طراحی مدل پیش بینی حجم ترافیک روزانه برون شهری با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS)

نویسندگان

1 دانشجوی دکتری، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

2 استاد، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

3 دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی، واحد یادگار امام خمینی(ره) شهر ری، ایران

چکیده

 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

کلیدواژه‌ها


عنوان مقاله [English]

Designing a Model for Prediction the Suburban Daily Traffic Volume Using Adaptive Network Based Fuzzy Inference System

نویسندگان [English]

  • M. Rahmaty 1
  • R. Radfar 2
  • A. Toloie Ashlaghi 2
  • N. Pilevari Salmasi 3
1 Ph. D. Student, Department of Industrial Management - Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Professor, Department of Industrial Management, Faculty of Management and Economic, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 Associate, , Department of industrial management, Yadegar-e-Imam Khomeini(RAH) shahre- rey Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

 
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.

کلیدواژه‌ها [English]

  • Suburban
  • prediction
  • Daily Traffic Volume
  • Adaptive Network Based Fuzzy Inference system (ANFIS)

اسماعیلی، علیرضا، فرهی، برزو، (1388)، "طراحی و تدوین الگوی راهبردی توسعة فرهنگ ترافیک (ارائه نمودار کلان نظام توسعة فرهنگ ترافیک)"، فصلنامه دانش انتظامی، سال 10، شماره دوم، ص.110- 127.

 

-جوانـی، بابـک، (1390)، "الگوریتـم خطی سـازی مبتنی بـر مسـیر بـرای مسـایل تخصیـص ترافیـک بـزرگ مقیـاس. پایان­نامه کارشناسـی ارشـد"، دانشـگاه تهران، دانشـکده مهندسـی عمـران.

 

-حسینی چشمه ماکانی، سید تیمور، آریانا، محمد، آبرودی، سیدمجتبی، (1395)، "مدیریت حمل و نقل و ترافیک شهری در تهران"، فصلنامه علمی پژوهشی اقتصاد و مدیریت شهری، سال4، شماره 3 (پیاپی 15)، ص. 95-111.

 

-رحیمی، امیرمسعود، باقری، سیدرامتین، شهنی دزفولیان، رضا، مظاهری، آرش، (1395)، "ارزیابی استفاده از انواع تقاطع­های غیرمتعارف به منظور بهبود جریان ترافیک در
راه­های شریانی برون شهری"، پژوهشنامه حمل و نقل­: تابستان 1395، دوره 13، شماره 2 (پیاپی 47)­،
ص. 115- 128.

 

-شعبانی، شاهین، معتمدی سده، مهدی، امجدی، فرید، (1394)،­ "مدلسازی متوسط حجم روزانه ترافیک را با استفاده از شبکه­های عصبی انتشار برگشتی (BP)"، دهمین کنگره بین­المللی مهندسی عمران، دانشکده مهندسی عمران، تبریز،15 تا 17 اردیبهشت.

 

-عباسی، سید­حمید، یعقوبی، مهدی، (1392)، "رویکردی نو در بررسی پیش بینی پذیری ترافیک شهری مبتنی بر تئوری آشوب و پیش بینی جریان ترافیک شهر مشهد مبتنی بر سشستم فازی- عصبی تطبیقی چندگانه، فصلنامه مهندسی حمل و نقل، دوره 4، شماره 3.

 

-عبدالرحمانی، رضا، حبیب زاده، اصحاب، نادرپور، محمدرضا، (1389)، بررسی تأثیرات فرهنگ و ساختارهای اجتماعی بر ترافیک و مهندسی ترافیک، فصلنامه مطالعات مدیریت ترافیک، سال 5، شماره 18، صص 101-125.

 

-مریدی، مرضیه، (1394)، “نقش قوانین و مقررات در ترافیک و حمل و نقل شهری”، ششمین کنفرانس برنامه ریزی و مدیریت شهری، مرکز پژوهش های شورای اسلامی مشهد، 21 و 22 آبان.

معصوم زاده، جعفر، رحمانی، مرتضی.، (1396)، “تعیین سهم ترافیک در آلودگی هوای کلان شهر تهران و الزامات فناورانه برای بهسازی آن”، مجله توسعه تکنولوژی صنعتی، دوره 15، شماره 29، ص. 75-88.

