پیش‌بینی حجم وسایل نقلیه ورودی به محدوده‌های ترافیکی با استفاده از یادگیری ماشین (نمونه موردی، شهر تهران)

پیش‌بینی حجم وسایل نقلیه به‌عنوان یکی از مولفه اصلی مدیریت ترافیک شناخته می‌شود و مدیریت آن، نقش موثری در بهبود کارایی ترافیک شبکه معابر شهری دارد. این پژوهش با استفاده از اطلاعات حجم وسایل نقلیه ورودی به محدوده‌های ترافیکی شهر تهران بین سال‌های 1396 الی 1400 و با بکارگیری از سه روش یادگیری ماشین (جنگل تصادفی، xgboost و نزدیک‌ترین همسایه) به پیش‌بینی حجم وسایل نقلیه ورودی به هر یک از محدوده‌های ترافیکی (طرح ترافیک وکنترل آلودگی هوا) در گام زمانی یک ساعته پرداخته است. در این پژوهش علاوه براستفاده از متغیرهای متداول مانند مشاهدات تاریخی حجم وسایل نقلیه، داده‌های آب‌وهوا و زمان، از سیاست‌های مدیریت تقاضای سفر نیز به عنوان متغیرهای پیش‌بینی کننده استفاده کرده و با بررسی تحلیل حساسیت، سیاست‌های اثرگذارتر بر پیش‌بینی حجم وسایل نقلیه را مورد ارزیابی قرار داده است. نتایج نشان می‌دهد، مدل xgboost و مدل جنگل تصادفی با میانگین درصد خطای مطلق 8.2% و 11.16% برای محدوده طرح ترافیک و کنترل آلودگی هوا، عملکرد مناسب‌تری در مقایسه با مدل نزدیک‌ترین همسایه دارد. تحلیل حساسیت متغیرهای مربوط به سیاست‌های مدیریت تقاضای سفر نشان می‌دهد، سیاست‌های غیرحضوری شدن مراکز آموزشی و اخذ عوارض محدوده طرح ترافیک و کنترل آلودگی هوا بیشترین تاثیر و سیاست اعمال محدودیت تردد بین استانی کمترین تاثیر را در افزایش دقت پیش‌بینی دارند.

a prediction of vehicles entering the traffic cordons, using machine learning (case: tehran city)

predicting the number of vehicles is crucial in intelligent transportation systems and is a key component of traffic management. effective vehicle management significantly improves the efficiency of urban road networks and reduces congestion. this study utilizes vehicle entry data for tehran's traffic cordons from 2017 to 2021 and employs three machine learning methods (random forest, xgboost, and k-nearest neighbors) to predict the demand for incoming vehicles in each traffic cordon (traffic plan and air pollution control plan) on an hourly basis. in addition to conventional variables such as weather data and time, travel demand management policies are also used as predictor variables. sensitivity analysis is conducted to evaluate the impact of different policies on predicting traffic volume. the results indicate that the xgboost model and the random forest model, with a mean absolute percentage error (mape) of 8.2% and 11.16%, respectively, for traffic and air pollution cordons, perform better compared to the k-nearest neighbors model. sensitivity analysis of variables related to travel demand management policies shows that the policies of online schooling and tolls for entering the traffic and air pollution cordons have the greatest impact, while the policy of inter-provincial travel restrictions has the least impact on improving prediction accuracy.