مدلسازی و پیش بینی ترافیک با استفاده از شبکه ی عصبی پایه و شبکه ی عصبی موجک و به کارگیری سه الگوریتم فراابتکاری ژنتیک، ازدحام ذرات و رقابت استعماری جهت بهینه سازی

جهت رفتارسنجی ترافیک در کلانشهرها، علاوه بر نیاز به داده های ترافیکی به روز و حجیم، نیاز به ارایه و استفاده از روش هایی برای تحلیل رفتار ترافیک جهت پیش بینی آن است. موضوع پیش بینی ترافیک، از این جهت مورد توجه است که می توان با رسیدن به این هدف، حمل و نقل را رونق بخشید و از بار اقتصادی که هر ساله بر جوامع مختلف وارد می شود، کم کرد. به همین دلیل، باید به دنبال راه حل هایی برای پیش بینی ترافیک بود. در این میان، استفاده از علمی به نام شبکه های عصبی می تواند بسیار کابردی باشد. در این پژوهش، ابتدا سامانه ای طراحی شد تا بتواند داده های ترافیکی مورد نیاز پژوهش را جمع آوری کند. موضوع دستیابی به داده های ترافیکی همواره معضلی بوده است که تمامی دغدغه مندان این حوزه با آن مواجه بوده اند. از این رو در پژوهش حاضر ابتدا با طراحی یک سامانه جهت جمع آوری داده های ترافیکی به رفع معضل مورد نظر پرداخته شد. در مرحله ی بعد، داده های ترافیکی جمع آوری شده فراخوانی می گردد و با استفاده از اعمالی که برای استاندارد سازی و نرمالیزه سازی آن انجام شد، میزان خطا با استفاده از داده های تست و آموزشی محاسبه گردید. در این مرحله، میزان خطا با مطلوبیت 72 درصد به دست آمد. در مرحله ی بعدی، تحلیل داده های ترافیکی با استفاده از ترکیب شبکه عصبی پایه و موجک انجام شد و میزان خطا محاسبه شد. نتایج نشان میدهد که محاسبات با استفاده از تبدیلات موجک دقیق تر است ولی به دلیل تعداد ورودی های کمتر، مقادیر خطا با استفاده از داده های تست و آموزشی، 28 درصد محاسبه گردید. به عبارت دیگر میزان مطلوبیت حدود 72 درصد به دست آمد. در مرحله ی آخر هم داده های ترافیکی جمع آوری شده با استفاده از الگوریتم های بهینه سازی، بهینه شدند و بهترین نقطه با کمترین خطای ممکن برای هر الگوریتم بهینه سازی، محاسبه گردید.