ارایه روشی مبتنی بر انتخاب پویای دسته‌بند برای پیش‌بینی الگوی ترافیک شهری براساس زمان سفر

امروزه مدیریت ترافیک یکی از الزامات سیستم های حمل و نقل هوشمند است. از آنجا که شبکه ترافیک شهری یک شبکه غیر خطی بزرگ و پیچیده با عدم اطمینان بالا است ، پیش بینی شاخص های مختلف ترافیکی مانند زمان سفر می تواند دانش خوبی را در اختیار کارشناسان مدیریت ترافیک شهری قرار دهد. تحقیقات اخیر نشان داده است که استفاده از روشهای داده کاوی در پیش بینی شاخص های راهنمایی و رانندگی بسیار موثر بوده است. به عنوان مثال ، روش های طبقه بندی کلاسیک مانند ماشین بردار پشتیبانی و روش های گروه مانند random forest و bagging ممکن است به نتایج قابل قبولی برسند. با این حال ، در برخی موارد ، به دلیل بی ثباتی داده ها ، روش های کلاسیک نمی توانند عملکرد قابل قبولی ارائه دهند. در این حالت ، به دلیل طبقه بندی نمونه های ناشناخته با توجه به شرایط و خصوصیات محلی ، روش های انتخاب طبقه بندی پویا می توانند دقت پیش بینی ترافیک را بهبود بخشند. در این مطالعه ، اثربخشی روشهای طبقه بندی پویا را برای پیش بینی ترافیک بررسی و مقایسه می کنیم. ما از روش محاسبه صلاحیت knn ، درخت تصمیم، شبکه عصبی ، adaboost و ola برای پیش بینی ترافیک طولانی مدت در مجموعه داده راهبردی شبکه (srn) استفاده می کنیم.