ارائه مدل پيش بيني سرعت ترافيك در شرايط بارندگيبا بكار گيري شبكه هاي عصبي (مطالعه موردي : استان گيلان)

Investigating a model for predicting the traffic speed under rainy weather conditions using a neural network (Case study: Iranian province of Guilan)

روابط بين اجزاي اصلي ترافيك به جهت اينكه ابزاري براي تحليل هاي دقيق تر ارايه مي دهند همواره از اهميت زيادي نزد محققان برخوردار بوده اند. با لحاظ نمودن اين امر كه در اكثر مطالعات مشابه و از جمله منابع اصلي دانشگاهي سعي بر اين بوده كه روابط ، عمدتا براي شرايط آفتابي و مساعد هوايي ارايه گردد ؛ اين مقاله با تاثير دادن شرايط بارش ساعتي براي يك راه اصلي با جدا كننده وسط واقع در منطقه پر بارش ، مدلي براي پيش بيني سرعت جريان ترافيك مبتني بر شبكه هاي عصبي ارايه نمود. به اين منظور شبكه پرسپترون با سه ورودي حجم ترافيك ساعتي ، درصد ساعتي وسايل نقليه سنگين و وضعيت بارش (1 براي بارش و 0 براي عدم بارش) و خروجي سرعت متوسط ، تعريف شده و آموزش ديد. مدل موصوف داراي ضريب برازش 0/86 و بر اساس اطلاعات محور خمام - انزلي واقع در استان گيلان بوده است.

Toanalyze more accurately traffic behavior, identifying relationships between major components of traffic characteristics is usually predominant. Although many research studies have been conducted based on the assumption that the weather would be sunny,the present study aims to propose a new model for predicting free flow speed utilizing neural network algorithm considering hourly rainy condition for a divided two-lane highway located in the Iranian province of Guilan. In this regard, a neural network algorithm was constructed using three input traffic data including hourly volume, heavy vehicle percent, and weather condition (1: rainy and 0: sunny). Theindependent variable of model is average travel speed. The results illustrate high accuracy according to the obtained correlation coefficient of 0.86.