مرکز تحقیقات راه ، مسکن و شهرسازی پژوهشنامه حمل و نقل 1735-3459 23 1 2026 03 21 Investigating the performance of various types of Recurrent Neural Networks in predicting time series data in transportation; data type: pedestrian movement path on the sidewalk بررسی عملکردِ انواع شبکۀ عصبی بازگشتی در پیش‌بینیِ داده‌های سریِ زمانی در حمل‌‌ و‌ نقل؛ نوع داده: مسیر حرکت عابرپیاده در پیاده‌رو 107 124 231253 10.22034/tri.2025.542133.3372 FA علی ادریسی دانشیار، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران 0000-0001-9231-8371 محمد زاهدی دانشجوی کارشناسی ارشد، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران Journal Article 2025 08 19 In today's world, artificial intelligence has entered as an undeniable powerful factor in all human affairs. This intelligence is trained and predicted using neural network algorithms and big data. Over time, different types of neural networks have been introduced and developed for different applications, one of which is the Recurrent Neural Network (RNN). Due to its architecture and structure, the RNN model has an acceptable performance on time series data - data in which different features of a phenomenon are taken at fixed time steps. In transportation, there are many cases of time series data such as: the volume of traffic passing through a specific point in fixed time intervals, the number and gender, etc. of subway passengers at different times of the day and night, movement characteristics such as the position and speed and acceleration of a traffic agent such as a pedestrian at any moment on the sidewalk. The last case, which is the records and history of pedestrian movement characteristics, is the basis of this research. In this paper, we use 3 subsets of RNN, namely Vanilla LSTM, Stacked LSTM, and GRU models, to predict the Trajectory of a pedestrian. main goals of this research is to first estimate the future position of a pedestrian in order to identify and eliminate hazardous conditions in the interaction between a pedestrian and an autonomous system (such as a delivery robot) on the sidewalk, and secondly to examine the performance of these 3 models on time series data. The results showed that in the short-term prediction time horizon, the GRU model performs better than the other models. However, with increasing the prediction time horizon and increasing the complexity of the data, the Stacked LSTM model performs better than the others. در دنیای امروز، هوش مصنوعی به عنوان یک عامل قدرتمندِ غیرقابل انکار در تمام امور انسانی ورود پیدا کرده است. این هوش با استفاده از الگوریتم‌های شبکه عصبی و کلان داده‌ها آموزش دیده و پیش‌بینی می‌کند. در گذر زمان انواع متفاوتی از شبکه‌های عصبی برای کاربردهای متفاوت معرفی و توسعه داده شده که یکی از اینها، شبکه عصبی بازگشتی (RNN) است. مدل RNN بخاطر معماری و ساختار آن، عملکرد قابل قبولی بر روی داده های سری زمانی (Time series) – داده‌هایی که در آن ویژگی های مختلف از یک پدیده در گام های زمانی ثابت برداشت شده- دارد. در حمل و نقل موارد زیادی از داده های سری زمانی وجود دارد مانند: حجم عبوری ترافیک از یک نقطه خاص در بازه های زمانی ثایت، تعداد و جنسیت و ... مسافرین مترو در ساعات مختلف شبانه‌روز، ویژگی‌های حرکت مثل موقعیت و سرعت و شتابِ یک عامل ترافیکی مثل عابر پیاده رو هر لحظه در پیاده رو. مورد آخر که سوابق و تاریخچۀ ویژگی‌های حرکتیِ عابر است، اساس کار این پژوهش است. در این مقاله با استفاده از 3 زیرمجموعۀ شبکه عصبی بازگشتی یعنی مدل‌های Vanilla LSTM، Stacked LSTM و GRU به پیش‌بینی مسیر حرکت عابر می‌پردازیم. 2 هدف اصلی این پژوهش اولاً تخمین موقعیت آینده یک عابر جهت شناسایی و رفع شرایط خطرآفرین در تعامل عابر و سیستم خودران (مثل ربات کالارسان) در پیاده رو و ثانیاً بررسی عملکرد این 3 مدل در داده های سری زمانی است. نتایج نشان داد که در افق زمانی پیش‌بینی کوتاه مدت، مدل GRU عملکرد بهتری نسبت به دیگر مدل‌ها دارد. اما با افزایش افق زمانی پیش‌بینی و افزایش پیچیدگی‎های داده‎‌ها، مدل Stacked LSTM عملکرد بهتری نسبت به سایرین دارد. پیش‌بینی مسیر حرکت، داده‌های سری زمانی، شبکه عصبی بازگشتی، LSTM، GRU https://www.trijournal.ir/article_231253_b2eab9437f0ee31eee460eb0a54b6934.pdf