فهرست نشریات علمی دسترسی آزاد ایران

پیش بینی ترافیک، به عنوان بخش مهمی از سیستم‌های حمل و نقل هوشمند، نقش مهمی در نظارت بر وضعیت ترافیک ایفا می‌کند. با توجه به اینکه بسیاری از مطالعات کار پیش‌بینی سرعت ترافیک را با مدل‌های یادگیری عمیق انجام داده‌اند، همچنان پژوهشی بر روی پیش‌بین سرعت ترافیک در فصل‌های مختلف انجام نشده است.همچنین با توجه به تأثیرات مهم عوامل مکانی-زمانی و عملکرد عالی شبکه‌های عصبی بازگشتی (RNN) در زمینه تحلیل سری‌های زمانی، در این مقاله، یکی از شبکه‌های عصبی یادگیری عمیق که ویژگی‌های واحد بازگشتی گیتی تزریقی (FI_GRU) در داده‌های زمانی متوالی را ترکیب می‌کنند، پیشنهاد شده است. داده‌های مورد استفاده در این پژوهش از شبکه تجسم و ارزیابی فعال در شهر سیاتل ایالت متحده بدست آمده است. این پژوهش سه فصل بهار، تابستان و پاییز و چهار مدل یادگیری عمیق شامل LSTM وGRU و ConvLSTM و BiLSTM و یک مدل کم عمق SVM در سه گام زمانی ۵دقیقه، ۱۰دقیقه و۱۵ دقیقه باهم مقایسه کرده است، نتایج این تحقیق نشان می‌دهد، مدل پیشنهادی در فصل‌های مختلف اختلافی چشمگیری نداشته است، و همچنین چهار مدل یادگیری عمیق ومدل SVM ، در فصل‌های مختلف اختلاف قابل توجه نداشته‌اند ، نتایج دیگرنشان می‌دهد هرچه بازه گام‌های زمانی بیشتر می‌شود خطاها بیشتر و دقت مدل کاهش پیدا می‌کند، با توجه به نتایج بدست آمده دقت مدل  FI-GRUنسبت به کمترین دقت مدل یادگیری عمیق  (BiLSTM)۵۲/۰درصد بیشتر است، و دقت مدل پیشنهادی نسبت به مدل کم‌عمق (SVM) ۲۴/۱درصد بیشتر است و همچنین مدل پیشنهادی برای پیش‌بینی سرعت ترافیک در گام زمانی ۵ دقیقه ۴۴/۱درصد بهتر عمل کرده است.