ارایه روشی برای تشخیص گره‌های ترافیکی در جهت افزایش عملکرد بهینه شبکه ترافیکی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه علمی عمران، دانشگاه پیام نور، تهران، ایران

2 استادیار، گروه علمی عمران، دانشگاه ملایر، ملایر، ایران

3 دانش آموخته کارشناسی ارشد، گروه علمی عمران، دانشگاه پیام نور، تهران، ایران

4 دانشجوی دکتری، گروه علمی عمران، دانشگاه پیام نور، تهران، ایران

چکیده

بروز گره­های ترافیکی همواره به‌عنوان یکی از مهمترین معضلات جریان ترافیکی آزادراه­ها شناخته شده­اند. کشف سریع این گره‌های ترافیکی و رفع هر چه سریع­تر آنها همواره به‌عنوان یکی از دغدغه­های مسئولین و محققین در شریانهای اصلی بوده است. بنابراین ارایه مدلی مناسب برای تشخیص این گره­ها و انجام اقدامات لازم جهت تسریع در روان‌سازی جریان ترافیک به‌منظور کاهش اثرات ثانویه از اهمیت خاصی برخوردار است. از این رو هدف از تحقیق حاضر پیش­بینی و تشخیص خودکار گره­های ترافیکی با استفاده از قابلیت‌های مدل شبکه عصبی می‌باشد. روش تحقیق در این مطالعه استفاده از سه نوع شبکه عصبی مصنوعی برای پیش­بینی و کشف خودکار گره­های ترافیکی می‌باشد که شامل شبکه عصبی چند لایه پرسپترون، شبکه عصبی نروفازی و شبکه عصبی تابع مبنای شعاعی می‌باشد. داده­های مورد استفاده در این تحقیق از اطلاعات واقعی مرکز کنترل ترافیک آزادراه تهران- کرج به‌صورت روزانه، هفتگی و ماهیانه می‌باشد. نتایج بر اساس شاخص­های ارزیابی نشان می‌دهد که شبکه پرسپترون با سه پارامتر ورودی با دو لایه پنهان 15 نرونی در لایه‌های پنهان بهترین عملکرد را نسبت به مدل‌های دیگر دارد که به‌عنوان مدل با کارایی بهینه معرفی شده است. کاربرد تحقیق حاضر در کاهش خسارت‌های ناشی از ایجاد گره­های ترافیکی و مشکلات ثانویه ناشی از این گره­ها می‌باشد.
 
 

کلیدواژه‌ها


 

-امامی، م. و یثربی، س. ش. الف.، (1393)، "کاربرد شبکه عصبی مصنوعی در تفسیر نتایج آزمایش پرسیومتری" فصلنامه عمران مدرس، دوره چهاردهم، ص. 11-25.
 
-امینی، س. دوست‌محمدی، ع.، (1386) "مدل‌سازی و کنترل نظارتی شبکه‌های ترافیک شهری ابعاد وسیع با استفاده از پتری نت های هایبرید"، دهمین کنفرانس مهندسی حمل و نقل و ترافیک ایران، ص. 77-80.
 
-بهبهانی، ح. و حقیقی، ف. ر.، (1389)، " کنترل زمان بندی چراغ راهنمایی بوسیله شبکه‌های عصبی"، دوازدهمین کنفرانس مهندسی حمل و نقل و ترافیک ایران، ص. 52-55.
 
-پورمعلم، ن. و دزفولیان، ر.، (1388)، "ارایه الگوریتم و مدل ارزیابی تحلیل سوانح ریلی با استفاده از سیستم‌های هوشمند عصبی- فازی (مطالعه موردی خروج از خط)"، فصلنامه مهندسی حمل و نقل، دوره 1، شماره 1، ص. 11-23.
-جوانشیر، ح.، ناصرعلوی، م.، و مبشری، ح.، (1388)،
 "­اصول و کاربردهای سیستم‌های هوش جمعی در مهندسی حمل و نقل"، ششمین کنگره ملی مهندسی عمران، سمنان،
ص. 111-114.
 
-ذوالفقاری، الف.، و کرکه‌آبادی، ز.، (1392)، "مسیریابی هوشمند اکیپ‌های امدادی با استفاده از الگوریتم تئوری
بازی ها نمونه موردی: شهر سمنان"، فصلنامه مهندسی
حمل و نقل، دوره 5، شماره 1، ص. 19-32.
 
-شفابخش، غ.ع. و نادرپور، ح.، (1389)، "مدلسازی تخصیص ناوگان اتوبوسرانی شهری با استفاده از شبکه‌های عصبی مصنوعی (مطالعه موردی: مشهد مقدس)"، فصلنامه مهندسی حمل و نقل، دوره 1، شماره 3، ص. 67-79.
 
-شمسی­نژاد، پ. (1392)، " کنترل ترافیک یک تقاطع ایزوله با روش هوشمند فازی"، اولین کنفرانس ایده­های نو در مهندسی برق، دانشگاه آزاد خوارسگان- اصفهان، ص. 44-47.
 
-عباسی، س. ح. و یعقوبی، م. (1392)، "­رویکردی نو در بررسی پیش‌بینی پذیری ترافیک شهری مبتنی بر تئوری آشوب و پیش‌بینی جریان ترافیک شهر مشهد مبتنی بر سیستم فازی- عصبی تطبیقی چندگانه"، فصلنامه مهندسی حمل و نقل، سال چهارم، شماره سوم، ص. 233-246.
 
-منهاج، م.ب.، (1383) "هوش محاسباتی (جلد اول)"، دانشگاه صنعتی امیرکبیر واحد تفرش، مرکز نشر پروفسور حسابی.
 
-Bingham, E. (2014), “Reinforcement learning in neural fuzzy traffic signal control,” Eur. J. Oper. Res., vol. 131, no. 2, pp. 232–241.
 
-Fausett, L. V. (1994), “Fundamentals neural networks: Architecture, algorithms, and applications, Prentice-Hall, Inc., Englewood Cliffs, and New Jersey.
 
-Kumar, K. Parida, M. and Katiyar, V. K., (2014), “Prediction of urban traffic noise using artificial neural network approach ", Environmental Engineering & Management Journal (EEMJ), Vol. 13 Issue 4, pp.817-826.
 
-Piuri,V. and C.Alippi; (2011), "Artificial neural networks"; Journal of system Architecture; Vol. 44, No.8; pp.565-567.
 
-Sharma, M. Dahiya, M. Saini, P. K. and Garg, N., (2014), "Application of Artificial Neural Network for Modeling of Traffic Noise on Roads in Delhi", IOSR Journal of Mechanical and Civil Engineering, PP: 31-36.
 
-Srinivasan, D. Choy, M. Ch. Cheu, R. L. (2006), " Neural Networks for Real-Time Traffic Signal Control", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 7, NO. 3.
-Williams, B. M. (2015), “Multivariate vehicular traffic flow prediction: An evaluation of ARIMAX modeling”, Transportation Research Record, 1776,
pp. 194–200.
 
-Wang, H. Wei, H. and Zhang, G. (2009), "An Artificial Neural Network Method for
Length-based Vehicle Classification Using Single-Loop Outputs", Transportation Research Center at the Beijing University of Technology.
 
-ZHANG, H. RITCHIE, S. G. and Lo, K. L, (2001), "Macroscopic Modeling of Freeway Traffic Using an Artificial Neural Network", transportation research record 1588.