پيش‌بيني وضعيت ترافيك با الگوريتم‌هاي يادگيري ماشين براي افق‌هاي زماني كوتاه ‌مدت و ميان ‌مدت

پيش‌بيني متغيرهاي ترافيكي و اطلاع‌رساني آن به مسافرين و گردانندگان شبكه حمل‌ونقل يكي از راهكارهاي مديريت تقاضاي سفر است. با اطلاع‌رساني وضعيت آينده ترافيك از طريق سيستم‌هاي حمل‌ونقل هوشمند، آمادگي بيشتري جهت اجتناب از وقوع تراكم ترافيك به وجود مي‌آيد. در اين مطالعه به‌ منظور پيش‌بيني وضعيت ترافيك ساعتي، شامل سه وضعيت روان، نيمه‌سنگين و سنگين، در جاده برون‌شهري كرج به چالوس در شمال ايران، سه مدل يادگيري ماشين، شامل ماشين بردار پشتيبان، جنگل تصادفي و حافظه طولاني كوتاه ‌مدت به دو صورت كوتاه ‌مدت و ميان ‌مدت آموزش داده شده‌اند. متغيرهاي پيش‌بيني كننده در مدل‌هاي ميان ‌مدت اطلاعات تقويمي، آب ‌و هوا و محدوديت‌هاي ترافيكي هستند در صورتي ‌كه در مدل‌هاي كوتاه‌ مدت علاوه بر متغيرهاي نام برده، وضعيت ترافيك مشاهده شده در سه تا هشت ساعت گذشته نيز استفاده شده است و اين مدل‌ها تنها قادر به پيش‌بيني وضعيت ترافيك يك و دو ساعت آينده هستند. نتايج نشان مي‌دهد مدل حافظه طولاني كوتاه‌ مدت با دقتي معادل با 90/11 درصد دقيق‌ترين مدل پيش‌بيني كننده وضعيت ترافيك با افق كوتاه‌ مدت است. اين مدل براي افق بلند مدت نيز متغير وضعيت ترافيك را با 82/07 درصد دقت، دقيق‌تر از دو مدل ديگر پيش‌بيني كرده است و بيشترين مقادير شاخص (F1)F براي پيش‌بيني سه وضعيت ترافيك سبك، نيمه‌سنگين و سنگين را به همراه داشته كه به ترتيب برابر با 0/86، 0/93 و 0/81 به دست آمده‌اند. همچنين متغيرهاي ساعت و تعطيلي همان روز و نوع تعطيلي و متغيرهاي مشاهدات سه تا هشت ساعت پيش وضعيت ترافيك به ترتيب بيشترين تأثير را بر افزايش دقت مدل هاي ميان مدت و كوتاه مدت دارند.