پيش بيني كوتاه مدت حجم تردد بزرگراه هاي شهري با استفاده از تبديلات حوزه فركانس

Short-Term Traffic Volume Forecasting in Urban Highways Using Frequency Domain Transformations

مديريت مناسب ترافيك شهري مستلزم پيش بيني كوتاه مدت وضعيت تردد بزرگراه هاي شهري است. در صورت پيش بيني جريان آينده نزديك (چند دقيقه بعد) هدايت جريان از طريق تابلوهاي پيام متغير نصب شده در بزرگراه ها امكان پذير مي شود. وضعيت جريان ترافيك در بزرگراه هاي شهري از عوامل مختلفي تاثير مي گيرد و پيوسته در حال تغيير است ، در نتيجه معمولا پيش بيني شهودي آن امكان پذير نيست. مقاله ي حاضر به توسعه روشي براي پيش بيني كوتاه مدت جريان ترافيك مي پردازد. مقاله حاضر با استفاده از تبديل موجك ، فركانس هاي اصلي سيگنال تردد را استخراج نموده و سپس وضعيت تردد پنج دقيقه آينده را با استفاده از شبكه عصبي پيش بيني نموده است.نتايج پيش بيني جريان با استفاده از مدل تركيبي تبديل موجك - شبكه مصنوعي عصبي نسبت به مدل هاي آماري و مدل ساده شبكه مصنوعي عصبي از دقت بيشتري برخوردار است. بهترين نتيجه با استفاده از موجك هار با يك فركانس اصلي و سه فركانس فرعي بدست آمد. ساختار نهايي قادراست حجم تردد در 5 دقيقه آينده را با ميانگين خطاي مطلق 7/43 پيش بيني نمايد.

Traffic flow on urban highways influenced by various factors and constantly changing from one state to another. Therefore, knowledge of the future traffic flow condition is remarkably important. This paper analyzing volume data to predict future traffic flow. To predict traffic flow we can use different statistical or computational intelligence methods, such as artificial neural networks.Using of artificial neural network model with crude signal input is not better than simple statistical models. As the traffic signal has high noise, in order to access the details of signal we use wavelet transform to turned it into several Frequency sections. These sections are considered as an input to the artificial neural network model. Flow forecasting with wavelet transform-artificial neural network model is more accurate than simple artificial neural network model.