طراحی مدل پیش بینی حجم ترافیک روزانه برون شهری با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS)
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
* تقاضای روزافزون استفاده از وسایل حمل و نقل شخصی، مشکل تراکم ترافیک را به یکی از مهم ترین بحران ها در اکثر کلان شهرهای جهان تبدیل کرده است. تاثیرات زیست محیطی، اجتماعی و اقتصادی که گره های ترافیکی بر جوامع بشری می گذارد محققین را برآن داشته است که به دنبال راه کارهایی برای مقابله با آن باشند. یکی از این راه کارها پیش بینی حجم ترافیک روزانه است. پیش بینی ترافیک به کنترل کننده ها کمک می کند تا با اتخاذ تصمیمات مناسب از بروز ازدحام در ترافیک جلوگیری نمایند. در پژوهش حاضر، به منظور پیش بینی حجم ترافیک روزانه برون شهری در مسیرهای بین مراکز استان های کشور، از سیستم استنتاج فازی مبتنی بر شبکه عصبی (ANFIS) بعنوان یکی از روش های هوش مصنوعی استفاده شده است. به منظور افزایش اطمینان ازتخمین ترافیک، داده ها بصورت تصادفی در سه حالت آموزشی، آزمایشی و اعتبارسنجی به سیستم استنتاج فازی مبتنی بر شبکه عصبی اعمال شد: مجموعه آموزش جهت طراحی مدل، مجموعه آزمایش و مجموعه اعتبارسنجی جهت ارزیابی و تعیین اعتبار مدل مدل طراحی شده حجم ترافیک را با دقت 90 درصد پیش بینی نمود. بنابراین می توان نتیجه گرفت که ANFIS ابزار مناسبی برای پیش بینی حجم ترافیک روزانه برون شهری است و پیشنهاد می شود مسئولین در تصمیمات و برنامه ریزی هایشان از این مدل استفاده نمایند.
کلیدواژگان:
زبان:
فارسی
صفحات:
51 تا 62
لینک کوتاه:
magiran.com/p1978192
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!