دوره 23، شماره 2 - ( 1402 )                   جلد 23 شماره 2 صفحات 71-59 | برگشت به فهرست نسخه ها

‎ 10.22034/23.2.4

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rasaizadi A, Seyedabrishami S. Evaluation of Parametric and Non-parametric Models in Predicting Rare Traffic Events Based on Average Speed and Traffic Volume. MCEJ 2023; 23 (2) :59-71
URL: http://mcej.modares.ac.ir/article-16-57885-fa.html
رساایزدی آرش، سیدابریشمی سیداحسان. ارزیابی مدل‌های پارامتری و غیر پارامتری در پیش بینی وقایع نادر ترافیکی بر مبنای سرعت متوسط و حجم ترافیک. مهندسی عمران مدرس. 1402; 23 (2) :59-71

URL: http://mcej.modares.ac.ir/article-16-57885-fa.html

ارزیابی مدل‌های پارامتری و غیر پارامتری در پیش بینی وقایع نادر ترافیکی بر مبنای سرعت متوسط و حجم ترافیک
آرش رساایزدی1 ، سیداحسان سیدابریشمی* 2
1- دانشگاه تربیت مدرس
2- دانشگاه تربیت مدرس ، seyedabrishami@modares.ac.ir
چکیده:   (1355 مشاهده)
پیش‌­بینی متغیرهای ترافیکی یکی از ابزارهای کارآمد در مدیریت تقاضای سفر است. با استفاده از این ابزار، متغیرهای ترافیکی پیش‌­بینی شده در اختیاران کاربران و گردانندگان سیستم حمل­‌ونقل قرار می­‌گیرد تا برنامه‌­ریزی­‌های فردی و سیاست‌گذاری‌های کلی اتخاذ شوند. در این پژوهش دو متغیر ترافیکی سرعت متوسط و حجم ترافیک ساعتی، در جاده برون‌شهری کرج به چالوس به‌عنوان محوری با نوسانات زیاد متغیرهای ترافیکی، پیش‌­بینی شده است. از میان مدل­‌های متنوع پیش‌­بینی کننده، مدل ساریما به‌عنوان یک مدل پارامتری و مدل­‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به‌عنوان مدل‌­های غیرپارامتری استفاده شده­‌اند. در فرآیند پیش‌­پردازش داده، متغیرهای اثرگذار بر سرعت متوسط و حجم ترافیک استخراج و به‌عنوان متغیرهای پیش‌­بینی کننده به مجموعه داده اضافه شده است. همچنین ازآنجاکه اطلاع داشتن از مقادیر بیشینه و کمینه سرعت متوسط و حجم ترافیک به‌عنوان وقایع نادر ترافیکی، اهمیت بیشتری به نسبت مقادیر عادی دارد، ارزیابی مدل­‌ها با تأکید بر پیش‌­بینی وقایع نادر انجام شده است. نتایج نشان می‌­دهد، برای داده آزمون، کمترین ریشه میانگین مربعات خطای پیش‌­بینی سرعت متوسط و حجم ترافیک به ترتیب با استفاده از مدل­‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان و برابر با 139 وسیله نقلیه بر ساعت و 5 کیلومتر بر ساعت حاصل شده است. کم­ترین ریشه میانگین مربعات خطا پیش‌­بینی سرعت متوسط برای چارک اول و چهارم به عنوان مقادیر نادر ترافیکی مقادیر مشاهده شده به ترتیب توسط مدل­‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی به دست آمده است. همچنین چارک اول و چهارم مقادیر مشاهده شده حجم ترافیک با مدل ماشین بردار پشتیبان دقیق­‌تر از دو مدل دیگر پیش‌­بینی شده­‌اند.
واژه‌های کلیدی: پیش‌بینی متغیرهای ترافیکی، پیش‌بینی وقایع نادر، ساریما، شبکه عصبی مصنوعی، ماشین بردار پشتیبان
متن کامل [PDF 476 kb]   (716 دریافت)    
نوع مقاله: پژوهشی اصیل (کامل) | موضوع مقاله: برنامهریزی حمل و نقل
دریافت: 1400/9/23 | پذیرش: 1402/3/10 | انتشار: 1402/3/10
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.