تحلیل و ارزیابی سیستم هوشمند رمپ میترینگ بر کنترل جریان ترافیک شهری (مطالعه موردی تهران-بزرگراه حکیم)

بهره گیری از پیش بینی های کوتاه مدت ترافیک و استفاده از آن در مدیریت ترافیک ، مسدودی های محتمل را کاهش خواهد داد و با پایین آوردن زمان سفرها و مسافت طی شده توسط خودروها، باعث کاهش آلودگی صوتی ، آلودگی هوا و همچنین هزینه های مصرفی سوخت خواهد شد. با دانستن تردد در ساعات مختلف و پیش بینی آن می توان مدیریت و برنامه ریزی بهتری برای جاده های کشور داشت، خصوصیات جریان ترافیک در یک راه از مهمترین عوامل تصمیم گیری و سیاست گذاری ترافیک در یک منطقه است. در این مطالعه با استفاده از پروتکل‌های ارزیابی ترافیک به‌وسیله شبکه عصبی به ساخت مدلی پیش‌بینی ارزیابی ترافیک پرداخته شد. همچنین به ارزیابی فنی و منافع اقتصادی آن پرداخته می‌شود.در این رابطه با استفاده شمارش تردد در بزرگراه‌های شهری و با استفاده مدل شبکه عصبی به پیش‌بینی ترافیک پرداخته شده است ، در شبکه عصبی استفاده شد 4 متغیر ورودی ، چگالی کم یا زیاد،حجم تعداد خودرو،نوع وسیله نقلیه،سرعت جریان،تعداد 10نورون در لایه پنهان مورد استفاده قرار گرفت، و در نهایت مدل عددی به صورت یک ماتریس عددی نمایش داده شد. برای پیش‌بینی تراکم جریان با دقت مناسب که در اینجا با r=0.93 صورت گرفت. همچین برای مقایسه مدل رگرسیون خطی ساخته شدف که دقت مدل رگرسیون کمتر از مدل شبکه عصبی بوده و برابر 0.88 =r در سطح معناداری کمتر از 0.05 بدست آمده است.

analysis and evaluation of smart ramp metering system on urban traffic flow control (case study: tehran-hakim highway)

the use of short-term traffic predictions and their application in traffic management will reduce potential blockages. by decreasing travel times and the distance covered by vehicles, it will help reduce noise pollution, air pollution, and fuel consumption costs. knowing the traffic at different hours and predicting it can lead to better management and planning for the country's roads. traffic flow characteristics on a road are among the most important factors in decision-making and traffic policy-making in a region. in this study, traffic evaluation protocols were used to develop a traffic prediction model using a neural network. furthermore, the technical assessment and economic benefits were examined. in this context, by using traffic count data from urban highways and employing a neural network model, traffic prediction was carried out. in the neural network, four input variables were used: low or high density, vehicle volume, vehicle type, and flow speed. ten neurons were used in the hidden layer, and ultimately, the numerical model was displayed as a numerical matrix. to predict flow density with suitable accuracy, a correlation coefficient of r = 0.93 was achieved. additionally, for comparison, a linear regression model was built, which showed a lower accuracy than the neural network model, with a correlation coefficient of r = 0.88 at a significance level of less than 0.05.