پیش‌بینی سرعت ترافیک به‌عنوان یک بخش حیاتی در سامانه‌های هوشمند مدیریت حمل‌ونقل می‌تواند به‌طور چشمگیری منجربه افزایش کارایی و ایمنی ترافیک شود. هدف این مقاله بررسی اطلاعات آب و هوایی برای حفظ ماهیت پویای سرعت ترافیک و بهبود قابلیت‌های پیش‌بینی مدل‌های موجود برای پیش‌بینی سرعت ترافیک است، که در آن جاده چالوس به‌عنوان مطالعه موردی در نظر گرفته شده است.

سه مدل ترکیبی یادگیری عمیق شامل LSTM، BI-LSTM و CONV-LSTM برای پیش‌بینی سرعت ترافیک با استفاده از اطلاعات مرتبط با آب و هوا مورد استفاده قرار گرفته‌اند. این مدل‌ها بر اساس معیارهای عملکردی به‌طور دقیق مقایسه شده‌اند. دقت مدل‌های پیش‌بینی با ارائه مقادیر واقعی سرعت ترافیک در کنار مقادیر پیش‌بینی‌شده و خطاهای پیش‌بینی مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که مدل CONV-LSTM عملکرد برتری دارد و خطای جریان ترافیک آن 0.75 وسیله نقلیه است. علاوه بر این، یافته‌ها نشان می‌دهد که متغیر دمای مرطوب (Wet Temperature) بیشترین تأثیر را بر سرعت ترافیک در جاده چالوس دارد. مقاله همچنین نشان می‌دهد که بسته به نوع داده‌های مدل، می‌توان مدل های یادگیری عمیق را به‌طور مستقل یا ترکیبی با مدل‌های دیگر به‌کار برد تا عملکرد بهتری به‌دست آید. این نوآوری پتانسیل قابل‌توجهی برای ارتقای مدیریت و برنامه‌ریزی جاده‌های برون‌شهری دارد و در نتیجه راحتی و ایمنی مسافران را افزایش می‌دهد.