فهرست نشریات علمی دسترسی آزاد ایران

پیش‌­بینی متغیرهای ترافیکی یکی از ابزارهای کارآمد در مدیریت تقاضای سفر است. با استفاده از این ابزار، متغیرهای ترافیکی پیش‌­بینی شده در اختیاران کاربران و گردانندگان سیستم حمل­‌ونقل قرار می­‌گیرد تا برنامه‌­ریزی­‌های فردی و سیاست‌گذاری‌های کلی اتخاذ شوند. در این پژوهش دو متغیر ترافیکی سرعت متوسط و حجم ترافیک ساعتی، در جاده برون‌شهری کرج به چالوس به‌عنوان محوری با نوسانات زیاد متغیرهای ترافیکی، پیش‌­بینی شده است. از میان مدل­‌های متنوع پیش‌­بینی کننده، مدل ساریما به‌عنوان یک مدل پارامتری و مدل­‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به‌عنوان مدل‌­های غیرپارامتری استفاده شده­‌اند. در فرآیند پیش‌­پردازش داده، متغیرهای اثرگذار بر سرعت متوسط و حجم ترافیک استخراج و به‌عنوان متغیرهای پیش‌­بینی کننده به مجموعه داده اضافه شده است. همچنین ازآنجاکه اطلاع داشتن از مقادیر بیشینه و کمینه سرعت متوسط و حجم ترافیک به‌عنوان وقایع نادر ترافیکی، اهمیت بیشتری به نسبت مقادیر عادی دارد، ارزیابی مدل­‌ها با تأکید بر پیش‌­بینی وقایع نادر انجام شده است. نتایج نشان می‌­دهد، برای داده آزمون، کمترین ریشه میانگین مربعات خطای پیش‌­بینی سرعت متوسط و حجم ترافیک به ترتیب با استفاده از مدل­‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان و برابر با 139 وسیله نقلیه بر ساعت و 5 کیلومتر بر ساعت حاصل شده است. کم­ترین ریشه میانگین مربعات خطا پیش‌­بینی سرعت متوسط برای چارک اول و چهارم به عنوان مقادیر نادر ترافیکی مقادیر مشاهده شده به ترتیب توسط مدل­‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی به دست آمده است. همچنین چارک اول و چهارم مقادیر مشاهده شده حجم ترافیک با مدل ماشین بردار پشتیبان دقیق­‌تر از دو مدل دیگر پیش‌­بینی شده­‌اند.