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 راههای برون‌شهری نه تنها احتمال وقوع تصادف افزایش پیدا میکند بلکه بر شدت تصادفات نیز افزوده میشود، لذا کنترل سرعت امری واجب به نظر میرسد. نکته حائز اهمیت دیگر تلاش برای جلوگیری از وقوع تخلف سرعت غیرمجاز است. در این پژوهش سرعت متوسط ترافیک برای محور خرم‌آباد به اراک برای آینده نزدیک پیشبینی میشود. چنانچه سرعت متوسط پیشبینی شده به سرعت مجاز نزدیک یا از آن بیشتر شود، میتوان قبل از وقوع حادثه تمهیدات لازم به‌منظور کاهش سرعت متوسط ترافیک به وسیله استفادهکنندگان از راه یا گردانندگان سیستم اندیشیده شود. به‌منظور پیشبینی سرعت متوسط ترافیک، داده ترافیکی محور یاد شده توسط دستگاههای سرعت‌سنج در سالهای اخیر ثبت شده است. استخراج ویژگیهای موثر بر سرعت ترافیک نیز سبب تکمیل شدن مجموعه داده شده می‌شود تا بتوان از این ویژگیها برای پیشبینی سرعت متوسط استفاده کرد. سه مدل ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بازگشتی به‌عنوان سه روش مبتنی بر یادگیری ماشین مورد استفاده قرار گرفتهاند. هر سه روش قابلیت تحلیل دادههای حجیم ترافیکی را داشته و در ضمن روش شبکه عصبی مصنوعی بازگشتی به‌عنوان یک روش مبتنی بر یادگیری عمیق تطابق بیشتری با ماهیت سری زمانی داده دارد. نتایج نشان میدهد برای هر دو جهت رفت‌وبرگشت این محور، زمانی که تنها از ویژگیهای تقویمی و آبوهوا استفاده شود میانگین درصد خطای مطلق مدلها بین 8/2 تا 1/5 درصد است و درصد پیشبینی صحیح سرعتهای بالای 85 کیلومتر بر ساعت بالای 80 درصد است. همچنین با افزودن مقادیر مشاهده شده سرعت در بازه زمانی 3 تا 8 ساعت گذشته به‌عنوان متغیر پیشبینی کننده، میانگین درصد خطای مطلق مدلها به 5/2 تا 6/4 درصد تقلیل پیدا میکند.

A Short-term model for detecting high traffic speed violation by using machine learning approach

Speed violation is one of the main causes of accidents. High speed not only increases the probability of occurrence of accidents but also increases the severity of accidents. So a vital point is trying to prevent the occurrence of speed violations. In this study, the hourly average traffic speed for Khorramabad to Arak highway is predicted for the future. If the predicted speed is near or exceeds the permitted speed, it is necessary to consider arrangements and preparations to reduce the average speed of traffic by users or the transportation network operators. In order to predict hourly average traffic speed, related traffic data was recorded in recent years. Many new features that affect traffic speed are extracted and used in predictive models. Three machine learning methods, including support vector machine, artificial neural network, and recurrent neural network, have been used. All three methods have the ability to analyze big traffic data, and in addition, the recurrent neural network has more consistency with the timeseries nature of data. The results show that for both directions of this highway, by using only calendar and weather features, the mean absolute percentage error of the models is varied between 2.8 to 5.1 percent. Models can predict speeds over 80 kilometers per hour with precision over 80 percent. By adding the observed speed of the previous 3 to 8 hours as predictive features, the mean absolute percentage error of the models is decreased to 2.5 to 4.6.