مرکز تحقیقات راه ، مسکن و شهرسازی پژوهشنامه حمل و نقل 1735-3459 23 3 2026 09 23 Presenting a hybrid deep learning approach (Conv-LSTM) with the aim of predicting short-term traffic volume on two-lane suburban roads (Case study: Karaj-Chalus road) ارائه یک رویکرد ترکیبی یادگیری‌عمیق (Conv-LSTM) با هدف پیش‌بینی حجم ترافیک کوتاه‌مدت راه‌های دوخطه برون‌شهری (مطالعه موردی: جاده کرج- چالوس) 439 458 230025 10.22034/tri.2025.496001.3308 FA مهرداد خرمی دانشجوی کارشناسی ارشد، گروه مهندسی عمران، واحد ملارد، دانشگاه آزاد اسلامی، ملارد، تهران، ایران علی پایدار استادیار، گروه مهندسی عمران، واحد ملارد، دانشگاه آزاد اسلامی، ملارد، تهران، ایران 0000-0001-9844-9583 سهیل رضاشعار دانشجوی دکتری، گروه برنامه‌ریزی حمل‌و‌نقل، دانشکده فنی‌ومهندسی، دانشگاه بین‌المللی امام خمینی(ره)، قزوین، ایران 0009-0003-3175-1026 Journal Article 2024 12 31 In recent years, the rapid increase in the number of vehicles has led to widespread traffic problems. Accurate prediction of traffic flow can help reduce congestion, optimize transportation infrastructure, enhance travel safety, and mitigate environmental impacts. This study aimed to predict the traffic volume for the next hour on the Karaj-Chalus axis, one of Iran’s busiest roads with complex weather and topographic conditions. To this end, traffic data from two traffic counters and synoptic weather data (with three-hour intervals) were collected. Given the capability of Convolutional Neural Networks (CNN) in extracting hidden features and spatial-temporal patterns, as well as the efficiency of Long Short-Term Memory (LSTM) networks in modeling time series, a hybrid Conv-LSTM model was proposed. This model, leveraging the strengths of both approaches, was designed for accurate traffic volume prediction. The proposed model was implemented in the Python programming language and compared with an Attention-based Long Short-Term Memory (A-LSTM) model. Evaluation results showed that the Conv-LSTM model achieved a coefficient of determination (R²) of 82.45% on the test dataset, outperforming the A-LSTM model with an R² of 81.93%. Additionally, the Mean Squared Error (MSE) and Root Mean Squared Error (RMSE), which indicate the discrepancy between predicted and actual values, were reported as 14.311 and 120 for Conv-LSTM, and 14.740 and 122 for A-LSTM, respectively. These values indicate lower dispersion and higher prediction accuracy for Conv-LSTM compared to A-LSTM. The application of the proposed model in predicting traffic volume on the Karaj-Chalus axis provides valuable insights for identifying congested routes, redistributing traffic, preventing accidents, dynamic route planning, and optimizing travel time management. Furthermore, this approach contributes to improved environmental sustainability and transportation efficiency by reducing fuel consumption and air pollution. در سال‌های اخیر، افزایش سریع تعداد وسایل نقلیه منجر به مشکلات ترافیکی گسترده‌ای شده است. پیش‌بینی دقیق جریان ترافیک می‌تواند به کاهش ازدحام، بهینه‌سازی زیرساخت‌های حمل‌ونقل، ارتقای ایمنی سفرها و کاهش اثرات زیست‌محیطی کمک کند. هدف این پژوهش، پیش‌بینی حجم ترافیک یک ساعت آینده در محور کرج-چالوس به عنوان یکی از پرترددترین جاده‌های ایران با شرایط جوی و توپوگرافی پیچیده، است. برای این منظور، داده‌های تردد از دو دستگاه ترددشمار و داده‌های هواشناسی سینوپتیک (با فواصل زمانی سه‌ساعته) گردآوری شدند. با توجه به توانایی شبکه‌های کانولوشنی (CNN) در استخراج ویژگی‌های پنهان و الگوهای فضایی-زمانی و همچنین کارایی شبکه‌های حافظه‌طولانی کوتاه‌مدت (LSTM) در مدل‌سازی سری‌های‌زمانی، مدل ترکیبی Conv-LSTM پیشنهاد شد. این مدل با بهره‌گیری از نقاط قوت هر دو روش، برای پیش‌بینی دقیق حجم ترافیک در بستر پایتون توسعه یافت و بین نتایج آن با نتایج مدل حافظه‌طولانی کوتاه‌مدت مبتنی بر مکانیسم توجه (A-LSTM) مقایسه صورت گرفت. نتایج ارزیابی حاکی از آن است که مدل Conv-LSTM در مجموعه داده‌های آزمون ، ضریب تعیین (R2) %82/45 را کسب کرد و در مقایسه با الگوریتم R2 ،A-LSTM برابر 81/93%، عملکرد بهتری ارائه کرد. همچنین، معیارهای میانگین مربع خطا (MSE) و جذر میانگین مربعات خطا (RMSE)، که نشان‌دهنده اختلاف بین مقادیر پیش‌بینی‌شده و واقعی هستند، برای مدل Conv-LSTM به‌ترتیب 14.311 و 120 و برای A-LSTM به‌ترتیب 14.740 و 122 گزارش شدند. این مقادیر حاکی از پراکندگی کمتر و دقت بالاتر پیش‌بینی‌های Conv-LSTM در مقایسه با A-LSTM است. کاربرد مدل پیشنهادی در پیش‌بینی حجم ترافیک محور کرج-چالوس، اطلاعات ارزشمندی برای شناسایی مسیرهای پرازدحام، توزیع مجدد ترافیک، پیشگیری از تصادفات، برنامه‌ریزی پویای مسیر و مدیریت بهینه زمان سفر فراهم می‌کند. این رویکرد همچنین با کاهش مصرف سوخت و آلودگی هوا، می‌تواند کمک شایانی به بهبود پایداری زیست‌محیطی و افزایش کارایی حمل‌ونقل کند. https://www.trijournal.ir/article_230025_963e6026f54d57fa6a1acf0571e9c366.pdf