فهرست نشریات علمی دسترسی آزاد ایران

تقاضای روزافزون استفاده از وسایل حمل‌ونقل شخصی، مشکل تراکم ترافیک را به یکی از مهم‌ترین بحران‌ها در اکثر کلان‌شهرهای جهان تبدیل کرده است. توانایی پیش‌بینی میزان حجم ترافیک جاده‌ها می‌تواند در بسیاری از برنامه‌های مدیریتی و کنترل ترافیک کمک کند. اما تعیین حجم ترافیک چالش‌برانگیز است، زیرا شمارش وسایل نقلیه معمولاً فقط در تعداد معدودی از مکان‌هایی که دارای سنسورهای ترافیک ثابت هستند، امکان‌پذیر است. در پژوهش حاضر برای رفع این چالش از داده‌های مسیریابی سرویس نشان استفاده شده است. با مسیریابی در ساعات مختلف شبانه‌روز ثبت اطلاعات مربوط به مدت‌زمان سفر، امکان برآورد حجم ترافیک یال‌های شهری وجود دارد. برای بررسی امکان‌پذیری روش پیشنهادی، داده‌های مربوط به مدت‌زمان سفر خیابان کمال واقع در شهر اصفهان برای ساعت مختلف شبانه‌روز و به مدت 24 روز اخذ گردید. همچنین به‌منظور پیش‌بینی حجم ترافیک ساعتی از روش های یادگیری ماشین شامل جنگل‌ تصادفی، درخت تقویت کننده گرادیان شدید، شبکه عصبی حافظه کوتاه ‌مدت طولانی و شبکه‌های عصبی بازگشتی بلندمدت‌دوطرفه بکارگرفته‌شده‌است. از تبدیل فوریه سریع نیز جهت شناسایی فرکانس های اصلی تغییرات حجم ترافیک و مدلسازی و مقایسه با روش های دیگر استفاده شده است. در روش‌های استفاده شده در این پژوهش، از ویژگی‌هایی مانند: وابستگی مکانی (مجموع مدت زمان سفر یال های ورودی خیابان)، تاریخچه مدت زمان سفر، ویژگی‌های زمانی مانند: ساعت و روز‌های هفته، تعداد یال‌های‌ورودی و تعداد مراکز تاثیرگذار در ترافیک شهری ازجمله: تعداد مدارس،تعداد بانک‌ها، هتل‌ها، شهرداری‌ها، داروخانه‌ها، اورژانس و بیمارستان‌ها، جمعیت محصل و کل جمعیت در محدوده خیابان‌ها استفاده‌شده‌است. نتایج عددی نشان می دهد، روش های یادگیری ماشین و یادگیری عمیق عملکرد بهتری نسبت به روش تبدیل فوریه سریع دارند. همچنین در بین روش های یادگیری ماشین و یادگیری عمیق نیز روش جنگل تصادفی با میزان بالای R2 برابر با 93/0 عملکرد بهتری را نسبت به سایر روش ها دارد.