مدل پيش بيني كوتاه مدت سرعت متوسط غيرمجاز با رويكرد يادگيري ماشين

سرعت غيرمجاز يكي از عوامل اصلي وقوع تصادفات رانندگي است. در اثر سرعت غيرمجاز در راههاي برون‌شهري نه تنها احتمال وقوع تصادف افزايش پيدا ميكند بلكه بر شدت تصادفات نيز افزوده ميشود، لذا كنترل سرعت امري واجب به نظر ميرسد. نكته حائز اهميت ديگر تلاش براي جلوگيري از وقوع تخلف سرعت غيرمجاز است. در اين پژوهش سرعت متوسط ترافيك براي محور خرم‌آباد به اراك براي آينده نزديك پيشبيني ميشود. چنانچه سرعت متوسط پيشبيني شده به سرعت مجاز نزديك يا از آن بيشتر شود، ميتوان قبل از وقوع حادثه تمهيدات لازم به‌منظور كاهش سرعت متوسط ترافيك به وسيله استفادهكنندگان از راه يا گردانندگان سيستم انديشيده شود. به‌منظور پيشبيني سرعت متوسط ترافيك، داده ترافيكي محور ياد شده توسط دستگاههاي سرعت‌سنج در سالهاي اخير ثبت شده است. استخراج ويژگيهاي مؤثر بر سرعت ترافيك نيز سبب تكميل شدن مجموعه داده شده مي‌شود تا بتوان از اين ويژگيها براي پيشبيني سرعت متوسط استفاده كرد. سه مدل ماشين بردار پشتيبان، شبكه عصبي مصنوعي و شبكه عصبي مصنوعي بازگشتي به‌عنوان سه روش مبتني بر يادگيري ماشين مورد استفاده قرار گرفتهاند. هر سه روش قابليت تحليل دادههاي حجيم ترافيكي را داشته و در ضمن روش شبكه عصبي مصنوعي بازگشتي به‌عنوان يك روش مبتني بر يادگيري عميق تطابق بيشتري با ماهيت سري زماني داده دارد. نتايج نشان ميدهد براي هر دو جهت رفت‌وبرگشت اين محور، زماني كه تنها از ويژگيهاي تقويمي و آبوهوا استفاده شود ميانگين درصد خطاي مطلق مدلها بين 8/2 تا 1/5 درصد است و درصد پيشبيني صحيح سرعتهاي بالاي 85 كيلومتر بر ساعت بالاي 80 درصد است. همچنين با افزودن مقادير مشاهده شده سرعت در بازه زماني 3 تا 8 ساعت گذشته به‌عنوان متغير پيشبيني كننده، ميانگين درصد خطاي مطلق مدلها به 5/2 تا 6/4 درصد تقليل پيدا ميكند.