رویکردی جدید جهت بهینه سازی کنترل ترافیک سیستم حمل‌ونقل هوشمند مبتنی بر داده کاوی و الگوریتم تکاملی ازدحام ذرات

امروزه با رشد شهرنشینی و زیاد شدن خودروها در بسیاری از کشورهای در حال توسعه سبب افزایش تراکم و میزان تصادفات ترافیکی در شبکه معابر شهری شده که برای عبور این حجم و نوع ترافیک طراحی انجام نگرفته است. در واقع ترافیک به عنوان یکی از چالش های جدید بشر در شهرهای بزرگ و پر جمعیت است که هر چند برخی راهکارها برای رفع آن اندیشیده شده اما به نظر میرسد که خیلی از آنها تاکنون بی نتیجه بوده اند. از این رو در این پژوهش رویکردی جدید جهت بهینهسازی کنترل ترافیک سیستم حمل ونقل هوشمند مبتنی بر دادهکاوی و الگوریتم تکاملی ارائه شده است. روش پیشنهادی یک طرح شناسایی داده مبتنی بر محاسبات لبه برای چراغ راهنمایی تقاطعها است که چراغهای راهنما به عنوان گرههای لبه برای تشخیص داده های خودرو عمل میکنند. در روش پیشنهادی نتایج تحلیلی در مورد کنترل پذ یری، پایداری، و قابلیت دسترسی یک سیستم ترافیک مختلط متشکل از دادهها مربوط به آن در یک جاده با تقاطع واحد و یا چندتایی ایجاد میشود. روش کار اینطور است که، سناریوی تقاطع واحد در نظر گرفته میشود و با کمک ارتباطات e2v، داده های خودرو از ایستگاه پایه جمع آوری شده و از فیلتر کویشنت برای تایید قابلیت اطمینان و صحت داده ها استفاده می شود. سپس سناریوی تقاطعهای متعدد در نظر گرفته شده و دادههای خودرو دو تقاطع مجاور با هم ادغام و سپس، قابلیت اطمینان دادهها توسط فیلتر کویشنت تایید میشود. نکته دیگر این است که این طرح از توابع هش 3mmh موجود در فیلتر کویشنت qf برای کاهش فضای اشغال شده منابع محاسباتی گره های لبه و نرخ خطای بیتی استفاده می کند. چون طرح پیشنهادی قابلیت اطمینان و اثربخشی خودورها را با تاخیر کمتری نتیجه داده می توان گفت که استفاده از رویکرد شناسایی داده در تشخیص سریع دادهها حتی با وجود تعداد زیاد خودرو و داده های پیچیده آنها موثر است. با استفاده از ترکیب فیلتر کویشنت و الگوریتم تکاملی ازدحام ذرات در روش پیشنهادی در نهایت بهبود 20 میلی ثانیه در نتایج به ثبت رسیده است.

a new model to optimizing traffic control in intelligent transportation systems based on data mining and particle swarm evolutionary algorithm

nowadays, with the growth of urbanization and the increase in the number of cars in many developing countries, it has increased the density and the number of traffic accidents in the urban road network, which has not been designed to handle this volume and type of traffic. in fact, traffic is one of the new challenges of humanity in large and densely populated cities, and although some solutions have been devised to solve it, it seems that many of them have been unsuccessful so far. therefore, in this research, a new approach to optimizing the traffic control of the intelligent transportation system based on data mining and evolutionary algorithms is presented. the proposed method is a data recognition scheme based on edge computing for intersection traffic lights, where the traffic lights act as edge nodes for recognizing vehicle data. in the proposed method, analytical results are generated on the controllability, stability, and accessibility of a mixed traffic system consisting of data related to it on a road with a single or multiple intersections. the working method is as follows: a single intersection scenario is considered, and with the help of v2e communication, vehicle data is collected from the base station and the quoshen filter is used to verify the reliability and accuracy of the data. then, a multiple intersection scenario is considered, and the vehicle data of two adjacent intersections is merged, and then the reliability of the data is verified by the quoshen filter. another point is that this scheme uses the mmh3 hash functions available in the qf quoshen filter to reduce the occupied space of the edge node computational resources and the bit error rate. since the proposed scheme results in the reliability and effectiveness of vehicles with less delay, it can be said that the use of the data recognition approach is effective in quickly recognizing data even with a large number of vehicles