پيش‌بيني ترافيك در شرايط نامساعدجوي با تكيه بر داده‌هاي آب‌و‌هوايي و شبكه عصبي مصنوعي

پيش‌بيني ترافيك به عوامل متعددي بستگي داردكه به يكديگر وابسته هستند و اثرگذاري قابل توجهي بر يكديگردارند. در اين بين با توجه به مطالعات پيشين، پارامترهاي ترافيكي و مرتبط با شرايط جوي تاثير عمده‌اي بر حجم ترافيك عبوري از آزاده‌راه‌ها دارند. با توجه به موجود بودن اطلاعات ترددشماري و سابقه شرايط جوي معابر برون‌شهري در گذشته و همچنين قابليت شبكه عصبي مصنوعي در شناسايي الگوها و دسته بندي اطلاعات و يادگيري از حجم عظيم از داد‌هاي پيشين، در اين مطالعه جهت پيش‌بيني ترافيك، مدلي مبتني بر شبكه عصبي مصنوعي پرسپترون چندلايه (MLP) پيشنهاد شده است. پارامترهاي مورد بررسي اين مطالعه و ورودي مدل پيشنهادي شامل سرعت باد، حداقل درجه حرارت، ميزان ديد افقي، ميزان بارش، حداكثردرجه‌حرارت، روز يا شب، ساعت، و تعطيلات رسمي مي‌شود كه اين داده‌ها از اطلاعات ثبت شده ايستگاه سينوپنتيك سازمان هواشناسي و سازمان راهداري اخذ شده است. نتايج نشان داد كه شبكه عصبي مصنوعي پرسپترون پيشنهادي در پيش‌بيني ترافيك سه ساعته داراي ميانگين داراي مربعات خطا 28/0و ضريب همبستگي(R)61/0مي‌باشد. با توجه به اثرگذاري پارامترهاي آب‌و‌هوايي ورودي همچون بارش باران و سرعت باد بر تردد وسايل نقليه در فصل زمستان، مي‌توان گفت وجود اين پارامترها در پايين بودن مقدار ميانگين مربعات خطا و ميزان ضريب همبستگي مناسب در مدل پيشنهادي پرسپترون چندلايه براي پيش‌بيني حجم ترافيك نقش مثبتي داشته‌اند. به طور كلي پس از مقايسه مقادير به دست آمده از پرسپترون چندلايه با مقادير حجم ترافيك حقيقي ثبت شده، نتايج حاصل از اين مطالعه نشان داد كه شبكه عصبي مصنوعي به دليل ماهيت يادگيري و قابليت آموزش از داده‌هاي ورودي، در حوزه پيش‌بيني ترافيك داراي دقت مناسب و عملكردي قابل قبول است و افزايش تعداد داده‌ها و در نظرگرفتن مدت زمان طولاني‌تر بررسي ميتواند نتايج بهتري را نمايان كند.