رويكردي نو در بررسي پيش بيني پذيري ترافيك شهري مبتني بر تيوري آشوب و پيش بيني جريان ترافيك شهر مشهد مبتني بر سيستم فازي- عصبي تطبيقي چندگانه

A New Method in Studying Urban Traffic Predictability Based on Chaos Theory and Prediction of Mashhad Traffic Flow Based on Multiple ANFIS

پيش بيني كوتاه مدت پارامترهاي تراف كيي مانند جريان تراف كي، سرعت و ازدحام، داراي اهميت بسياري در پژوه شهاي حوزه سيستم هاي حمل ونقل هوشمند مدرن است. در اين مقاله، ابتدا با بكارگيري تيوري آشوب به بررسي پي شبيني پذيري جريان تراف كي شهري پرداخته شده و غيرتصادفي بودن سري زماني حجم تراف كي مورد بررسي قرار گرفته است. سپس، در حوزه پيش بيني، با توجه به اين نكته كه كيي از مه مترين مشكلات در هنگام پي شبيني وضعيت آينده تراف كي، ناقص بودن داده ها به علل مختلف است، الگوريتم ارايه شده در اين مقاله با بكارگيري روشهاي پيش پردازش، سعي بر كاهش تاثير داد ههاي معيوب دارد. همچنين در فاز پيش پردازش، دست هبند يهاي مناسب با درنظرگرفتن تاثيرات پارامترهاي اجتماعي بر جريان تراف كي، صورت گرفته است. در بخش بعد و به منظور پي شبيني جريان تراف كي، با توجه به ويژگيهاي تطبيق پذيري، الگوريتمهاي خوديادگير شبك ههاي عصبي و نيز يادگيري قوانين فازي كه در ساختار ANFIS تر يكب شده است، از اين مدل براي پي شبيني كوتا همدت حجم تراف كي استفاده شده است. مدل مطرح شده در اين مقاله، براي پي شبيني جريان تراف كي موجود در بلوار فرامرزعباسي در شهر مشهد در كشور ايران مورد استفاده قرار گرفته است. مقايسه نتايج مقادير پيش بيني شده جريان تراف كي با مقادير اندازه گيري شده در واقعيت، نشان مي دهد كه مدل مطرح شده به طور رضايت بخشي جريان تراف كي را پي شبيني مي كند.

Short-term prediction of traffic parameters such as traffic flow, speed and occupancy, have an important role in research fields of modern intelligent transportation systems. In this paper, first of all, traffic flow predictability was studied, based on chaos theory, and chaotic properties of traffic volume time-series were evaluated on the basis of Lyapunov exponent. In the prediction module, since the major problem is corrupted and noisy data due to various reasons, effect of corrupted data was reduced by preprocessing techniques. In the next step, suitable classifications were considered, based on the effects of social factors on the traffic volume. In order to predict traffic flow, according to adaptability features, self learning algorithms of neural networks and also comprehensibility of fuzzy rules which are all combined in ANFIS structure were used. The model proposed in this paper is applied to predict the real traffic flow in Ferdowsi Boulevard, Mashhad city, Iran. Comparing the predicted traffic flow value with the flow measured in reality, the results show that the proposed model can predict traffic flow satisfactorily.