مروري بر كاربرد انواع مدل‌هاي مبتني بر يادگيري عميق در پيش‌بيني پارامترهاي جريان ترافيك

زمينه و اهداف: امروزه با وجود حجم انبوه داده‌هاي ترافيكي، پيش‌بيني جريان ترافيك براساس روش‌هاي يادگيري ماشين چالش‌برانگيز شده است. اين مقاله با مروري بر كاربرد مدل هاي يادگيري عميق در پيش بيني پارامترهاي جريان ترافيك سبب مي شود تا متخصصان ترافيك با شناختي مناسب روش هاي يادگيري عميق را به‌كار گيرند.روش: اين مقاله يك ساختار فراتحليلي از مهم‌ترين تحقيقات منتشرشده در ده سال اخير را ارائه داده است. شامل 13 مقاله براي كاربرد مدل‌هاي تك‌لايه يادگيري عميق و ۳2 مقاله براي مدل‌هاي چندلايه از پايگاه هاي مطالعاتي معتبر خارجي و هم‌چنين، ۵ مقاله از پايگاه‌هاي جستجوي مقالات داخلي به‌منظور بررسي كاربرد مدل‌هاي يادگيري عميق در پيش‌بيني سرعت، حجم و چگالي ترافيك بررسي شدند.يافته‌ها: مرور منابع نشان مي دهد كه تحقيقات در مورد پيش‌بيني پارامترهاي ترافيكي در سال‌هاي اخير از مدل‌هاي آماري سنتي به روش هاي يادگيري عميق مبتني بر داده‌كاوي تغيير يافته است زيرا دقت، استحكام و سرعت مدل‌هاي مبتني بر يادگيري عميق در پيش‌بيني پارامترهاي جريان ترافيك در مقايسه با روش‌هاي پيشين بيشتر است. هم‌چنين نتايج نشان داد كه مدل‌هاي به‌وجودآمده از تركيب چند مدل يادگيري عميق نسبت به مدل‌هاي تك‌لايه عملكرد بهتري دارند.نتيجه‌گيري: نتايج حاصل از مقالات بررسي‌شده نشان داده است كه مدل‌هاي يادگيري عميق در پيش‌بيني پارامترهاي جريان ترافيك در مقابله با داده‌هاي داراي نويز (نوسان) بالا دچار ضعف هستند و لذا روش‌هاي هم‌جوشي (تركيبي) براي رفع اين معضل پيشنهاد مي‌شوند. هم‌چنين بايد توجه داشت كه مدل مناسبي براي تمام شرايط وجود ندارد و اين موضوع تابع شرايط تعريف‌كننده مسئله و نوع داده است.