پايش و مقايسه رويكردهاي مختلف پيش‌بيني كوتاه مدت پارامترهاي ترافيك شهري و شبيه-سازي آن به كمك سيستم اطلاعات جغرافيايي : (مطالعه موردي شهر لندن)

هدف اين تحقيق، مقايسه روش‌هاي مختلف براي پيش‌بيني كوتاه‌مدت پارامترهاي ترافيك شهري و همچنين شبيه‌سازي پارامترهاي ترافيكي در محيط متلب و انتخاب بهينه پارامترهاي مؤثر آن با سيستم اطلاعات مكاني، به عنوان مكمل سيستم اطلاعات حمل‌ونقل است. براي اين منظور از سه روش مختلف پيش‌بيني كوتاه‌مدت پارامترهاي ترافيكي، روش چندجمله‌اي كلاسيك، الگوريتم شبكه هاي عصبي و چندجمله‌اي مبتني بر ژنتيك به همراه دو روش كاهش خطا استفاده شد. همچنين، پارامترهاي ترافيك شهري جريان و سرعت براي كنترل ترافيك آينده شبيه‌سازي شدند. به دليل عدم دسترسي به داده هاي ترافيكي منظم در ايران، داده هاي تحقيق براي اين مطالعه از داده هاي سال 2012 تا 2014 در لندن با رفتار ترافيكي مشابه در طول هفته انتخاب گرديد. مسيرهاي مورد مطالعه در اين پژوهش، جمعاً بطول 15.84 كيلومتر، تحت نام‌هاي LM561-LM563-LM557-LM555 مورد بررسي قرار گرفت. داده‌هاي سال‌هاي 2012، 2013 و 2014 به‌عنوان داده‌هاي آموزشي، داده‌هاي اعتبارسنجي و داده‌هاي مرجع براي اعتبارسنجي، به ترتيب مورد استفاده قرار گرفتند. به طور كلي، نتايج نشان داد كه مدل چندجمله‌اي كلاسيك در پيش‌بيني پارامترهاي ترافيكي جريان و سرعت خيلي موفق و كارآمد نيست، اما مدل چند جمله‌اي مبتني بر ژنتيك و شبكه‌هاي عصبي موفق عمل كردند. علاوه بر اين، يافته‌هاي كمي چهار مسير مطالعاتي بر حسب خطاي جذر ميانگين مربعات نشان داد كه سه روش چندجمله‌اي كلاسيك، چندجمله‌اي بر مبناي ژنتيك و شبكه-هاي عصبي براي پارامتر ترافيكي جريان به ترتيب برابر با 13.91، 0.78و 0.22 و براي پارامتر سرعت به ترتيب برابر با 5.20، 0.78و 0.19 مي باشند. به عبارت ديگر، دقت پيش‌بيني پارامتر جريان ترافيك در روش‌هاي چندجمله‌اي مبتني بر ژنتيك و شبكه‌هاي عصبي به ترتيب تقريباً 18 و 63 برابر بهتر از روش چند جمله‌اي كلاسيك و دقت پيش‌بيني پارامتر سرعت تقريباً 7 و 27 برابر بهتر بود.