ارایه روشی برای تشخیص گره های ترافیکی در جهت افزایش عملکرد بهینه شبکه ترافیکی

بروز گره های ترافیکی همواره به عنوان یکی از مهمترین معضلات جریان ترافیکی آزادراه ها شناخته شده اند. کشف سریع این گره های ترافیکی و رفع هر چه سریعتر آنها همواره به عنوان یکی از دغدغه های مسئولین و محققین در شریان های اصلی بوده است. بنابراین ارایه مدلی مناسب برای تشخیص این گره ها و انجام اقدامات لازم جهت تسریع در روان سازی جریان ترافیک به منظور کاهش اثرات ثانویه از اهمیت خاصی برخوردار است. از این رو هدف از تحقیق حاضر پیش بینی و تشخیص خودکار گره های ترافیکی با استفاده از قابلیت های مدل شبکه عصبی می باشد. روش تحقیق در این مطالعه استفاده از سه نوع شبکه عصبی مصنوعی برای پیشبینی و کشف خودکار گره های ترافیکی می باشد که شامل شبکه عصبی چند لایه پرسپترون، شبکه عصبی نروفازی و شبکه عصبی تابع مبنای شعاعی می باشد. داده های مورد استفاده در این تحقیق از اطلاعات واقعی مرکز کنترل ترافیک آزادراه تهران- کرج به صورت روزانه، هفتگی و ماهیانه می باشد. نتایج بر اساس شاخص های ارزیابی نشان می دهد که شبکه پرسپترون با سه پارامتر ورودی با دو لایه پنهان 15 نرونی در لایه های پنهان بهترین عملکرد را نسبت به مدل های دیگر دارد که به عنوان مدل با کارایی بهینه معرفی شده است. کاربرد تحقیق حاضر در کاهش خسارت های ناشی از ایجاد گره های ترافیکی و مشکلات ثانویه ناشی از این گره ها می باشد.