| مدل بندی ترافیک و شرایط آب و هوا با شبکه عصبی فضایی⁃زمانی |
| کد مقاله : 1000-SPATIAL (R2) |
| نویسندگان |
|
شاهین واعظی *1، محسن محمدزاده2، علی اصغر صفائی3 1گروه علم دادەها، دانشکده علوم و فناوری های بین رشتەای، دانشگاه تربیت مدرس. 2گروه آمار، دانشکده علوم ریاضی، دانشگاه تربیت مدرس. 3گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس. |
| چکیده مقاله |
| ترافیک در سراسر جهان موضوعی مشکل زا به حساب می‌آید و بشر همواره در پی دوری از این پدیده است. تعیین مدت زمان سفر مهم‌ترین مؤلفه در ادبیات ترافیک شهری است و اغلب مطالعات به دنبال پیش‌گویی این متغیر هستند. در این مقاله، به مدل‌بندی و پیش‌گویی مدت زمان سفر تاکسی‌ها در شهر نیویورک پرداخته می‌شود. برای این منظور با اضافه کردن متغیرها و دادەهای جانبی از جمله دادەهای آب و هوا، تعطیلات، رویدادها و تعدادی متغیر مشتق از خود دادەهای سفرها به مدل‌های مرسوم پرداخته می‌شود که باعث افزایش دقت مدل‌های پیشنهادی خواهند شد. برای حل مشکلات ناشی از کلان بودن دادەها، اقداماتی مانند تحلیل مؤلفەهای اصلی و تغییر فرمت ذخیرەسازی دادەها انجام شده است. مدلی مرکب از شبکەهای پرسپترون چندلایه و چگالی آمیخته به نام شبکه چگالی آمیخته یکپارچه محتوا محور ارائه می‌شود که علاوه بر پیش‌گویی مدت زمان سفر، یک بازه اطمینان نیز برای این پیش‌گویی ارائه می‌دهد. دو مدل شاهد نیز با عناوین شبکه چگالی یکپارچه و پرسپترون چندلایه محتوا محور برای سنجش دو فرضیه در نظر گرفته شدەاند. مدل شاهد اول روی دادەهایی فاقد متغیرهای افزودەشده برای سنجش تاثیر این دادەها و مدل شاهد دوم روی دادەهای کامل ولی با معماری بدون واحد چگالی آمیخته شبکه اصلی و به عنوان یک واحد پرسپترون چندلایه مستقل برای سنجش کارایی ترکیب واحدهای چگالی آمیخته و پرسپترون چندلایه آموزش دیده شدند. براساس معیار‌های ارزیابی ضریب تعیین، میانگین مربعات لگاریتم خطا و میانگین خطای مطلق، نتایج بیانگر مؤثر بودن دادەهای افزودەشده و همچنین کارا بودن ترکیب دو شبکه هستند. |
| کلیدواژه ها |
| یادگیری عمیق، شبکەهای عصبی، ترافیک، پیش گویی فضایی⁃زمانی. |
| وضعیت: پذیرفته شده مشروط |