مدل‌سازي زمان سفر معابر شهري با استفاده از روش يادگيري ماشين گرگ صحرايي آمريكاي شمالي

Travel Time Modelling of Urban Roads By Application of Coyote Optimization-based Machine Learning Method

زمان سفر به عنوان يكي از تأثيرگذارترين پارامترها در تحليل عملكرد شبكه راه‌ها به جهت مديريت و برنامه‌ريزي آتي شبكه و همچنين مهم‌ترين متغير در فرآيند انتخاب مسير استفاده‌كنندگان از راه مي‌باشد. پيش بيني زمان سفر در طول چند دهه به عنوان يك موضوع پركاربرد در زمينه شرايط ديناميك شبكه و سيستم‌­هاي هوشمند حمل و نقل به روش‌­هاي مختلفي انجام شده است. در اين راستا، در اين مقاله مدل‌سازي پيش بيني زمان سفر معابر شهري شرياني درجه يك و دو در ساعت غير اوج صورت گرفته است. در وهله اول، طراحي آزمايش جهت نمونه برداري صورت گرفته و پارامترهاي موثر بر زمان سفر معابر شهري بررسي شدند. سپس داده­‌ها به وسيله روش ماشين شناور و به كمك يك نرم افزار تلفن همراه در 6 معبر منتخب برداشت شدند. پس از آماده سازي داده‌­ها، متغيرهاي زمان توقف تقاطع، تعداد خطوط و شيب به عنوان متغيرهاي موثر در مدل پيش بيني زمان سفر شناخته شدند. يك روش جديد يادگيري ماشين مبتني بر الگوريتم گرگ صحرايي آمريكاي شمالي براي مدل‌سازي زمان سفر معرفي گرديد و دقت مدل ساخته‌ شده با پنج مدل رگرسيوني مرسوم مقايسه گرديد. بر اساس نتايج به دست آمده و بر مبناي بررسي 5 شاخص عملكرديِ در نظر گرفته شده براي ارزيابي صحت و دقت مدل‌ها، گرگ صحرايي آمريكاي شمالي از تمامي مدل‌ها دقت بالاتري داشته و ضريب تعيين اين مدل براي داده‌هاي آموزشي و آزمايشي به ترتيب برابر0/746 و 0/724 مي‌باشد. همچنين اين مدل 73% داده‌هاي آزمايشي را با خطاي كمتر از 20 ثانيه پيش بيني مي‌كند.

Travel time prediction as an essential issue has been scrutinized in recent decades. To this end, various techniques are applied to estimate travel duration in dynamic networks and intelligent transportation systems. Accordingly, in this investigation, the prediction of travel time is considered by machine learning techniques. Initially, the experimental test is planned, and the travel time effective parameters are spotted. Subsequently, with the assistance of the floating car method, and My-tracks application, the data are collected in six elected roads. After data preparation, stop delay, grades, and the number of the lane are determined as the most effective travel time criteria. In this study, a novel machine learning technique based on the coyote optimization algorithm is introduced, and its precision is compared with five conventional regression models. Drawing on results, the accuracy of the coyote optimization algorithm-based machine learning technique is more than that of other prediction methods. The coefficient of determination of the introduced machine learning technique for training and testing data is equal to 0.746 and 0.724, respectively. Furthermore, coyote optimization algorithm-based machine learning estimates 73% of testing data with an error of fewer than 20 seconds.