Learning Identification Strategies for Traffic Flow Model: A Review Study

نویسندگان
محبوبه زارع فیض آبادی ID 1
سید عابد حسینی ID 2
محبوبه هوشمند ID 3

1 گروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.

2 گروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.

3 گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

doi
چکیده

ترافیک سفر و نتایج آن که شامل آلودگی هوا و اوضاع نابسامان اقتصادی می شود از جمله عواملی است که توسعه شهرهای سالم و پایدار را محدود می کند. پارامترهای مدل جریان ترافیک برای مدیریت شبکه راه های شهری مهم هستند. یادگیری استراتژی شناسایی باید به گونه ای باشد که در مدل سازی شبکه ترافیک موارد سادگی، دقت و اعتبار مدل را تضمین کند. در این مقاله روش‌های مختلف شناسایی سیستم جریان ترافیک از جمله مدل‌سازی جریان ترافیک و پیش‌بینی آن در مقالات مختلف بررسی و تحلیل می‌شود. در انتها مزایا و معایب روش های مختلف در این حوزه دسته بندی می شوند.

کلیدواژه‌ها
Traffic flow model prediction, ARIMA model, Hybrid model, Deep learning, Nonlinear macroscopic traffic model.