مروری بر کاربرد انواع مدل‌های مبتنی بر یادگیری عمیق در پیش‌بینی پارامترهای جریان ترافیک

زمینه و اهداف: امروزه با وجود حجم انبوه داده‌های ترافیکی، پیش‌بینی جریان ترافیک براساس روش‌های یادگیری ماشین چالش‌برانگیز شده است. این مقاله با مروری بر کاربرد مدل های یادگیری عمیق در پیش بینی پارامترهای جریان ترافیک سبب می شود تا متخصصان ترافیک با شناختی مناسب روش های یادگیری عمیق را به‌کار گیرند.روش: این مقاله یک ساختار فراتحلیلی از مهم‌ترین تحقیقات منتشرشده در ده سال اخیر را ارائه داده است. شامل 13 مقاله برای کاربرد مدل‌های تک‌لایه یادگیری عمیق و 32 مقاله برای مدل‌های چندلایه از پایگاه های مطالعاتی معتبر خارجی و هم‌چنین، 5 مقاله از پایگاه‌های جستجوی مقالات داخلی به‌منظور بررسی کاربرد مدل‌های یادگیری عمیق در پیش‌بینی سرعت، حجم و چگالی ترافیک بررسی شدند.یافته‌ها: مرور منابع نشان می دهد که تحقیقات در مورد پیش‌بینی پارامترهای ترافیکی در سال‌های اخیر از مدل‌های آماری سنتی به روش های یادگیری عمیق مبتنی بر داده‌کاوی تغییر یافته است زیرا دقت، استحکام و سرعت مدل‌های مبتنی بر یادگیری عمیق در پیش‌بینی پارامترهای جریان ترافیک در مقایسه با روش‌های پیشین بیشتر است. هم‌چنین نتایج نشان داد که مدل‌های به‌وجودآمده از ترکیب چند مدل یادگیری عمیق نسبت به مدل‌های تک‌لایه عملکرد بهتری دارند.نتیجه‌گیری: نتایج حاصل از مقالات بررسی‌شده نشان داده است که مدل‌های یادگیری عمیق در پیش‌بینی پارامترهای جریان ترافیک در مقابله با داده‌های دارای نویز (نوسان) بالا دچار ضعف هستند و لذا روش‌های هم‌جوشی (ترکیبی) برای رفع این معضل پیشنهاد می‌شوند. هم‌چنین باید توجه داشت که مدل مناسبی برای تمام شرایط وجود ندارد و این موضوع تابع شرایط تعریف‌کننده مسئله و نوع داده است.

A Review of Deep Learning Application in Predicting Traffic Flow Parameters

Scope and Objectives: Today, despite the large volume of traffic data, creating reliable predictive models based on machine learning methods has become challenging. New methods of deep learning can provide more accurate predictions of traffic flow parameters.Method: Despite the growing number of deep learning models, few studies have been conducted to investigate the effects of these models in predicting traffic parameters. This article reviews the application of deep learning models in predicting traffic flow parameters and causes experts to choose and apply these new methods with an open mind.Findings: A review of the sources shows that research on predicting traffic parameters has changed from traditional statistical models to comparative deep learning methods in recent years. However, existing deep learning models may not perform well due to the complex nonlinear relationship between the spatial and temporal data collected; Therefore, different multilayer or hybrid deep learning models for predicting traffic flow are reviewed, and these models are evaluated according to their application in intelligent transportation.Conclusion: Despite the use and high accuracy of deep learning models in predicting traffic flow parameters, these models are weak in the face of high noise data. For this purpose, researchers use hybrid models to increase the robustness and accuracy of the model to predict traffic flow. In addition, it is difficult to conclude that one model always produces better results than other models, so it is essential to pay attention to the type and characteristics of the data in choosing the model.