فهرست نشریات علمی دسترسی آزاد ایران

امروزه، باتوجه به ضرورت انجام پیش‌­بینی در بسیاری از مسائل دنیای واقعی، پیش‌­بینی سری‌­های زمانی یکی از موضوعات اصلی مورد بحث و تحقیق می‌­باشد. مدیریت حمل‌ونقل کلان­شهرها یکی از مسائل چالش‌برانگیز در حیطه پیش‌­بینی است. پیش­‌بینی دقیق و قابل اطمینان از جمله نیازهای یک سیستم حمل‌ونقل هوشمند می­‌باشد. در این مطالعه، هدف پیش‌­بینی تعداد مسافرین ورودی به فرودگاه یک کلان­شهر جهت ارائه خدمات مطلوب به مسافرین است. متغیر مورد مطالعه در این مقاله مشابه مفهوم متغیر جریان در مدیریت ترافیک می‌­باشد. اغلب مطالعات انجام شده در حیطه مدیریت ترافیک از روش‌­های خطی و یا غیرخطی برای پیش­بینی آینده بهره گرفته‌­اند و مزایای استفاده از رویکردهای ترکیبی مورد توجه قرار نگرفته است. در مطالعات پیشین، روش­‌های ترکیبی میانگین متحرک یکپارچه خودرگرسیون-شبکه عصبی مصنوعی (ARIMA-ANN) متنوعی توسعه یافته‌­اند که روابط میان داده‌ها را بررسی می‌­کنند. مطالعه حاضر، از یک رویکرد ARIMA-ANN برای تجزیه داده‌­ها به دو قسمت کم‌نوسان و پرنوسان و انجام پیش­‌بینی دقیق استفاده می­‌کند. علاوه‌‌بر این، در این مطالعه محققین یک رویکرد ترکیبی جدید، میانگین متحرک یکپارچه خودرگرسیون-تکنیک پیش‌­بینی محلی (ARIMA-Local) برای بررسی کارایی سایر روش‌­های غیرخطی ارائه کرده­‌اند. نتایج عددی حاصل از پیاده‌­سازی روش‌های مذکور بر روی مطالعه موردی، دقت بالای روش ARIMA-ANN در پیش‌­بینی و همچنین قابلیت بهتر روش ARIMA-Local در مقایسه با روش‌­های انفرادی شبکه عصبی مصنوعی و هموارسازی نمایی را نشان می‌­دهد.