پیش‌بینی کوتاه‌مدت سرعت ترافیک با استفاده از الگوریتم lstm یادگیری عمیق

زمینه و هدف: پیش‌بینی کوتاه‌مدت سرعت ترافیک موضوعی امیدوارکننده در سیستم‌های حمل‌ونقل هوشمند (its) است. سرعت ترافیک شهری هم‌بستگی زمانی-مکانی قوی و ویژگی غیرخطی و تصادفی پیچیده دارد که پیش‌بینی دقیق و کارآمد سرعت‌های ترافیکی کوتاه‌مدت را چالش‌برانگیز می‌کند. این مقاله با استفاده از مدل پیشنهادی حافظه کوتاه‌مدت طولانی تزریقی (fi-lstm) که یک مدل یادگیری عمیق است، سرعت ترافیک را پیش‌بینی می‌کند.روش: با بررسی پژوهش‌های گذشته دریافتیم اگرچه اکثر روش‌ها می‌توانند دقت خوبی داشته باشند، اما برای ارتقای دقت پیش‌بینی، یک راه عملی، رویکردی موثرتر برای تجزیه و تحلیل داده‌های ترافیک است. داده‌های ترافیکی فراوان و قدرت محاسباتی در سال‌های اخیر قابل دسترسی است، که ما را به بهبود دقت پیش‌بینی ترافیک کوتاه‌مدت از طریق رویکردهای یادگیری عمیق ترغیب می‌کند. مطالعات اخیر نشان داده‌اند که روش‌های یادگیری عمیق، به‌ویژه مدل‌های حافظه کوتاه‌مدت طولانی (lstm) نتایج خوبی در پیش‌بینی کوتاه‌مدت جریان ترافیک دارند. در این پژوهش با استفاده از مدل پیشنهادی که داده‌های زمانی متوالی را ترکیب می‌کند، چهار مدل یادگیری عمیق مقایسه می‌شود و در سه بازه زمانی بررسی می‌شود. متاسفانه برداشت داده در ایران به صورت کوتاه‌مدت وجود ندارد و داده‌ها با دقت پایین به‌صورت ساعتی برداشت می‌شود و در این پژوهش به ناچار از داده‌های سرعت ترافیک حلقه آشکارساز آزادراه i405 شهر سیاتل واشنگتن استفاده شده است.یافته‌ها: با‌توجه به نتایج به‌دست‌آمده، دقت مدل پیشنهادی نسبت به کمترین دقت مدل‌‌های دیگر یادگیری عمیق (bilstm) 0/41درصد بیشتر است و هم‌چنین مدل پیشنهادی برای پیش‌بینی سرعت ترافیک در گام زمانی 5 دقیقه 1/34درصد بهتر نسبت‌به گام زمانی 10 دقیقه عمل کرده است.نتیجه‌گیری: نتایج نشان می‌دهد مدل پیشنهادی، دقت خوبی نسبت به دیگر مدل‌ها دارد و هرچه بازه زمانی بیشتر می‌شود، خطا بیشتر و دقت کاهش پیدا می‌کند و در 23 دسامبر بیشترین خطا را نشان می‌دهد که این به دلیل تغیر سفرها در ایام کریسمس است.

prediction of short term traffic speed using lstm algorithm deep learning

traffic flow prediction has long been considered as a fundamental problem in an intelligent transportation system. accurate and timely prediction of the traffic flow situation can be useful for traffic management organizations and individual drivers. a good traffic forecast may help travelers make better travel decisions, thus reducing terrible traffic congestion in cities and carbon dioxide emissions, and improving the efficiency of traffic operations. recently, various deep learning models have been introduced to the field of prediction. while many studies performed traffic speed prediction with deep learning models. considering the important effects of spatio-temporal factors and the excellent performance of recurrent neural networks in the field of time series analysis, in the research carried out, the characteristics of long-short-term memory (fi-lstm) neural networks that combine sequential time data are suggested to be one it is a deep learning network. this research has compared four deep learning models including lstm, gru, convlstm, and bilstm in three time steps of 5 minutes, 10 minutes, and 15 minutes. the results of this research show that the proposed model compares four deep learning models, as the interval of time steps increases, the errors more and the accuracy of the model decreases, according to the obtained results, the accuracy of the fi-lstm model is 0.41% higher than the lowest accuracy of the deep learning model (bilstm), and also the proposed model for predicting traffic speed in a time step of 5 minutes is 1.34% it has performed better than the time step of 10 minutes.