پيش‌بيني كوتاه‌مدت سرعت ترافيك با استفاده از الگوريتم LSTM يادگيري عميق

زمينه و هدف: پيش‌بيني كوتاه‌مدت سرعت ترافيك موضوعي اميدواركننده در سيستم‌هاي حمل‌ونقل هوشمند (ITS) است. سرعت ترافيك شهري هم‌بستگي زماني-مكاني قوي و ويژگي غيرخطي و تصادفي پيچيده دارد كه پيش‌بيني دقيق و كارآمد سرعت‌هاي ترافيكي كوتاه‌مدت را چالش‌برانگيز مي‌كند. اين مقاله با استفاده از مدل پيشنهادي حافظه كوتاه‌مدت طولاني تزريقي (FI-LSTM) كه يك مدل يادگيري عميق است، سرعت ترافيك را پيش‌بيني مي‌كند.روش: با بررسي پژوهش‌هاي گذشته دريافتيم اگرچه اكثر روش‌ها مي‌توانند دقت خوبي داشته باشند، اما براي ارتقاي دقت پيش‌بيني، يك راه عملي، رويكردي مؤثرتر براي تجزيه و تحليل داده‌هاي ترافيك است. داده‌هاي ترافيكي فراوان و قدرت محاسباتي در سال‌هاي اخير قابل دسترسي است، كه ما را به بهبود دقت پيش‌بيني ترافيك كوتاه‌مدت از طريق رويكردهاي يادگيري عميق ترغيب مي‌كند. مطالعات اخير نشان داده‌اند كه روش‌هاي يادگيري عميق، به‌ويژه مدل‌هاي حافظه كوتاه‌مدت طولاني (LSTM) نتايج خوبي در پيش‌بيني كوتاه‌مدت جريان ترافيك دارند. در اين پژوهش با استفاده از مدل پيشنهادي كه داده‌هاي زماني متوالي را تركيب مي‌كند، چهار مدل يادگيري عميق مقايسه مي‌شود و در سه بازه زماني بررسي مي‌شود. متاسفانه برداشت داده در ايران به صورت كوتاه‌مدت وجود ندارد و داده‌ها با دقت پايين به‌صورت ساعتي برداشت مي‌شود و در اين پژوهش به ناچار از داده‌هاي سرعت ترافيك حلقه آشكارساز آزادراه I۴۰۵ شهر سياتل واشنگتن استفاده شده است.يافته‌ها: با‌توجه به نتايج به‌دست‌آمده، دقت مدل پيشنهادي نسبت به كمترين دقت مدل‌‌هاي ديگر يادگيري عميق (BiLSTM) 0/41درصد بيشتر است و هم‌چنين مدل پيشنهادي براي پيش‌بيني سرعت ترافيك در گام زماني 5 دقيقه 1/34درصد بهتر نسبت‌به گام زماني 10 دقيقه عمل كرده است.نتيجه‌گيري: نتايج نشان مي‌دهد مدل پيشنهادي، دقت خوبي نسبت به ديگر مدل‌ها دارد و هرچه بازه زماني بيشتر مي‌شود، خطا بيشتر و دقت كاهش پيدا مي‌كند و در 23 دسامبر بيشترين خطا را نشان مي‌دهد كه اين به دليل تغير سفرها در ايام كريسمس است.