مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

73
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی زمان سفر با یادگیری ماشین: رقابت رگرسیون خطی، رگرسیون چندمتغیره، جنگل تصادفی و شبکه عصبی عمیق

صفحات

 صفحه شروع 1 | صفحه پایان 18

چکیده

 پیش بینی دقیق زمان سفر یکی از مسائل مهم در حوزه ترافیک و حمل و نقل است که می تواند به طور قابل توجهی بر زندگی روزمره افراد و سازمان ها تاثیر بگذارد. در این پژوهش, چهار روش مختلف یادگیری ماشین شامل رگرسیون خطی (LR), رگرسیون چندمتغیره (MR), رگرسیون جنگل تصادفی (RDR) و شبکه عصبی مصنوعی عمیق (DNN) برای پیش بینی زمان سفر آموزش داده شدند. هدف از این پژوهش پیش­بینی زمان سفر جهت استفاده در سیستم ­های ترافیک هوشمند است و بهره ­گیری و مقایسه چندین روش جدید شامل شبکه عصبی عمیق و رگرسیون جنگل تصادفی و همچنین دخیل نمودن پارامترهای جدید مانند وضعیت بارش, نرم جریان ترافیک, زمان و همچنین تصادفات و نقاط قفل ترافیکی نسبت به پژوهش ­های دیگر, نوآوری و جامعیت این پژوهش نسبت با سایر مطالعات می باشد. در طراحی و اجرای این پژوهش از داده های واقعی ترافیک برگرفته از Google map استفاده و آنالیز گردید. این داده ­ها شامل اطلاعاتی از جمله شرایط ترافیک, فصل سال, ساعت روز, وضعیت بارش جوی و ویژگی های مسیر می باشد. نتایج این پژوهش نشان می دهد که مدل DNN  با R2 برابر با 0.833 عملکرد خیلی خوبی را در بین مدل های مورد بررسی دارد. این مدل 0.833% واریانس داده ها را توضیح می دهد و توزیع باقیمانده ها در آن به طور نسبی مرکزی با میانگین صفر و توزیعی نزدیک به نرمال است. مدل رگرسیون خطی با R2 برابر با 0.615 عملکرد ضعیف تری نسبت به DNN دارد و 0.615% از واریانس داده ها را توضیح می دهد. و اما مدل رگرسیون جنگل تصادفی با R2 برابر با 0.955 در رقابت با DNN یکی از بهترین عملکردها را دارد و 0.955% از واریانس داده ها را توضیح می دهد. پارامترهای MSE و RMSE نیز جهت ارزیابی عملکرد مدل ­ها استفاده شدند و نهایتا مقایسه چندبعدی بین مدل­ ها صورت گرفت و مدل جنگل تصادفی کمترین مقادیر خطا را نتیجه داد. از آنجائی که در داده ­های ترافیکی جمع ­آوری شده, حوادث رانندگی و تبعا نقاط قفل ترافیکی در مدل ها نیز استفاده شده, و با لحاظ اینکه مدل رگرسیون جنگل تصادفی با وجود نویز و آنومالی نیز به طور موثرتری با داده ها تطبیق یافته می ­یابند, مقدار R2 این مدل, از شبکه­ های عصبی عمیق بدلیل داشتن ذات بیش ­پردازشی, بالاتر حاصل شده است.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button