ارائه مدل پيش بيني زمان سفر اتوبوس BRT با استفاده از ماشين هاي بردار پشتيبان به همراه تحيل اجزاي اصلي

Travel Time Prediction for BRT Buses by Using Support Vector Machine (SVM) and Principal Component Analysis

پيش بيني زمان سفر و تاخير، نقش بسزايي در جلوگيري از مواجه شدن استفاده كنندگان راه با ترافيك سنگين و متعقابا افزايش اعتماد آنها به تسهيلات ترافيكي دارد. در تحقيق حاضر، ابتدا با استفاده از اطلاعات بدست آمده از داده هاي سيستم جمع آوري اطلاعات سازمان كنترل ترافيك تهران، پايگاه داده اصلي جهت پيش بيني زمان سفر اتوبوس BRT پايه ريزي مي شود. بدين منظور از خط اتوبوس تندرو فرهنگسرا - آزادي به عنوان نمونه مورد بررسي استفاده مي گردد. در مدلسازي صورت پذيرفته از روش رگرسيون ماشين بردار پشتيبان به همراه تحليل اجزاي اصلي استفاده شده است. با استفاده از روش بيان شده ، زمان سفر در نمونه مورد بررسي، پيش بيني شده و نتايج آن مورد بحث و بررسي و مقايسه قرار مي گيرد. نتايج نشان مي دهد كه روش رگرسيون ماشين بردار پشتيبان به همراه تحليل اجزاي اصلي داراي دقتي بالا در پيش بيني هدف مورد نظر بوده و توانسته است نتايج مربوط به پيش بيني زمان سفر عبوري را بهبود بخشد. بنابراين روش ارايه شده در پژوهش حاضر مي تواند در كاربردهاي عملي بكارگرفته شده و در برنامه ريزي زمان سفر اتوبوس هاي تندرو نقش موثري را ايفا نمايد.

Travel time and delay prediction plays a significant role in prevention of engaging road users with heavy traffics and subsequently increasing their confidence in traffic facilities. In the present study first of all by using the data obtained from data collection system of Tehran Traffic Control Organization, the main database to predict BRT bus travel time is established. Therefore Frhngsra-Azadi BRT line has used as a sample. In the conducted modeling, the support vector machine’s regression analysis along with the principal component analysis is used. By using the stated method, travel time in sample is predicted and the results are discussed and compared. The results show that support vector machine’s regression analysis along with principal component analysis has a high accuracy in predicting the intended purpose and has been able to improve the related results for prediction of transit travel time. Therefore the presented method in this study can be used in practical applications and play an effective role in travel time programming of BRT.