پیش ‌بینی کوتاه ‌مدت سرعت ترافیک با استفاده از شبکه ‌های عصبی بازگشتی (rnn)

پیش بینی ترافیک، به عنوان بخش مهمی از سیستم ‌های حمل و نقل هوشمند، نقش مهمی در نظارت بر وضعیت ترافیک ایفا می‌کند. با توجه به اینکه بسیاری از مطالعات کار پیش‌بینی سرعت ترافیک را با مدل‌های یادگیری عمیق انجام داده‌اند، همچنان پژوهشی بر روی پیش‌بین سرعت ترافیک در فصل‌های مختلف انجام نشده است.همچنین با توجه به تاثیرات مهم عوامل مکانی-زمانی و عملکرد عالی شبکه‌های عصبی بازگشتی (rnn) در زمینه تحلیل سری‌های زمانی، در این مقاله، یکی از شبکه‌های عصبی یادگیری عمیق که ویژگی‌های واحد بازگشتی گیتی تزریقی (fi_gru) در داده‌های زمانی متوالی را ترکیب می‌کنند، پیشنهاد شده است. داده‌های مورد استفاده در این پژوهش از شبکه تجسم و ارزیابی فعال در شهر سیاتل ایالت متحده بدست آمده است. این پژوهش سه فصل بهار، تابستان و پاییز و چهار مدل یادگیری عمیق شامل lstm وgru و convlstm و bilstm و یک مدل کم عمق svm در سه گام زمانی 5دقیقه، 10دقیقه و15 دقیقه باهم مقایسه کرده است، نتایج این تحقیق نشان می‌دهد، مدل پیشنهادی در فصل‌های مختلف اختلافی چشمگیری نداشته است، و همچنین چهار مدل یادگیری عمیق ومدل svm ، در فصل‌های مختلف اختلاف قابل توجه نداشته‌اند ، نتایج دیگرنشان می‌دهد هرچه بازه گام‌های زمانی بیشتر می‌شود خطاها بیشتر و دقت مدل کاهش پیدا می‌کند، با توجه به نتایج بدست آمده دقت مدل  fi-gruنسبت به کمترین دقت مدل یادگیری عمیق  (bilstm)0/52درصد بیشتر است، و دقت مدل پیشنهادی نسبت به مدل کم‌عمق (svm) 1/24درصد بیشتر است و همچنین مدل پیشنهادی برای پیش‌بینی سرعت ترافیک در گام زمانی 5 دقیقه 1/44درصد بهتر عمل کرده است.