ارايه روشي مبتني بر انتخاب پوياي دسته‌بند براي پيش‌بيني الگوي ترافيك شهري براساس زمان سفر

امروزه مديريت ترافيك يكي از الزامات سيستم هاي حمل و نقل هوشمند است. از آنجا كه شبكه ترافيك شهري يك شبكه غير خطي بزرگ و پيچيده با عدم اطمينان بالا است ، پيش بيني شاخص هاي مختلف ترافيكي مانند زمان سفر مي تواند دانش خوبي را در اختيار كارشناسان مديريت ترافيك شهري قرار دهد. تحقيقات اخير نشان داده است كه استفاده از روشهاي داده كاوي در پيش بيني شاخص هاي راهنمايي و رانندگي بسيار مؤثر بوده است. به عنوان مثال ، روش هاي طبقه بندي كلاسيك مانند ماشين بردار پشتيباني و روش هاي گروه مانند Random Forest و Bagging ممكن است به نتايج قابل قبولي برسند. با اين حال ، در برخي موارد ، به دليل بي ثباتي داده ها ، روش هاي كلاسيك نمي توانند عملكرد قابل قبولي ارائه دهند. در اين حالت ، به دليل طبقه بندي نمونه هاي ناشناخته با توجه به شرايط و خصوصيات محلي ، روش هاي انتخاب طبقه بندي پويا مي توانند دقت پيش بيني ترافيك را بهبود بخشند. در اين مطالعه ، اثربخشي روشهاي طبقه بندي پويا را براي پيش بيني ترافيك بررسي و مقايسه مي كنيم. ما از روش محاسبه صلاحيت KNN ، درخت تصميم، شبكه عصبي ، AdaBoost و OLA براي پيش بيني ترافيك طولاني مدت در مجموعه داده راهبردي شبكه (SRN) استفاده مي كنيم.