مدل پیش بینی کوتاه مدت سرعت متوسط غیرمجاز با رویکرد یادگیری ماشین

سرعت غیرمجاز یکی از عوامل اصلی وقوع تصادفات رانندگی است. در اثر سرعت غیرمجاز در راه های برون شهری نه تنها احتمال وقوع تصادف افزایش پیدا می کند بلکه بر شدت تصادفات نیز افزوده می شود، لذا کنترل سرعت امری واجب به نظر می رسد. نکته حایز اهمیت دیگر تلاش برای جلوگیری از وقوع تخلف سرعت غیرمجاز است. در این پژوهش سرعت متوسط ترافیک برای محور خرم آباد به اراک برای آینده نزدیک پیش بینی می شود. چنانچه سرعت متوسط پیش بینی شده به سرعت مجاز نزدیک یا از آن بیشتر شود، می توان قبل از وقوع حادثه تمهیدات لازم به منظور کاهش سرعت متوسط ترافیک به وسیله استفاده کنندگان از راه یا گردانندگان سیستم اندیشیده شود. به منظور پیش بینی سرعت متوسط ترافیک، داده ترافیکی محور یاد شده توسط دستگاه های سرعت سنج در سال های اخیر ثبت شده است. استخراج ویژگی های موثر بر سرعت ترافیک نیز سبب تکمیل شدن مجموعه داده شده می شود تا بتوان از این ویژگی ها برای پیش بینی سرعت متوسط استفاده کرد. سه مدل ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بازگشتی به عنوان سه روش مبتنی بر یادگیری ماشین مورد استفاده قرار گرفته اند. هر سه روش قابلیت تحلیل داده های حجیم ترافیکی را داشته و در ضمن روش شبکه عصبی مصنوعی بازگشتی به عنوان یک روش مبتنی بر یادگیری عمیق تطابق بیشتری با ماهیت سری زمانی داده دارد. نتایج نشان می دهد برای هر دو جهت رفت وبرگشت این محور، زمانی که تنها از ویژگی های تقویمی و آب وهوا استفاده شود میانگین درصد خطای مطلق مدل ها بین 8/2 تا 1/5 درصد است و درصد پیش بینی صحیح سرعت های بالای 85 کیلومتر بر ساعت بالای 80 درصد است. همچنین با افزودن مقادیر مشاهده شده سرعت در بازه زمانی 3 تا 8 ساعت گذشته به عنوان متغیر پیش بینی کننده، میانگین درصد خطای مطلق مدل ها به 5/2 تا 6/4 درصد تقلیل پیدا می کند.