@article { author = {Afandizadeh, Shahriar and Amoei Khorshidi, Navid and Kalantari, Navid}, title = {Estimation of Travel Time Index Using Machine Learning Methods}, journal = {Journal of Transportation Research}, volume = {19}, number = {1}, pages = {13-28}, year = {2022}, publisher = {}, issn = {1735-3459}, eissn = {2008-3351}, doi = {10.22034/tri.2021.265793.2850}, abstract = {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).}, keywords = {Reliability,travel time,Machine Learning,Nearest Neighbor Regression}, title_fa = {برآورد شاخص زمان سفر با استفاده از روشهای یادگیری ماشین}, abstract_fa = {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.}, keywords_fa = {قابلیت اطمینان",زمان سفر",یادگیری ماشین",",رگرسیون نزدیکترین همسایه"}, url = {https://www.trijournal.ir/article_139327.html}, eprint = {https://www.trijournal.ir/article_139327_f7a268c471c805f6bfd838735a025883.pdf} }