 

-یعقوبی وایقان، فریبرز، حسینی، محمود، (1388)،­“ ارایه یک روش ارزیابی سریع خطرپذیری لرزه­ای برای
سامانه­های حمل و نقل برون شهری”، پژوهشنامه حمل و نقل : بهار 1388، دوره 6، شماره 1 (پیاپی 18)،
ص. 65 - 85 .

 

-یعقوبی، نورمحمد، کیهانیان، ابوذر، سمیع پور، ابراهیم، لطیفی، سلیمه، (1391)، “شناسایی راه­های تعیین الگوی بهینه ترافیک شهری”، فصلنامه علمی ترویجی مطالعات راهور، سال 9، شماره 17، ص. 91-102.

 

-Ansari, M., (2011), "Modeling and Simulation of Urban Traffic Using Colored Petri Nets: Case of Bushehr. Persian Gulf University", Bushehr, Iran, (in Persian).

 

-Çimen, M., and Soysal, M., (2017), “Time-dependent green vehicle routing problem with stochastic vehicle speeds: An approximate dynamic programming algorithm”. Transportation Research, 54, pp.82-98.

 

-Duddu, V., and Pulugurtha, S., (2013(, "Principle of Demographic Gravitation to Estimate Annual Average Daily Traffic: Comparison of Statistical and Neural Network Models", ASCE, J. Transp. Eng., Vol. 139, No. 6, in pp. 585–595.

 

-Hossain. M., (2003), "­Shaping up of Urban Transport System of a Developing Metropolis in Absence of Proper Management Setup, the case of Dhaka", Journal of Civil Engineering.

 

-Jang, J. S.R., (1993), "ANFIS: Adaptive Network Based Fuzzy Inference System", IEEE Transactions on Systems, Man and Cybernetics. 23 (3(.

 

-Jarvis, Autey, and Tarek, Sayed, (2012) "Guidelines for the Use of Some Unconventional Intersection Designs", 4th International Symposium on Highway Geometric Design, Valencia, Spain.

-Kang, J., Chen, B. and Wang, W., (2011), "The Application and Research in Reducing the Errors of Traditional Traffic Volume Prediction Using an Improved BP Neural Network", Seventh International Conference on Natural Computation, IEEE.

 

-Kim, S., and Yeo, H., (2016), "A Flow-based Vulnerability Measure for the Resilience of Urban Road Network. Procedia-Social and Behavioral Sciences"­, 218, pp.13-23.

 

-Lin, L., Li, Y ., and Sadek, A (2013), "A k Nearest Neighbor based Local Linear Wavelet Neural Network Model for On-line short-term Traffic volume prediction13th COTA International Conference of Transportation Professionals, Vol. 96,
pp. 2066–2077, Elsevier Ltd.

 

-Mahmoudi, Nejad, (2011), "Presentation a Model of Effect of Social Traffic Behavior on Traffic Violation, The Case Study of Tehran Metropolis", International Journal of Applied Science and Technology Vol. 1 No.4.

 

-Mao, Y and Shi, Sh., (2009), "Research on Method of the Subsection Learning of Double-layers BP Neural Network in Prediction of Traffic Volume"­, International Conference on Measuring Technology and Mechatronics Automation, IEEE.

 

-Tian, Z., Jia, L., Dong, H., Su, F., and Zhang, Z. (2016)," Analysis of Urban Road Traffic Network Based on Complex Network", Procedia Engineering, 137,
pp. 537-546.

 

-Woensel, V., and Cruz, F.R.B, (2008), "A Stochastic Approach to Traffic Congestioncosts ", Computers & Operations Research, No: 36, pp. 1739–1731.

 

-Sharma, Asheesh , Vijay, Ritesh, Bodhe, G. L., and Malik, L.G., (2014), "Adoptive Neuro-Fuzzy Inference System for Traffic Noise Prediction", International Journal of Computer Applications , Volume 98– No.13.

 

-Xie, Y., Zhao, K., Sun, Y and Chen D., (2010), "Gaussian Processes for Short-Term Traffic Volume Forcasting", Transportation Research Board of the National Academies,in pp.69-78, Washington.