌ورودی و تعداد مراکز تاثیرگذار در ترافیک شهری ازجمله: تعداد مدارس،تعداد بانک‌ها، هتل‌ها، شهرداری‌ها، داروخانه‌ها، اورژانس و بیمارستان‌ها، جمعیت محصل و کل جمعیت در محدوده خیابان‌ها استفاده‌شده‌است. نتایج عددی نشان می دهد، روش های یادگیری ماشین و یادگیری عمیق عملکرد بهتری نسبت به روش تبدیل فوریه سریع دارند. همچنین در بین روش های یادگیری ماشین و یادگیری عمیق نیز روش جنگل تصادفی با میزان بالای R2 برابر با 93/0 عملکرد بهتری را نسبت به سایر روش ها دارد.
کلیدواژه‌ها
پیش‌بینی حجم ترافیک ساعتی
یادگیری ماشین
تبدیل فوریه سریع
مدل‌سازی مکانی - زمانی

موضوعات

عنوان مقاله English

Traffic Volume Prediction Using Machine Learning Methods (Case Study: Kamal Street: Isfahan)

نویسندگان English

Mahsa Latifi 1
Jamshid Maleki 2
1 M.Sc., Student, Department of Geomatics Engineering, Faculty of Civil and Transportation Engineering‌, University of Isfahan‌, Isfahan, Iran.
2 Assistant Professor, Department of Geomatics Engineering, Faculty of Civil and Transportation Engineering‌, University of Isfahan‌, Isfahan, Iran.
چکیده English

The increasing demand for the use of private vehicles has turned traffic congestion into one of the most critical crises in major cities worldwide. The ability to predict road traffic volume can aid significantly in many traffic management and control programs. However, estimating traffic volume is challenging, as vehicle counting is typically only possible at a limited number of locations equipped with fixed traffic sensors. In this study, routing data from the "Neshan" service has been used to address this challenge. By recording travel time data at different hours of the day, it is possible to estimate the traffic volume of urban road segments. To assess the feasibility of the proposed method, travel time data from Kamal Street, located in Isfahan, was collected for various hours of the day over a period of 23 days. Additionally, machine learning methods, including Random Forest, Extreme Gradient Boosting, Long Short-Term Memory (LSTM) neural networks, and Bidirectional LSTM networks, were employed to predict hourly traffic volume. The Fast Fourier Transform (FFT) was also used to identify the primary frequencies of traffic volume fluctuations and to model and compare with other methods. In the methods used in this study, features such as spatial dependency (total duration of the incoming edges to the street), duration history, temporal features like the hour of the day and the day of the week, the number of incoming edges, and the number of traffic-influencing centers such as schools, banks, hotels, municipal buildings, pharmacies, emergency services, and hospitals, as well as the student population and total population within the street area, were utilized. Among the machine learning and deep learning methods, the random forest method, with a high R² value of 0.93, shows better performance compared to other methods.

