ارائه یک مدل ترکیبی جهت پیش‌بینی ترافیک شهری براساس تئوری سه فازه ترافیک

با گسترش شهرها، پیش‌بینی ترافیک نقش پررنگ تری در مدیریت سیستم حمل و نقل بر عهده دارد. با توجه به ماهیت غیرخطی بودن داده‌های ترافیکی و توپولوژی پیچیده شهری پیش‌بینی ترافیک امری چالش برانگیز است. کارهای اخیر انجام شده معمولا از شبکه عصبی گرافی برای پیداکردن وابستگی‌های فضایی و از شبکه‌های عصبی بازگشتی جهت یافتن وابستگی‌های زمانی استفاده‌کرده‌اند. اما این کارها معمولا تمامی داده‌های ترافیک که شامل متوسط سرعت، جریان ترافیک و شلوغی و همبستگی آن‌ها است را در نظر نمی‌گیرند. همچنین معمولا از مدل gcn برای پیدا کردن وابستگی فضایی استفاده‌می‌کنند که این مدل وابسته به ماتریس مجاورت غیرقابل آموزشی است که در ابتدا به دست آمده‌است. روش پیشنهادی ما برای رفع چالش‌های گفته شده شامل سه بخش است که عبارتند از: 1) واحدی جهت یافتن همبستگی داده‌های ترافیکی که از نظریه سه فازه ترافیک الهام گرفته‌است. 2) استفاده از مدل gcn تطبیقی برای یافتن وابستگی‌های فضایی که برای هر گره در شبکه جاده‌ای، پارامترهای آموزش پذیر تعریف می‌کند. 3) جهت کشف وابستگی های زمانی و ماهیت غیرخطی بودن داده‌ها از lstm استفاده شده است. مدل پیشنهادی ما بر روی مجموعه داده pems8 نسبت به مدل‌های پیشرفته توانسته‌است در معیارهای ارزیابی از 2.63% تا 12.61% بهبود داشته‌باشد.

presenting a hybrid model for predicting urban traffic based on the theory of three phases of traffic

with the expansion of cities, predicting traffic plays a more prominent role in transportation system management. due to the nonlinear nature of traffic data and the complex urban topology, traffic prediction poses a significant challenge. recent works have typically employed graph neural networks to discover spatial dependencies and recurrent neural networks to find temporal dependencies. however, these approaches often do not consider all traffic data, including average speed, traffic flow, congestion, and their correlations. additionally, they usually use the gcn model to find spatial dependencies, which relies on a precomputed non-trainable adjacency matrix. our proposed method to address these challenges consists of three parts: 1) a unit for discovering correlations in traffic data inspired by the three-phase traffic theory. 2) the use of an adaptive gcn model to find spatial dependencies, which defines trainable parameters for each node in the road network. 3) employing lstm to discover temporal dependencies and the nonlinear nature of the data. our proposed model on the pems8 dataset has shown improvements in evaluation metrics ranging from 2.63% to 12.61% compared to advanced models.