کاربرد شبکه ها ی عصبی RBF در شبکه حمل و نقل شهری
دوره 5، شماره 18، پاییز 1401، صفحات 62 - 71
1 هیات علمی گروه ریاضی-دانشگاه پیام نور-صندوق پستی 3697-19395 –تهران-ایران
چکیده :
افزایش حجم ترافیک و ایجاد گرههای ترافیکی در راههای بین‌شهری و همچنین شبکه ترافیک شهری سبب کاهش کارایی شبکه ترافیکی و راههای مورد نظر میشود. پیشبینی و کشف هرچه سریعتر این گرههای ترافیکی میتواند کمک شایانی به حل مشکل و روان‌سازی جریان ترافیک نماید. شبکههای عصبی مصنوعی نشان داده اند که با تکیه بر قابلیت یادگیری خود میتوانند عملکرد بسیار مناسبی در این زمینه از خود نشان دهند. هدف اصلی این تحقیق پیشبینی و تشخیص خودکار گرههای ترافیکی با استفاده از مدل شبکه عصبی هوشمند و مقایسه کارایی مدل با مدلهای دیگر موجود است. این مقاله رویکردی را مطرح می کند که ترکیبی از داده ها ی مطلوب و اطلاعات زمان واقعی برای پیش بینی زمان رسیدن اتوبوس می باشد. این رویکرد شامل دو مرحله است. اولا، مدل شبکه های عصبی براساس تابع پایه شعاعی( ) برای تقریب رابطه غیر خطی در داده های مطلوب، سپس در دومین مرحله، یک روش انلاین بر ای تعدیل وضعیت واقعی معرفی می شود.در ادامه، یک مطالعه ازمایشی بر روی مسیر شماره 21 اتوبوس در دالیان با استقرار این سیستم بر ای اثبات اعتبار و اثر بخشی این رویکرد انجام شد. به علاوه، مدل رگرسیون خطی چندگانه، شبکه های عصب و بدون تعدیل انلاین استفاده می شود. نتایج نشان می دهد که رویکرد با و تعدیل انلاین دارای عملکرد پیش بینی بهتری است.
افزایش حجم ترافیک و ایجاد گرههای ترافیکی در راههای بین‌شهری و همچنین شبکه ترافیک شهری سبب کاهش کارایی شبکه ترافیکی و راههای مورد نظر میشود. پیشبینی و کشف هرچه سریعتر این گرههای ترافیکی میتواند کمک شایانی به حل مشکل و روان‌سازی جریان ترافیک نماید. شبکههای عصبی مصنوعی نشان داده اند که با تکیه بر قابلیت یادگیری خود میتوانند عملکرد بسیار مناسبی در این زمینه از خود نشان دهند. هدف اصلی این تحقیق پیشبینی و تشخیص خودکار گرههای ترافیکی با استفاده از مدل شبکه عصبی هوشمند و مقایسه کارایی مدل با مدلهای دیگر موجود است. این مقاله رویکردی را مطرح می کند که ترکیبی از داده ها ی مطلوب و اطلاعات زمان واقعی برای پیش بینی زمان رسیدن اتوبوس می باشد. این رویکرد شامل دو مرحله است. اولا، مدل شبکه های عصبی براساس تابع پایه شعاعی( ) برای تقریب رابطه غیر خطی در داده های مطلوب، سپس در دومین مرحله، یک روش انلاین بر ای تعدیل وضعیت واقعی معرفی می شود.در ادامه، یک مطالعه ازمایشی بر روی مسیر شماره 21 اتوبوس در دالیان با استقرار این سیستم بر ای اثبات اعتبار و اثر بخشی این رویکرد انجام شد. به علاوه، مدل رگرسیون خطی چندگانه، شبکه های عصب و بدون تعدیل انلاین استفاده می شود. نتایج نشان می دهد که رویکرد با و تعدیل انلاین دارای عملکرد پیش بینی بهتری است.
کلمات کلیدی :
شبکه ها ی عصبی ، تابع پایه شعاعی، تعدیل وضعیت واقعی ،گرههای ترافیکی، شبکه ترافیک شهری
شبکه ها ی عصبی ، تابع پایه شعاعی، تعدیل وضعیت واقعی ،گرههای ترافیکی، شبکه ترافیک شهری
