کاربرد شبکه های عصبی در شبکه حمل و نقل شهری

افزایش حجم ترافیک و ایجاد گرههای ترافیکی در راههای بین شهری و همچنین شبکه ترافیک شهری سبب کاهش کارایی شبکه ترافیکی و راههای مورد نظر میشود. پیش بینی و کشف هرچه سریعتر این گرههای ترافیکی میتواند کمک شایانی به حل مشکل و روان سازی جریان ترافیک نماید. شبکه های عصبی مصنوعی نشان داده اند که با تکیه بر قابلیت یادگیری خود می توانند عملکرد بسیار مناسبی در این زمینه از خود نشان دهند. هدف اصلی این تحقیق پیش بینی و تشخیص خودکار گرههای ترافیکی با استفاده از مدل شبکه عصبی هوشمند و مقایسه کارایی مدل با مدلهای دیگر موجود است. این مقاله رویکردی را مطرح می کند که ترکیبی از داده ها ی مطلوب و اطلاعات زمان واقعی برای پیش بینی زمان رسیدن اتوبوس می باشد. این رویکرد شامل دو مرحله است. اولا، مدل شبکه های عصبی براساس تابع پایه شعاعی( ) برای تقریب رابطه غیر خطی در داده های مطلوب، سپس در دومین مرحله، یک روش انلاین بر ای تعدیل وضعیت واقعی معرفی می شود.در ادامه، یک مطالعه ازمایشی بر روی مسیر شماره ۲۱ اتوبوس در دالیان با استقرار این سیستم بر ای اثبات اعتبار و اثر بخشی این رویکرد انجام شد. به علاوه، مدل رگرسیون خطی چندگانه، شبکه های عصب و بدون تعدیل انلاین استفاده می شود. نتایج نشان می دهد که رویکرد با و تعدیل انلاین دارای عملکرد پیش بینی بهتری است.