رویکرد ترکیبی-تطبیقی نروفازی جهت پیش بینی جریان ترافیک

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 679

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

TTC12_194

تاریخ نمایه سازی: 23 خرداد 1392

چکیده مقاله:

امروزه تراکم ترافیکی، مسئلهای جهانی است که بوفور در همه جای دنیا مشاهده میشود. فناوریهایی چون سیستمهای حمل ونقل هوشمند نقش اساسی در حل مسئله تراکم ترافیک، ایجاد ایمنی، مدیریت تقاضا و ... که امروزه شبکههای بزرگراهی با آن مواجه هستند، دارند. از جمله مولفه های مهم در این سیستمها، روشهای کارای پیش بینی کوتامدت و یا بلندمدت ترافیک هستند. تا کنون روشهای متعددی برای پیاده سازی موفقیت آمیز این مولفه پیشنهاد شده است ولی با توجه به اهمیت موضوع، تلاش برای ارائه الگوریتم های دقیقتر همچنان ادامه دارد. رویکرد آنلاین ترکیبی ارائه شده در این مقاله، از یک سیستم استنتاجی فازی بعنوان پایهای برای پیش بینی جریان ترافیک در یک، سه و پنج دقیقه آینده در بزرگراه همت استفاده شده و برای مطابقت با آخرین تغییرات ترافیکی در یک روز خاص، توسط شبکه ANFIS به روزرسانی میشود. نتایج حاصل از تست روش، نشاندهنده دقت قابل قبول آن برای بکارگیری بعنوان مولفه پیشبین در سیستمهای حمل ونقل هوشمند است.

کلیدواژه ها:

پیش بینی ترافیک ، منطق فازی ، شبکه عصبی- فازی ANFIS ، پیش بینی چندین گام آینده

نویسندگان

شیوا رحیمی پور

کارشناس ارشد علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، کارشناس ا

مهناز آقامحققی

کارشناس ارشد علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، کارشناس ا

سیدمهدی تشکری هاشمی

استاد گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنع

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ZHANG, G. P. Time series forecasting using a hybrid ARIMA ...
  • GAO, Y. AND ER, M. J. NARMAX time series model ...
  • JIANG, Y. Prediction of freeway traffic flows using Kalman predictor ...
  • ZHENG, W., LEE, D. AND SHI, Q. Short-term freeway traffic ...
  • YIN, H., WONG, S. C. AND XU, J. Urban traffic ...
  • PARK, B. Hybrid neuro-fuzzy application in short-term freeway. Transpo rtation ...
  • ISHAK, S. AND ALEC SANDRU, C. Optimizing traffic prediction performance ...
  • QUEK, C., PASQUIER, M., AND SENG LIM, B.B. PO P-TRAFFIC ...
  • TRANS ACTIONS ON INTE LLIGENT TRAN SPO RTATION SYSTEMS, _ ...
  • JANG, J.S.R., SUN, C.T. AND MIZUTANI, E. Neuro-Fuzzy and Soft ...
  • LOUKAS, Y. L. Adaptive neuro-fuzzy inference system: an instant and ...
  • JANG, J. S. R. ANNFIS: adaptive network-based fuzzy inference systems. ...
  • نمایش کامل مراجع