ارائه يك مدل تركيبي جهت پيش‌بيني ترافيك شهري براساس تئوري سه فازه ترافيك

Presenting a hybrid model for predicting urban traffic based on the theory of three phases of traffic

با گسترش شهرها، پيش‌بيني ترافيك نقش پررنگ تري در مديريت سيستم حمل و نقل بر عهده دارد. با توجه به ماهيت غيرخطي بودن داده‌هاي ترافيكي و توپولوژي پيچيده شهري پيش‌بيني ترافيك امري چالش برانگيز است. كارهاي اخير انجام شده معمولا از شبكه عصبي گرافي براي پيداكردن وابستگي‌هاي فضايي و از شبكه‌هاي عصبي بازگشتي جهت يافتن وابستگي‌هاي زماني استفاده‌كرده‌اند. اما اين كارها معمولا تمامي داده‌هاي ترافيك كه شامل متوسط سرعت، جريان ترافيك و شلوغي و همبستگي آن‌ها است را در نظر نمي‌گيرند. همچنين معمولا از مدل GCN براي پيدا كردن وابستگي فضايي استفاده‌مي‌كنند كه اين مدل وابسته به ماتريس مجاورت غيرقابل آموزشي است كه در ابتدا به دست آمده‌است. روش پيشنهادي ما براي رفع چالش‌هاي گفته شده شامل سه بخش است كه عبارتند از: 1) واحدي جهت يافتن همبستگي داده‌هاي ترافيكي كه از نظريه سه فازه ترافيك الهام گرفته‌است. 2) استفاده از مدل GCN تطبيقي براي يافتن وابستگي‌هاي فضايي كه براي هر گره در شبكه جاده‌اي، پارامترهاي آموزش پذير تعريف مي‌كند. 3) جهت كشف وابستگي هاي زماني و ماهيت غيرخطي بودن داده‌ها از LSTM استفاده شده است. مدل پيشنهادي ما بر روي مجموعه داده PEMS8 نسبت به مدل‌هاي پيشرفته توانسته‌است در معيارهاي ارزيابي از 2.63% تا 12.61% بهبود داشته‌باشد.

With the expansion of cities, predicting traffic plays a more prominent role in transportation system management. Due to the nonlinear nature of traffic data and the complex urban topology, traffic prediction poses a significant challenge. Recent works have typically employed graph neural networks to discover spatial dependencies and recurrent neural networks to find temporal dependencies. However, these approaches often do not consider all traffic data, including average speed, traffic flow, congestion, and their correlations. Additionally, they usually use the GCN model to find spatial dependencies, which relies on a precomputed non-trainable adjacency matrix. Our proposed method to address these challenges consists of three parts: 1) a unit for discovering correlations in traffic data inspired by the three-phase traffic theory. 2) the use of an adaptive GCN model to find spatial dependencies, which defines trainable parameters for each node in the road network. 3) employing LSTM to discover temporal dependencies and the nonlinear nature of the data. Our proposed model on the PEMS8 dataset has shown improvements in evaluation metrics ranging from 2.63% to 12.61% compared to advanced models.