پیش‌بینی خودکار گره‌های ترافیکی با استفاده از مدل سازی شبکه عصبی

نوع مقاله: مقاله پژوهشی

نویسنده

استادیار، گروه عمران، دانشگاه پیام نور، تهران، ایران

چکیده

افزایش حجم ترافیک و ایجاد گره­های ترافیکی در راههای بین‌شهری و همچنین شبکه ترافیک شهری سبب کاهش کارایی شبکه ترافیکی و راههای مورد نظر می­شود. پیش­بینی و کشف هرچه سریعتر این گره­های ترافیکی می­تواند کمک شایانی به حل مشکل و روان‌سازی جریان ترافیک نماید. شبکه­های عصبی مصنوعی نشان داده­اند که با تکیه بر قابلیت یادگیری خود می­توانند عملکرد بسیار مناسبی در این زمینه از خود نشان دهند. هدف اصلی این تحقیق پیش­بینی و تشخیص خودکار گره­های ترافیکی با استفاده از مدل شبکه عصبی هوشمند و مقایسه کارایی مدل با مدلهای دیگر موجود است. به طوریکه با استفاده از داده­های آموزشی، شبکه عصبی مصنوعی را به گونه‌ای بیاموزد که بتواند خروجی مورد نظر را تشخیص و در مورد داده­های هدف با موفقیت پیش‌بینی را انجام دهد. روش تحقیق جهت پیش­بینی معماری شبکه از سه پارامتر ورودی و یک پارامتر خروجی استفاده شده است. در این تحقیق از سه نوع شبکه عصبی مصنوعی به منظور پیش­بینی و کشف خودکار گره­های ترافیکی استفاده شده است. داده­های مورد استفاده در این تحقیق از اطلاعات واقعی مرکز کنترل ترافیک آزادراه تهران- کرج به‌صورت روزانه، هفتگی و ماهیانه می‌باشد. در ابتدا از شبکه عصبی چند لایه پرسپترون، استفاده شده و شبکه عصبی دیگری که در این تحقیق مورد استفاده قرار گرفته، شبکه نروفازی می‌باشد و در نهایت از شبکه عصبی تابع مبنای شعاعی به منظور بررسی موفقیت دو شبکه قبلی استفاده شده است. کارایی و دقت مدلهای مختلف براساس بهترین و جامع‌ترین مجموعه شاخص‌های ارزیابی جهت سنجش کارکرد هر کدام از مدلها تحلیل شد و براساس مقایسه کارایی آنها نسبت به یکدیگر، مدل پرسپترون با کارایی بهینه معرفی شد. مقایسه نتایج مقادیر پیش‌بینی شده جریان ترافیکی با مقادیر اندازه‌گیری شده در واقعیت، نشان می‌دهد که مدل مطرح شده به‌طور رضایت‌بخشی جریان ترافیکی را پیش‌بینی می‌کند.
 
 

کلیدواژه‌ها


عنوان مقاله [English]

Automatic Node Traffic Prediction Using Neural Network Modeling

نویسنده [English]

  • S. F. faezi
Department of civil engineering, payame noor university (PNU),P.O.BOX.19395-3697. Tehran, Iran
چکیده [English]

Increasing traffic volume and creating traffic nodes in interurban and urban traffic networks will reduce the efficiency of the traffic network and the desired routes. Anticipating and discovering these traffic nodes as soon as possible can help solve the problem and streamline traffic flow. Artificial neural networks have shown that they are able to perform very well on their own learning capabilities. The main objective of this research is to predict and automatically detect traffic nodes using the intelligent neural network model and compare the model's performance with other models. By using educational data, the artificial neural network can be trained so that it can detect the desired output and perform predictive prediction on target data. The research method is to predict the network architecture from three input parameters and one output parameter. In this research, three types of artificial neural networks are used to predict and automatically detect traffic nodes. The data used in this research is the actual information of the traffic control center of Tehran-Karaj Freeway on a daily, weekly and monthly basis. Initially, the multilayer perceptron of artificial neural network was used, and another neural network used in this research was neuro-fuzzy network and eventually the neural network of the radial-based function was used to examine the success of the two previous networks. Based on the results, the efficiency and accuracy of different models based on the best and most comprehensive set of evaluation indicators were used to evaluate the performance of each of the models as well as to compare their efficiency with each other. Finally, the perceptron model was introduced with optimal efficiency. Comparison of the results of the traffic flow predicted values ​​with the measured values ​​in reality shows that the proposed model satisfies the traffic flow satisfactorily.
 
 
 

کلیدواژه‌ها [English]

  • Traffic Node
  • Artificial Neural Network
  • Freeway
  • Multilayer Perceptron
  • Neuro-Fuzzy

-امامی، م.، و یثربی، س.ش. الف.، (1393)، "کاربرد شبکه عصبی مصنوعی در تفسیر نتایج آزمایش پرسیومتری" فصلنامه عمران مدرس، دوره چهاردهم، ص. 11-25.

