این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی حمل و نقل، جلد ۱۳، شماره ۲، صفحات ۱۵۳۱-۱۵۴۶
عنوان فارسی مدل پیش بینی کوتاه مدت سرعت متوسط غیرمجاز با رویکرد یادگیری ماشین
چکیده فارسی مقاله سرعت غیرمجاز یکی از عوامل اصلی وقوع تصادفات رانندگی است. در اثر سرعت غیرمجاز در راه­های برون‌شهری نه تنها احتمال وقوع تصادف افزایش پیدا می­کند بلکه بر شدت تصادفات نیز افزوده می­شود، لذا کنترل سرعت امری واجب به نظر می­رسد. نکته حائز اهمیت دیگر تلاش برای جلوگیری از وقوع تخلف سرعت غیرمجاز است. در این پژوهش سرعت متوسط ترافیک برای محور خرم‌آباد به اراک برای آینده نزدیک پیش­بینی می­شود. چنانچه سرعت متوسط پیش­بینی شده به سرعت مجاز نزدیک یا از آن بیشتر شود، می­توان قبل از وقوع حادثه تمهیدات لازم به‌منظور کاهش سرعت متوسط ترافیک به وسیله استفاده­کنندگان از راه یا گردانندگان سیستم اندیشیده شود. به‌منظور پیش­بینی سرعت متوسط ترافیک، داده ترافیکی محور یاد شده توسط دستگاه­های سرعت‌سنج در سال­های اخیر ثبت شده است. استخراج ویژگی­های مؤثر بر سرعت ترافیک نیز سبب تکمیل شدن مجموعه داده شده می‌شود تا بتوان از این ویژگی­ها برای پیش­بینی سرعت متوسط استفاده کرد. سه مدل ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بازگشتی به‌عنوان سه روش مبتنی بر یادگیری ماشین مورد استفاده قرار گرفته­اند. هر سه روش قابلیت تحلیل داده­های حجیم ترافیکی را داشته و در ضمن روش شبکه عصبی مصنوعی بازگشتی به‌عنوان یک روش مبتنی بر یادگیری عمیق تطابق بیشتری با ماهیت سری زمانی داده دارد. نتایج نشان می­دهد برای هر دو جهت رفت‌وبرگشت این محور، زمانی که تنها از ویژگی­های تقویمی و آب­وهوا استفاده شود میانگین درصد خطای مطلق مدل­ها بین 8/2 تا 1/5 درصد است و درصد پیش­بینی صحیح سرعت­های بالای 85 کیلومتر بر ساعت بالای 80 درصد است. همچنین با افزودن مقادیر مشاهده شده سرعت در بازه زمانی 3 تا 8 ساعت گذشته به‌عنوان متغیر پیش­بینی کننده، میانگین درصد خطای مطلق مدل­ها به 5/2 تا 6/4 درصد تقلیل پیدا می­کند.
کلیدواژه‌های فارسی مقاله تشخیص تخلف سرعت، شبکه عصبی بازگشتی، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، یادگیری ماشین،
عنوان انگلیسی A Short-term model for detecting high traffic speed violation by using machine learning approach
چکیده انگلیسی مقاله Speed violation is one of the main causes of accidents. High speed not only increases the probability of occurrence of accidents but also increases the severity of accidents. So a vital point is trying to prevent the occurrence of speed violations. In this study, the hourly average traffic speed for Khorramabad to Arak highway is predicted for the future. If the predicted speed is near or exceeds the permitted speed, it is necessary to consider arrangements and preparations to reduce the average speed of traffic by users or the transportation network operators. In order to predict hourly average traffic speed, related traffic data was recorded in recent years. Many new features that affect traffic speed are extracted and used in predictive models. Three machine learning methods, including support vector machine, artificial neural network, and recurrent neural network, have been used. All three methods have the ability to analyze big traffic data, and in addition, the recurrent neural network has more consistency with the time-series nature of data. The results show that for both directions of this highway, by using only calendar and weather features, the mean absolute percentage error of the models is varied between 2.8 to 5.1 percent. Models can predict speeds over 80 kilometers per hour with precision over 80 percent. By adding the observed speed of the previous 3 to 8 hours as predictive features, the mean absolute percentage error of the models is decreased to 2.5 to 4.6.
کلیدواژه‌های انگلیسی مقاله تشخیص تخلف سرعت, شبکه عصبی بازگشتی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان, یادگیری ماشین
نویسندگان مقاله رضا محمدحسنی |
گروه حمل و نقل ریلی، دانشکده مهندسی راه آهن، دانشگاه علم و صنعت ، تهران، ایران

ارش رسایزدی |
دانشجوی دکتری برنامه ریزی حمل و نقل ریلی، دانشکده مهندسی عمران، دانشگاه تربیت مدرس، تهران، ایران

نشانی اینترنتی https://jte.sinaweb.net/article_140944_8dc1306553804cbd329e998b8b86da7e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات