مدل ‌سازی زمان سفر معابر شهری با استفاده از روش یادگیری ماشین گرگ صحرایی آمریکای شمالی

زمان سفر به عنوان یکی از تاثیرگذارترین پارامترها در تحلیل عملکرد شبکه راه‌ها به جهت مدیریت و برنامه‌ریزی آتی شبکه و همچنین مهم‌ترین متغیر در فرآیند انتخاب مسیر استفاده‌کنندگان از راه می‌باشد. پیش بینی زمان سفر در طول چند دهه به عنوان یک موضوع پرکاربرد در زمینه شرایط دینامیک شبکه و سیستم‌ های هوشمند حمل و نقل به روش‌ های مختلفی انجام شده است. در این راستا، در این مقاله مدل‌سازی پیش بینی زمان سفر معابر شهری شریانی درجه یک و دو در ساعت غیر اوج صورت گرفته است. در وهله اول، طراحی آزمایش جهت نمونه برداری صورت گرفته و پارامترهای موثر بر زمان سفر معابر شهری بررسی شدند. سپس داده ‌ها به وسیله روش ماشین شناور و به کمک یک نرم افزار تلفن همراه در 6 معبر منتخب برداشت شدند. پس از آماده سازی داده‌ ها، متغیرهای زمان توقف تقاطع، تعداد خطوط و شیب به عنوان متغیرهای موثر در مدل پیش بینی زمان سفر شناخته شدند. یک روش جدید یادگیری ماشین مبتنی بر الگوریتم گرگ صحرایی آمریکای شمالی برای مدل‌سازی زمان سفر معرفی گردید و دقت مدل ساخته‌ شده با پنج مدل رگرسیونی مرسوم مقایسه گردید. بر اساس نتایج به دست آمده و بر مبنای بررسی 5 شاخص عملکردیِ در نظر گرفته شده برای ارزیابی صحت و دقت مدل‌ها، گرگ صحرایی آمریکای شمالی از تمامی مدل‌ها دقت بالاتری داشته و ضریب تعیین این مدل برای داده‌های آموزشی و آزمایشی به ترتیب برابر0/746 و 0/724 می‌باشد. همچنین این مدل 73% داده‌های آزمایشی را با خطای کمتر از 20 ثانیه پیش بینی می‌کند.

travel time modelling of urban roads by application of coyote optimization-based machine learning method

travel time prediction as an essential issue has been scrutinized in recent decades. to this end, various techniques are applied to estimate travel duration in dynamic networks and intelligent transportation systems. accordingly, in this investigation, the prediction of travel time is considered by machine learning techniques. initially, the experimental test is planned, and the travel time effective parameters are spotted. subsequently, with the assistance of the floating car method, and my-tracks application, the data are collected in six elected roads. after data preparation, stop delay, grades, and the number of the lane are determined as the most effective travel time criteria. in this study, a novel machine learning technique based on the coyote optimization algorithm is introduced, and its precision is compared with five conventional regression models. drawing on results, the accuracy of the coyote optimization algorithm-based machine learning technique is more than that of other prediction methods. the coefficient of determination of the introduced machine learning technique for training and testing data is equal to 0.746 and 0.724, respectively. furthermore, coyote optimization algorithm-based machine learning estimates 73% of testing data with an error of fewer than 20 seconds.