پيش بيني شدت ترافيك شهري با استفاده از روش هاي يادگيري جمعي

چكيده در سال هاي اخير، روش ها، مدل ها و الگوريتم هاي زيادي براي پيش بيني شاخص هاي مختلف ترافيكي ارائه شده است. با اين حال، تحقيق هاي موجود در اين زمينه عمدتاً براي حل مشكل پيش بيني الگوي ترافيك كوتاه مدت است. در اين مقاله ، ما يك روش براي پيش بيني بلند مدت شدت ترافيك مبتني بر روش هاي يادگيري جمعي و رويكردهاي انتخاب دسته بندي پويا ارائه مي دهيم. پيش بيني شدت ترافيك يك مشكل اساسي در سيستم هاي حمل و نقل هوشمند (ITS) در شهرهاي بزرگ است. مسأله پيش بيني بلند مدت ترافيك يك مسأله چالش برانگيز است زيرا وضعيت ترافيك به راحتي از عوامل تصادفي مانند تصادفات يا شرايط اضطراري تاثير مي‌پذيرد. ما مسأله پيش بيني شدت ترافيك را به عنوان يك مسأله دسته بندي فرموله مي‌كنيم كه در آن شدت ترافيك در چند سطح گسسته سازي مي شود. ما از روش هاي مختلف دسته بندي از جمله جنگل تصادفي، بگينگ، آدابوست و همچنين روش هاي دسته بندي پويا استفاده مي كنيم. در استفاده از روش هاي دسته بندي پويا، از روش دقت كلي محلي براي تخمين سطح شايستگي دسته بندهاي پايه استفاده مي كنيم. نتايج آزمايش هاي ما، بر روي مجموعه داده strategies road network نشان مي دهد كه مدل جنگل تصادفي نسبت به ساير مدل ها عملكرد بهتري دارد.