تخمین وضعیت ترافیکی معبر با استفاده از داده کاوی پویشگرهای وای فای

نظارت بر ترافیک به منظور پیش بینی ازدحام و مدیریت بهتر ترافیک یکی از دغدغه های مدیران است. در این مطالعه، با استفاده از رصد و جمع آوری داده‎های وای-فای گوشی هوشمند مسافرین خودروهای عبوری، یک رویکرد مقرون به صرفه برای جمع آوری داده های ترافیکی و تشخیص وضعیت ترافیکی جاده ها پیشنهاد شده است. ابتدا تعداد مسافران توسط دو پویشگر وای-فای مستقر در دو طرف جاده جمع آوری می‎شود. در گام بعد، عملیات پیش پردازش شامل پاکسازی داده خام، حذف ایستگاه های مستقر، مک آدرس های تکراری و تبدیل و تجمیع بر روی داده ها انجام می پذیرد. سپس، با استفاده از الگوریتم‎های مختلف یادگیری ماشین با نظارت همچون درخت تصمیم، رگرسیون و شبکه عصبی، حجم ترافیک معبر تخمین زده می شود و در گام نهایی، کدگذاری رنگی نقشه ترافیک براساس حجم تخمینی تعیین می گردد. آموزش یادگیر توسط داده های جمع آوری شده از ترددشمار مرکز مدیریت راه های کشور انجام پذیرفته است. نتایج نشان می دهد، شبکه عصبی مصنوعی و درخت تصمیم با دقت کمتر از 10درصد توانسته است حجم تردد معبر را تخمین بزنند که شبکه عصبی با خطای نسبی 9/22 بهترین تخمین را ارائه داده است. همچنین صحت شبکه عصبی به منظور تشخیص تراکم پایین، متوسط و بالا به ترتیب برابر 95/5، 90/9، 88/4 درصد است و دقت کدگذاری رنگی نقشه ترافیک برابر 91/7 بدست آمده است. پویشگرهای وای فای به عنوان ابزاری ارزان قیمت و قابل جابجایی می تواند با دقت قابل قبولی حجم تردد و کدگذاری رنگی ترافیک را تشخیص و جایگزین مناسبی در شرایطی که نصب تردد شمارهای ترافیکی یا دوربین‎های تردد شمار با محدودیت‎های مختلف روبرو است، خواهد بود.