پيش ‌بيني كوتاه ‌مدت سرعت ترافيك با استفاده از شبكه ‌هاي عصبي بازگشتي (RNN)

پيش بيني ترافيك، به عنوان بخش مهمي از سيستم ‌هاي حمل و نقل هوشمند، نقش مهمي در نظارت بر وضعيت ترافيك ايفا مي‌كند. با توجه به اينكه بسياري از مطالعات كار پيش‌بيني سرعت ترافيك را با مدل‌هاي يادگيري عميق انجام داده‌اند، همچنان پژوهشي بر روي پيش‌بين سرعت ترافيك در فصل‌هاي مختلف انجام نشده است.همچنين با توجه به تأثيرات مهم عوامل مكاني-زماني و عملكرد عالي شبكه‌هاي عصبي بازگشتي (RNN) در زمينه تحليل سري‌هاي زماني، در اين مقاله، يكي از شبكه‌هاي عصبي يادگيري عميق كه ويژگي‌هاي واحد بازگشتي گيتي تزريقي (FI_GRU) در داده‌هاي زماني متوالي را تركيب مي‌كنند، پيشنهاد شده است. داده‌هاي مورد استفاده در اين پژوهش از شبكه تجسم و ارزيابي فعال در شهر سياتل ايالت متحده بدست آمده است. اين پژوهش سه فصل بهار، تابستان و پاييز و چهار مدل يادگيري عميق شامل LSTM وGRU و ConvLSTM و BiLSTM و يك مدل كم عمق SVM در سه گام زماني ۵دقيقه، ۱۰دقيقه و۱۵ دقيقه باهم مقايسه كرده است، نتايج اين تحقيق نشان مي‌دهد، مدل پيشنهادي در فصل‌هاي مختلف اختلافي چشمگيري نداشته است، و همچنين چهار مدل يادگيري عميق ومدل SVM ، در فصل‌هاي مختلف اختلاف قابل توجه نداشته‌اند ، نتايج ديگرنشان مي‌دهد هرچه بازه گام‌هاي زماني بيشتر مي‌شود خطاها بيشتر و دقت مدل كاهش پيدا مي‌كند، با توجه به نتايج بدست آمده دقت مدل  FI-GRUنسبت به كمترين دقت مدل يادگيري عميق  (BiLSTM)0/52درصد بيشتر است، و دقت مدل پيشنهادي نسبت به مدل كم‌عمق (SVM) 1/24درصد بيشتر است و همچنين مدل پيشنهادي براي پيش‌بيني سرعت ترافيك در گام زماني ۵ دقيقه 1/44درصد بهتر عمل كرده است.