کلیدواژه‌ها English

Hourly Traffic Volume Prediction
Spatial-Temporal Modeling
Machine Learning
Fast Fourier Transform
-Abduljabbar, R. L., Dia, H., & Tsai, P.-W. (2021). Unidirectional and bidirectional LSTM models for short‐term traffic prediction. Journal of Advanced Transportation, 2021(1), 5589075.
-Ahmed, M. S., & Cook, A. R. (1979). Analysis of freeway traffic time-series data by using Box-Jenkins techniques.
-Asencio-Cortés, G., Florido, E., Troncoso, A., & Martínez-Álvarez, F. (2016). A novel methodology to predict urban traffic congestion with ensemble learning. Soft Computing, 20, 4205-4216.
-Berlotti, M., Di Grande, S., & Cavalieri, S. (2024). Proposal of a machine learning approach for traffic flow prediction. Sensors, 24(7), 2348.
-Biau, G., & Scornet, E. (2016). A random forest guided tour. Test, 25, 197-227.
-Bracewell, R., & Kahn, P. B. (1966). The Fourier transform and its applications. American Journal of Physics, 34(8), 712-712.
-Chen, H., & Grant-Muller, S. (2001). Use of sequential learning for short-term traffic flow forecasting. Transportation Research Part C: Emerging Technologies, 9(5), 319-336.
-Chen, K., Zhao, S., & Zhang, D. (2019). Short-term Traffic Flow Prediction based on Data-Driven Knearest neighbour Nonparametric Regression. Journal of Physics: Conference Series.
-Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining.
-Emami, H., & Rafati, A. (2023). Monitoring and comparing various approaches for short-term forecasting of urban traffic parameters and simulation using GIS:(Case study of the city of London). Journal of Transportation Research, 20(4), 443-462 (In Persian).
-Gomes, B., Coelho, J., & Aidos, H. (2023). A survey on traffic flow prediction and classification. Intelligent Systems with Applications, 200268.
-Habtemichael, F. G., & Cetin, M. (2016). Short-term traffic flow rate forecasting based on identifying similar traffic patterns. Transportation Research Part C: Emerging Technologies, 66, 61-78.
-Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R news, 2(3), 18-22.
-Lingras, P., Sharma, S., & Zhong, M. (2002). Prediction of recreational travel using genetically designed regression and time-delay neural network models. Transportation Research Record, 1805(1), 16-24.
-Liu, Y., Zhu, N., Ma, S., & Jia, N. (2015). Traffic sensor location approach for flow inference. IET Intelligent Transport Systems, 9(2), 184-192.
-Lv, Y., Duan, Y., Kang, W., Li, Z., & Wang, F. Y. (2014). Traffic flow prediction with big data: A deep learning approach. IEEE Transactions on Intelligent Transportation Systems, 16(2), 865-873.
-Ma, X., Tao, Z., Wang, Y., Yu, H., & Wang, Y. (2015). Long short-term memory neural network for traffic speed prediction using remote microwave sensor data. Transportation Research Part C: Emerging Technologies, 54, 187-197.
-Okutani, I., & Stephanedes, Y. J. (1984). Dynamic prediction of traffic volume through Kalman filtering theory. Transportation Research Part B: Methodological, 18(1), 1-11.
-Park, D., & Rilett, L. R. (1998). Forecasting multiple-period freeway link travel times using modular neural networks. Transportation Research Record, 1617(1), 163-170.
-Park, D., & Rilett, L. R. (1999). Forecasting freeway link travel times with a multilayer feedforward neural network. Computer‐Aided Civil and Infrastructure Engineering, 14(5), 357-367.
-Park, D., Rilett, L. R., & Han, G. (1999). Spectral basis neural networks for real-time travel time forecasting. Journal of Transportation Engineering, 125(6), 515-523.
-Pechatnova, E., & Kuznetsov, V. (2021). Mathematical modeling of traffic volume in the suburban area based on the time series decomposition. Journal of Physics: Conference Series.
-Rahmaty, M., Radfar, R., Toloie Ashlaghi, A., & Pilevari Salmasi, N. (2019). Designing a Model for Prediction the Suburban Daily Traffic Volume Using Adaptive Network Based Fuzzy Inference System. Journal of Transportation Research, 16(1), 51-62.(In Persian)
-Sahebi, S., Meskar, M., & Bafandeh, M. (2024). Holidays Traffic Volume Prediction Using Neural Networks: a Case Study in Iran Rural Roads. Journal of Transportation Research (In Persian).
-Sekuła, P., Marković, N., Vander Laan, Z., & Sadabadi, K. F. (2018). Estimating historical hourly traffic volumes via machine learning and vehicle probe data: A Maryland case study. Transportation Research Part C: Emerging Technologies, 97, 147-158.
-Shaygan, M., Meese, C., Li, W., Zhao, X. G., & Nejad, M. (2022). Traffic prediction using artificial intelligence: review of recent advances and emerging opportunities. Transportation Research Part C: Emerging Technologies, 145, 103921.
-Tamir, T. S., Xiong, G., Li, Z., Tao, H., Shen, Z., Hu, B., & Menkir, H. M. (2020). Traffic congestion prediction using decision tree, logistic regression and neural networks. Ifac-PapersOnline, 53(5), 512-517.
-Tay, L., Lim, J. M.-Y., Liang, S.-N., Keong, C. K., & Tay, Y. H. (2023). Urban traffic volume estimation using intelligent transportation system crowdsourced data. Engineering Applications of Artificial Intelligence, 126, 107064.
-Tian, Y., Zhang, K., Li, J., Lin, X., & Yang, B. (2018). LSTM-based traffic flow prediction with missing data. Neurocomputing, 318, 297-305.
-Van Lint, J., Hoogendoorn, S. P., & van Zuylen, H. J. (2002). Freeway travel time prediction with state-space neural networks: Modeling state-space dynamics with recurrent neural networks. Transportation Research Record, 1811(1), 30-39.
-Wang, Y., Papageorgiou, M., & Messmer, A. (2006). RENAISSANCE–A unified macroscopic model-based approach to real-time freeway network traffic surveillance. Transportation Research Part C: Emerging Technologies, 14(3), 190-212.
-Wu, Y.-J., Chen, F., Lu, C.-T., & Yang, S. (2016). Urban traffic flow prediction using a spatio-temporal random effects model. Journal of Intelligent Transportation Systems, 20(3), 282-293.
-Xu, D. w., Wang, Y.-d., Jia, L.-m., Qin, Y., & Dong, H.-h. (2017). Real-time road traffic state prediction based on ARIMA and Kalman filter. Frontiers of Information Technology & Electronic Engineering, 18, 287-302.
-Yeon, K., Min, K., Shin, J., Sunwoo, M., & Han, M. (2019). Ego-vehicle speed prediction using a long short-term memory based recurrent neural network. International Journal of Automotive Technology, 20, 713-722.
-Yi, Z., Liu, X. C., Markovic, N., & Phillips, J. (2021). Inferencing hourly traffic volume using data-driven machine learning and graph theory. Computers, Environment and Urban Systems, 85, 101548.
-Yin, H., Wong, S. C., Xu, J., & Wong, C. (2002). Urban traffic flow prediction using a fuzzy-neural approach. Transportation research Part C: Emerging Technologies, 10(2), 85-98.
-Zhan, X., Zheng, Y., Yi, X., & Ukkusuri, S. V. (2016). Citywide traffic volume estimation using trajectory data. IEEE Transactions on Knowledge and Data Engineering, 29(2), 272-285.
-Zhang, L., Bian, W., Qu, W., Tuo, L., & Wang, Y. (2021). Time series forecast of sales volume based on XGBoost. Journal of Physics: Conference Series.