پیش بینی ترافیک شبکه بزرگراهی بریتانیا در کوتاه مدت با استفاده از شبکه های عصبی

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

پیش بینی ترافیک شبکه بزرگراهی بریتانیا در کوتاه مدت با استفاده از شبکه های عصبی

عنوان لاتین

Short term traffic prediction on the UK motorway network using neural networks

در صورتی که به گونه ای مطمئن، شرایط ترافیکی کوتاه مدت پیش بینی شود (15 دقیقه آینده)، می توان تراکم در یک سیستم حمل ونقل را کاهش داد. با ظهور بانک های اطلاعاتی عظیم، فرصتی برای ارزیابی تاثیر تکنیک های شناخت الگو در حل مسائل پیچیده و غیرخطی مانند موضوع مطرح شده در این مقاله فراهم شده است. در این مقاله، نتایج به کارگیری هوش مصنوعی کاربردی به ویژه شبکه های عصبی مصنوعی (ANN ها) در ارزیابی شرایط ترافیکی مربوط به 15 دقیقه آینده با استفاده از اطلاعات ترافیکی کنونی و پیشین، ارائه شده است. در این مطالعه، از داده های حاصل از سامانه هدایت خودکار و بازرسی حوادث بزرگراهی انگلستان (میداس) برای حدود 20 کیلومتر از بزرگراه های M60، M62 و M602 حومه منچستر واقع در بریتانیا، در ساخت مدل پیش بینی کوتاه مدت استفاده شده است. با استفاده از یک اتوئنکدر ، تعداد بعدهای ورودی به مدل، کاهش یافته است. مدل نهایی، قدرت پیش بینی خوبی داشته و توانسته است 90% کلیه پیش بینی ها از مقادیر مشاهده شده به ازای 6/2 وسیله نقلیه به ازای هر کیلومتر از خط عبور را با موفقیت انجام دهد. روش به کار رفته در این مطالعه، به گونه ای است که می توان آن را به سایر بخش های شبکه بزرگراهی بریتانیا که در آن سیستم میداس نصب شده است تعمیم داده که در صورت آموزش، استفاده از ANN آسان خواهد بود. یک الگوریتم مانند آنچه که در اینجا استنباط می شود کاربردهای متعددی دارد: اصلاح پیش بینی در سیستم های هوشمند حمل و نقل (ITS) و یا کمک به مامورین ترافیکی برای اتخاذ تصمیمات پیش گیرانه جهت کاهش تاثیر تراکم. چنین الگوریتمی می تواند در شکل گیری سیستم اعلان ترافیک که قادر باشد پیش بینی خود از شرایط ترافیکی احتمالی را در اختیار عموم قرار دهد نقش مهمی ایفا کند. با توجه به تاثیرگذاری دسترسی به اطلاعات دقیق تر بر تغییر رفتاری مثبت کاربران، این امر می تواند به کاهش تراکم در سیستم حمل و نقل کمک نماید.

To be able to predict reliably traffic conditions over the short term (15 minutes into the future) may reduce congestion on a transport system. With the emergence of large datasets comes the opportunity to test the effectiveness of pattern recognition techniques to solve complex, non-linear problems such as the one in question. This paper presents the results of applying artificial intelligence, specifically artificial neural networks (ANNs), to estimate traffic conditions a 15 minutes into the future given current / historic traffic information. For this study, data from Highways England’s Motorway Incident Detection and Automatic Signalling (MIDAS) system for approximately 20km of the M60, M62 and M602 motorway near Manchester, UK was used to build a short term prediction model. To reduce the complexity of the problem, the number of input dimensions to the model was successfully reduced using an autoencoder. The final model exhibits very good predictive power with 90% of all predictions within 2.6 veh/km/lane of observed values. The approach adopted in this research is one that can be transferred to other parts of the UK motorway network where MIDAS is installed, and once trained, the application of an ANN is straightforward. An algorithm such as the one derived has multiple applications including: refining predictions within intelligent transport systems (ITS) and / or enabling traffic controllers to take proactive decisions to mitigate the impacts of expected congestion. It could also be the engine behind a “traffic-cast” system which could provide the public with a forecast of expected traffic conditions. This could result in reduced congestion on the transport system as accessibility to more accurate information could encourage beneficial behavioural changes in users.