-امینی، س. دوست‌محمدی، ع.، (1386)، "مدل‌سازی و کنترل نظارتی شبکه‌های ترافیک شهری ابعاد وسیع با استفاده از پتری نت های هایبرید"، دهمین کنفرانس مهندسی حمل و نقل و ترافیک ایران، ص. 77-80.

-بهبهانی، ح. و حقیقی، ف. ر.، (1389)، " کنترل زمان بندی چراغ راهنمایی بوسیله شبکه‌های عصبی"، دوازدهمین کنفرانس مهندسی حمل و نقل و ترافیک ایران، ص. 52-55.

-پورمعلم، ن. دزفولیان، ر.، (1388)، "ارایه الگوریتم و مدل ارزیابی تحلیل سوانح ریلی با استفاده از سیستم‌های هوشمند عصبی- فازی (مطالعه موردی خروج از خط)"، فصلنامه مهندسی حمل و نقل، دوره 1، شماره 1، ص. 11-23.

-جوانشیر، ح. ناصرعلوی، م. و مبشری، ح.، (1388)،
"­اصول و کاربردهای سیستم‌های هوش جمعی در مهندسی حمل و نقل"، ششمین کنگره ملی مهندسی عمران، سمنان، ص. 111-114.

-ذوالفقاری، الف.، کرکه‌آبادی، ز.، (1392)، "مسیریابی هوشمند اکیپ‌های امدادی با استفاده از الگوریتم تئوری بازیها نمونه موردی: شهر سمنان"، فصلنامه مهندسی حمل و نقل، دوره 5، شماره 1، ص. 19-32.

-شفابخش غ.ع.، نادرپور، ح.، (1389). "مدلسازی تخصیص ناوگان اتوبوسرانی شهری با استفاده از شبکه‌های عصبی مصنوعی (مطالعه موردی: مشهد مقدس)"، فصلنامه مهندسی حمل و نقل، دوره 1، شماره 3، ص. 67-79.

-شمسی­نژاد، پ.، (1392)، " کنترل ترافیک یک تقاطع ایزوله با روش هوشمند فازی"، اولین کنفرانس ایده­های نو در مهندسی برق، دانشگاه آزاد خوارسگان- اصفهان،
ص. 44-47.

-عباسی، س. ح. و یعقوبی، م. (1392)، "­رویکردی نو در بررسی پیش‌بینی پذیری ترافیک شهری مبتنی بر تئوری آشوب و پیش‌بینی جریان ترافیک شهر مشهد مبتنی بر سیستم فازی- عصبی تطبیقی چندگانه"، فصلنامه مهندسی حمل و نقل، سال چهارم، شماره سوم، ص. 233-246.

-Bingham, E. (­2014), “Reinforcement learning in neural fuzzy traffic signal control,” Eur. J. Opera. Res., Vol. 131, No. 2, pp. 232–241.

-Fausett, L. V. (1994), “Fundamentals neural networks: Architecture, algorithms, and applications”, Prentice-Hall, Inc., Englewood Cliffs, New Jersey.

-Kumar, K. Parida, M. and Katiyar, V. K. (2014), “Prediction of urban traffic noise using artificial neural network approach ", Environmental Engineering & Management Journal (EEMJ), Vol. 13 ,No. 4, pp.817-826

-Piuri,V. and C.Alippi. (2011), "Artificial neural networks"; Journal of system Architecture; Vol. 44, No.8, pp.565-567.

-Sharma, M. Dahiya, M. Saini, P. K. and Garg, N. (2014), "Application of Artificial Neural Network for Modelling of Traffic Noise on Roads in Delhi", IOSR Journal of Mechanical and Civil Engineering,
Vol.56, PP. 31-36.

-Srinivasan, D. Choy, M. Ch. Cheu, R. L. (2006), " Neural Networks for Real-Time Traffic Signal Control", IEEE Transactions on Intelligent Transportation Systems, Vol. 7, No. 3.

-Williams, B. M. (2015), “Multivariate vehicular traffic flow prediction: An evaluation of ARIMAX modeling”, Transportation Research Record, 1776,
pp. 194–200.

-Wang, H. Wei, H. and Zhang, G. (2009), "An Artificial Neural Network Method for Length-based Vehicle Classification Using Single-Loop Outputs", Transportation Research Center at the Beijing University of Technology, pp.1-17

- Zhang, H. Ritchie, S. G. and Lo, K. L, (2001), "Macroscopic Modeling of Freeway Traffic Using an Artificial Neural Network", Transportation Research Record 1588.