پیش‌بینی حجم ترافیک شهری با استفاده از داده‌های سرویس نشان مورد مطالعاتی: خیابان کمال اصفهان

افزایش تقاضا برای استفاده از وسایل نقلیه شخصی، تراکم ترافیک را به یکی از بحران‌های اصلی کلان‌شهرها تبدیل کرده است. پیش‌بینی حجم ترافیک می‌تواند در مدیریت و کنترل ترافیک موثر باشد، اما تعیین آن چالش‌برانگیز است. زیرا شمارش وسایل نقلیه فقط در تعداد معدودی از مکان‌هایی که دارای سنسورهای ترافیک ثابت هستند، امکان‌پذیر است. برای رفع این چالش در پژوهش حاضر، برای اولین‌بار در ایران با استفاده از داده‌های مسیریابی سرویس نشان و ثبت مدت‌زمان سفر در ساعات مختلف روز، امکان برآورد حجم ترافیک یال‌های شهری برای 24 ساعت آتی وجود دارد. برای بررسی امکان‌پذیری روش پیشنهادی، داده‌های مربوط به مدت‌زمان سفر خیابان کمال واقع در شهر اصفهان برای ساعت مختلف شبانه‌روز به مدت 24 روز اخذ گردید. برای این ‌منظور از روش‌های یادگیری ماشین شامل جنگل‌ تصادفی، درختان تقویت شده با گرادیان، شبکه عصبی حافظه طولانی کوتاه‌مدت استفاده شد که شامل ویژگی‌های ورودی از جمله: وابستگی مکانی (مجموع مدت‌زمان سفر یال‌های ورودی خیابان)، ویژگی‌های زمانی، تاریخچه مدت‌زمان سفر، تعداد یال‌های ورودی و تعداد مراکز تاثیرگذار در ترافیک شهری است. نتایج عددی نشان می‌دهد، در بین روش‌های یادگیری ماشین و یادگیری عمیق روش جنگل تصادفی با میزان بالای r2 برابر با 93/0 عملکرد بهتری دارد.