Provides a Method for Detecting Traffic Nodes in Order to Increase the Optimum Performance of the Traffic Network

Document Type : Original Article

Authors

1 Assistant Prof, Department of Civil Engineering, Payame Noor University (PNU), Tehran, Iran

2 Assistant Prof, Department of Civil Engineering, Malayer University, Malayer, Iran

3 M.Sc. Grad., Department of Civil Engineering, Payame Noor University (PNU), Tehran, Iran.

4 Ph.D. Student, Department of Civil Engineering, Payame Noor University (PNU), Tehran, Iran

Abstract

The traffic nodes are one of the most traffic-flow problems have been known to freeways. Discover the traffic nodes and fix are one of the main arteries, authorities and researchers in concerns has been. So presenting a suitable model for the detecting of nodes and taking necessary measures to accelerate the traffic-fiowing has certain importance. The purpose of the present research is forecasting and finding of automatically nodes by using neural network capabilities. Research methodology in this study is using three kinds of artificial neural network in order to discover the outcome of auto traffic nodes. That includes some laminated prspetron neural network, neural network of radial basis function and neural network neuro-fuzzy. The data which used in this research are actual data that obtained from control center of Tehran-Karaj freeway traffic daily, weekly and monthly. Finally the results which based on the evaluation indicators show that the perceptron network with three entrance parameters with two hidden layers of 15 neural in hidden layers has the best performance at comparing to the other models that optimize performance as the model which introduced.The research application is reducing the damages and problems which their causes are traffic nodes.
 
 

Keywords

References

 

-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.
 

Files

Share

How to cite

Statistics