فهرست نشریات علمی دسترسی آزاد ایران

در دنیای امروز، هوش مصنوعی به عنوان یک عامل قدرتمندِ غیرقابل انکار در تمام امور انسانی ورود پیدا کرده است. این هوش با استفاده از الگوریتم‌های شبکه عصبی و کلان داده‌ها آموزش دیده و پیش‌بینی می‌کند. در گذر زمان انواع متفاوتی از شبکه‌های عصبی برای کاربردهای متفاوت معرفی و توسعه داده شده که یکی از اینها، شبکه عصبی بازگشتی (RNN) است. مدل RNN بخاطر معماری و ساختار آن، عملکرد قابل قبولی بر روی داده های سری زمانی (Time series) – داده‌هایی که در آن ویژگی های مختلف از یک پدیده در گام های زمانی ثابت برداشت شده- دارد. در حمل و نقل موارد زیادی از داده های سری زمانی وجود دارد مانند: حجم عبوری ترافیک از یک نقطه خاص در بازه های زمانی ثایت، تعداد و جنسیت و ... مسافرین مترو در ساعات مختلف شبانه‌روز، ویژگی‌های حرکت مثل موقعیت و سرعت و شتابِ یک عامل ترافیکی مثل عابر پیاده رو هر لحظه در پیاده رو. مورد آخر که سوابق و تاریخچۀ ویژگی‌های حرکتیِ عابر است، اساس کار این پژوهش است. در این مقاله با استفاده از 3 زیرمجموعۀ شبکه عصبی بازگشتی یعنی مدل‌های Vanilla LSTM، Stacked LSTM و GRU به پیش‌بینی مسیر حرکت عابر می‌پردازیم. 2 هدف اصلی این پژوهش اولاً تخمین موقعیت آینده یک عابر جهت شناسایی و رفع شرایط خطرآفرین در تعامل عابر و سیستم خودران (مثل ربات کالارسان) در پیاده رو و ثانیاً بررسی عملکرد این 3 مدل در داده های سری زمانی است. نتایج نشان داد که در افق زمانی پیش‌بینی کوتاه مدت، مدل GRU عملکرد بهتری نسبت به دیگر مدل‌ها دارد. اما با افزایش افق زمانی پیش‌بینی و افزایش پیچیدگی‎های داده‎‌ها، مدل Stacked LSTM عملکرد بهتری نسبت به سایرین دارد.