پيش بيني كوتاه مدت جريان ترافيك با استفاده از اطلاعات متقابل در حضور ازدست دادن داده ها

چكیده یكی از مسایل موجود در سیستمهاي حمل و نقل هوشمند، پیشبینی جریان ترافیك میباشد كه نقش مهمی را در مباحث كنترل ترافیك، كنترل چراغهاي راهنمایی و كنترل زمان سفر دارد. دیدگاه یك ایده جالب براي بهدست آوردن میزان (Mutual Information) استفاده از اطلاعات متقابل وابستگی موجود بین دادههاي گذشته میباشد كه میتواند میزان وابستگی غیرخطی موجود بین دادهها را بهدست آورد. با محاسبه این تقابل اطلاعات بین دادههاي گذشته و انتخاب بهترین دسته داده براي عملیات پیشبینی سعی كردهایم كه در عین كاهش حجم محاسباتی، دقت پیشبینی را نیز افزایش دهیم. در این مقاله با توجه به متفاوت بودن الگوهاي رفتاري جریان ترافیك، با تركیب نظریه اطلاعات متقابل با شبكه عصبی به پیشبینی كوتاه مدت جریان ترافیك با در نظر گرفتن انواع حالتهاي مختلف اغتشاشی همچون امكان از دست دادن دادهها و یا معیوب شدن آنها تحت شرایط مختلف آب و هوایی نظیر بارش باران و یا برف و شرایط مختلف ترافیكی مانند وقوع ازدحام و تصادف در جاده، پرداخته و عملكرد این مدل پیشبینی مورد مقایسه با روشهاي معمولی و گذشته قرار گرفته است كه حاكی از بالا بودن دقت پیشبینی جریان ترافیك با استفاده از تركیب اطلاعات متقابل و شبكه عصبی میباشد. كلید واژه: ، ، ،