پیاده‌سازی رویکرد ترکیبی میانگین متحرک یکپارچه خودرگرسیون-شبکه عصبی و میانگین متحرک یکپارچه خودرگرسیون-روش پیش‌بینی محلی در سیستم مدیریت ترافیک. مطالعه موردی: فرودگاه یک کلان‌شهر

امروزه، باتوجه به ضرورت انجام پیش‌ بینی در بسیاری از مسائل دنیای واقعی، پیش‌بینی سری‌های زمانی یکی از موضوعات اصلی مورد بحث و تحقیق می‌باشد. مدیریت حمل‌ونقل کلان شهرها یکی از مسائل چالش‌برانگیز در حیطه پیش‌بینی است. پیش‌بینی دقیق و قابل اطمینان از جمله نیازهای یک سیستم حمل‌ونقل هوشمند می باشد. در این مطالعه، هدف پیش‌بینی تعداد مسافرین ورودی به فرودگاه یک کلان شهر جهت ارائه خدمات مطلوب به مسافرین است. متغیر مورد مطالعه در این مقاله مشابه مفهوم متغیر جریان در مدیریت ترافیک می‌ باشد. اغلب مطالعات انجام شده در حیطه مدیریت ترافیک از روش‌های خطی و یا غیرخطی برای پیش بینی آینده بهره گرفته‌ اند و مزایای استفاده از رویکردهای ترکیبی مورد توجه قرار نگرفته است. در مطالعات پیشین، روش‌های ترکیبی میانگین متحرک یکپارچه خودرگرسیون-شبکه عصبی مصنوعی (arima-ann) متنوعی توسعه یافته‌اند که روابط میان داده‌ها را بررسی می‌کنند. مطالعه حاضر، از یک رویکرد arima-ann برای تجزیه داده‌ها به دو قسمت کم‌نوسان و پرنوسان و انجام پیش‌بینی دقیق استفاده می کند. علاوه‌‌بر این، در این مطالعه محققین یک رویکرد ترکیبی جدید، میانگین متحرک یکپارچه خودرگرسیون-تکنیک پیش‌بینی محلی (arima-local) برای بررسی کارایی سایر روش‌های غیرخطی ارائه کرده‌اند. نتایج عددی حاصل از پیاده‌سازی روش‌های مذکور بر روی مطالعه موردی، دقت بالای روش arima-ann در پیش‌بینی و همچنین قابلیت بهتر روش arima-local در مقایسه با روش‌های انفرادی شبکه عصبی مصنوعی و هموارسازی نمایی را نشان می‌دهد.

implementation of hybrid arima-ann and arima- local prediction techniques in the traffic management system. case study: airport of a metropolis

nowadays, time series prediction is one of the fundamental research purposes, owing to the importance of prediction in various real-world applications. transportation management is one of the main issues of each municipality that needs prediction. accurate and reliable forecasting is one of the fundamental goals of an intelligent transportation system. in the literature, it is defined several variables of traffic management such as speed, time, and flow. in the proposed paper, a case of an airline is considered. the associated managers are planning to propose a new service for passengers. there is a need to predict the number of passengers on arriving flights to a metropolis in iran. this variable is inherently similar to the flow in traffic management. in the literature on traffic management, most of the studies implemented a linear or nonlinear modeling method to predict the future and ignore the advantage of hybrid methods. several hybrid arima-ann methods have been proposed to specify the underlying relationships among the data. this paper utilizes a hybrid arima-ann model which decomposes the data into low-volatile, and high-volatile components to predict accurately. also, the current paper develops a new hybrid method, arima-local method, to specify the efficiency of other provided nonlinear methods in a hybrid structure. the obtained results for the discussed case are reported. this study signifies the accuracy of arima-ann model in predicting, while also the arima-local method is efficient in forecasting in comparison to the individual models of ann and exponential smoothing.