مرکز تحقیقات راه، مسکن و شهرسازی جاده 1735-062X 24 88 2016 09 22 Provides a Method for Detecting Traffic Nodes in Order to Increase the Optimum Performance of the Traffic Network ارایه روشی برای تشخیص گره‌های ترافیکی در جهت افزایش عملکرد بهینه شبکه ترافیکی 167 186 50949 FA سید فرزین فائزی استادیار، گروه علمی عمران، دانشگاه پیام نور، تهران، ایران محمدرضا الیاسی استادیار، گروه علمی عمران، دانشگاه ملایر، ملایر، ایران سروش علیزاده دانش آموخته کارشناسی ارشد، گروه علمی عمران، دانشگاه پیام نور، تهران، ایران سید رضا موسوی دانشجوی دکتری، گروه علمی عمران، دانشگاه پیام نور، تهران، ایران Journal Article 2017 10 14 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. <br /><strong> </strong> <br />  <em>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</em> <em>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 </em><em>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 </em><em>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</em><em>.</em><br /> <strong> </strong><br />   https://road.bhrc.ac.ir/article_50949_f77db2fe395e0666297c622a93603b76.pdf