پیش‌بینی ترافیک در شرایط نامساعدجوی با تکیه بر داده‌های آب‌و‌هوایی و شبکه عصبی مصنوعی

پیش‌بینی ترافیک به عوامل متعددی بستگی داردکه به یکدیگر وابسته هستند و اثرگذاری قابل توجهی بر یکدیگردارند. در این بین با توجه به مطالعات پیشین، پارامترهای ترافیکی و مرتبط با شرایط جوی تاثیر عمده‌ای بر حجم ترافیک عبوری از آزاده‌راه‌ها دارند. با توجه به موجود بودن اطلاعات ترددشماری و سابقه شرایط جوی معابر برون‌شهری در گذشته و همچنین قابلیت شبکه عصبی مصنوعی در شناسایی الگوها و دسته بندی اطلاعات و یادگیری از حجم عظیم از داد‌های پیشین، در این مطالعه جهت پیش‌بینی ترافیک، مدلی مبتنی بر شبکه عصبی مصنوعی پرسپترون چندلایه (mlp) پیشنهاد شده است. پارامترهای مورد بررسی این مطالعه و ورودی مدل پیشنهادی شامل سرعت باد، حداقل درجه حرارت، میزان دید افقی، میزان بارش، حداکثردرجه‌حرارت، روز یا شب، ساعت، و تعطیلات رسمی می‌شود که این داده‌ها از اطلاعات ثبت شده ایستگاه سینوپنتیک سازمان هواشناسی و سازمان راهداری اخذ شده است. نتایج نشان داد که شبکه عصبی مصنوعی پرسپترون پیشنهادی در پیش‌بینی ترافیک سه ساعته دارای میانگین دارای مربعات خطا 28/0و ضریب همبستگی(r)61/0می‌باشد. با توجه به اثرگذاری پارامترهای آب‌و‌هوایی ورودی همچون بارش باران و سرعت باد بر تردد وسایل نقلیه در فصل زمستان، می‌توان گفت وجود این پارامترها در پایین بودن مقدار میانگین مربعات خطا و میزان ضریب همبستگی مناسب در مدل پیشنهادی پرسپترون چندلایه برای پیش‌بینی حجم ترافیک نقش مثبتی داشته‌اند. به طور کلی پس از مقایسه مقادیر به دست آمده از پرسپترون چندلایه با مقادیر حجم ترافیک حقیقی ثبت شده، نتایج حاصل از این مطالعه نشان داد که شبکه عصبی مصنوعی به دلیل ماهیت یادگیری و قابلیت آموزش از داده‌های ورودی، در حوزه پیش‌بینی ترافیک دارای دقت مناسب و عملکردی قابل قبول است و افزایش تعداد داده‌ها و در نظرگرفتن مدت زمان طولانی‌تر بررسی میتواند نتایج بهتری را نمایان کند.