مدل تعقیب خودروی مبتنی بر شبکه های عصبی مصنوعی با در نظرگیری قابلیت پیش بینی مکانی رانندگان

نوع مقاله:
مقاله پژوهشی/اصیل (ترویجی)
چکیده:

مدل های تعقیب خودرو ازجمله مهم ترین مدل های رفتاری رانندگی بوده و در زمینه های مختلف مهندسی حمل و نقل نظیر شبیه سازی های ریزنگر ترافیک و ایمنی مورد استفاده قرار می گیرد. رفتار تعقیب خودرو تحت تاثیر عوامل مختلی قرار دارد. با این وجود به دلیل نبود اطلاعات کافی و ماهیت پنهان بسیاری از آن ها تنها تعداد محدودی از این عوامل در نظر گرفته می شود. قابلیت پیش بینی مکانی راننده یکی از عواملی است که در مدل های تعقیب خودرو به ویژه مدل های مبتنی بر هوش مصنوعی کمتر موردتوجه قرار گرفته است. در این مقاله به منظوردر نظرگیری قابلیت پیش بینی مکانی رانندگان یک مدل تعقیب خودروی مبتنی بر شبکه عصبی توسعه داده شده است. متغیرهای سرعت خودروی موضوع ، سرعت اولین و دومین خودروی پیشرو ، سرعت خودروی پیرو ، اولین و دومین فرصت پیشین و فرصت پسین به عنوان متغیرهای ورودی و شتاب خودروی موضوع به عنوان خروجی مدل در نظر گرفته شده است. نتایج کالیبراسیون مدل ارایه شده نشان می دهد که در بیشتر موارد مدل توسعه داده شده عملکرد بهتری نسبت به مدل پایه داشته و بر داده های واقعی انطباق بیشتری دارد. علاوه بر این در برخی از موارد مدل ها تا حدودی عملکرد مشابهی با یکدیگر دارند. بررسی های صورت گرفته نشان می دهد عملکرد مشابه دو مدل در برخی از مواقع به دلیل همبستگی زیاد فرصت های پیشین است.

زبان:
فارسی
صفحات:
51 تا 61
لینک کوتاه:
magiran.com/p2124233 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!