مهندسی عمران مدرس، جلد ۲۳، شماره ۲، صفحات ۰-۰
عنوان فارسی ارزیابی مدل‌های پارامتری و غیر پارامتری در پیش بینی وقایع نادر ترافیکی بر مبنای سرعت متوسط و حجم ترافیک
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله پیش‌بینی متغیرهای ترافیکی،پیش‌بینی وقایع نادر،ساریما،شبکه عصبی مصنوعی،ماشین بردار پشتیبان
عنوان انگلیسی Evaluation of parametric and non-parametric models in predicting rare traffic events based on average speed and traffic volume
چکیده انگلیسی مقاله One of the information needed for all planning problems and specifically transportation planning is to have accurate prediction about the future. Traffic variables prediction is one of the efficient tools in travel demand management. Using this tool and advanced traveler information systems (ATIS), the predicted traffic variables are informed to the users and transportation system operators to make plans and set policies. In this study, the average speed and traffic volume of the Karaj to Chalus suburban road with the high variation of traffic variables in the north of Iran is predicted. The Karaj to Chalous road is part of the route from Tehran as the capital of Iran to the country's northern coast. Along the Karaj to Chalous road, three parallel roads, with different lengths, connect Tehran with the cities of the north. In general, finding the pattern of non-mandatory trips is more complicated than mandatory trips. Generally, the predictive methods are divided into three groups, naïve, parametric and non-parametric methods. Among the various predictive models, the SARIMA as a parametric model and the artificial neural network and the support vector machine as nonparametric models are employed. In the data pre-processing step, the variables affecting the average speed and traffic volume are extracted and added to the dataset as predictor variables. These variables are related to time, calendar, holidays, weather, and roads blockage. Also, because of the importance of the maximum and minimum values of traffic speed and volume, as critical values and rare events, models are evaluated with emphasis on the prediction of rare events compared to normal values. The results show that, for the test data, the lowest root mean square error of predicting the average traffic speed and traffic volume are obtained using artificial neural network and support vector machine models equals 139 vehicles per hour and 5 kilometers per hour, respectively. In terms of R2 of prediction-observation plot, the performance of SARIMA for predicting the average speed and traffic volume is the same for the test dataset. In contrast the R2 of hourly traffic volume prediction is higher for the training data. The R2 of artificial neural network model and the support vector machine for traffic volume prediction is higher than traffic speed prediction. The lowest root mean square error of predicting the first and fourth quartile of the observed average traffic speed values is obtained by support vector machine models and artificial neural network, respectively. Also, predicting the first quartile and fourth quartile of the observed traffic volume values by the support vector machine model is more accurate than two other models. Using predicted traffic parameters and providing them to travelers and transportation agencies by intelligent transportation systems leads to make a balance between travel demand and travel supply in the near future which is the main aim of this study. Travelers can have a better personal plan for their future trips based on these predictions. Also, the transportation agencies are more prepared to deal with critical traffic situations and can prevent traffic congestion.
کلیدواژه‌های انگلیسی مقاله Traffic variables prediction,Rare event prediction,SARIMA,Artificial neural network,Support vector machine
نویسندگان مقاله آرش رساایزدی | Arash Rasaizadi
Tarbiat Modares University
دانشگاه تربیت مدرس

سیداحسان سیدابریشمی | Seyedehsan Seyedabrishami
Tarbiat Modares University
دانشگاه تربیت مدرس

نشانی اینترنتی http://mcej.modares.ac.ir/browse.php?a_code=A-10-22393-3&slc_lang=fa&sid=16
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی اصیل (کامل)
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات