فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی متغیرهای ترافیکی و اطلاع‌رسانی آن به مسافرین و گردانندگان شبکه حمل‌ونقل یکی از راهکارهای مدیریت تقاضای سفر است. با اطلاع‌رسانی وضعیت آینده ترافیک از طریق سیستم‌های حمل‌ونقل هوشمند، آمادگی بیشتری جهت اجتناب از وقوع تراکم ترافیک به وجود می‌آید. در این مطالعه به‌ منظور پیش‌بینی وضعیت ترافیک ساعتی، شامل سه وضعیت روان، نیمه‌سنگین و سنگین، در جاده برون‌شهری کرج به چالوس در شمال ایران، سه مدل یادگیری ماشین، شامل ماشین بردار پشتیبان، جنگل تصادفی و حافظه طولانی کوتاه ‌مدت به دو صورت کوتاه ‌مدت و میان ‌مدت آموزش داده شده‌اند. متغیرهای پیش‌بینی کننده در مدل‌های میان ‌مدت اطلاعات تقویمی، آب ‌و هوا و محدودیت‌های ترافیکی هستند در صورتی ‌که در مدل‌های کوتاه‌ مدت علاوه بر متغیرهای نام برده، وضعیت ترافیک مشاهده شده در سه تا هشت ساعت گذشته نیز استفاده شده است و این مدل‌ها تنها قادر به پیش‌بینی وضعیت ترافیک یک و دو ساعت آینده هستند. نتایج نشان می‌دهد مدل حافظه طولانی کوتاه‌ مدت با دقتی معادل با 90/11 درصد دقیق‌ترین مدل پیش‌بینی کننده وضعیت ترافیک با افق کوتاه‌ مدت است. این مدل برای افق بلند مدت نیز متغیر وضعیت ترافیک را با 82/07 درصد دقت، دقیق‌تر از دو مدل دیگر پیش‌بینی کرده است و بیشترین مقادیر شاخص F (F1) برای پیش‌بینی سه وضعیت ترافیک سبک، نیمه‌سنگین و سنگین را به همراه داشته که به ترتیب برابر با 0/86، 0/93 و 0/81 به دست آمده‌اند. همچنین متغیرهای ساعت و تعطیلی همان روز و نوع تعطیلی و متغیرهای مشاهدات سه تا هشت ساعت پیش وضعیت ترافیک به ترتیب بیشترین تأثیر را بر افزایش دقت مدل­های میان ­مدت و کوتاه ­مدت دارند.