خلاصة:
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 مدلهای یادگیری عمیق در پیشبینی پارامترهای جریان ترافیک سبب میشود تا متخصصان ترافیک با شناختی مناسب روشهای یادگیری عمیق را بکار گیرند.روش: این مقاله یک ساختار فراتحلیلی از مهمترین تحقیقات منتشر شده در ده سال اخیر را ارائه داده است. شامل ۱۳ مقاله برای کاربرد مدل های تک لایه یادگیری عمیق و ۳۲ مقاله برای مدل های چند لایه از پایگاههای مطالعاتی معتبر خارجی و همچنین، ۵ مقاله از پایگاه های جستجوی مقالات داخلی به منظور بررسی کاربرد مدل های یادگیری عمیق در پیش بینی سرعت، حجم و چگالی ترافیک بررسی شدند.یافتهها: تحقیقات در مورد پیشبینی پارامترهای ترافیکی در سالهای اخیر از مدلهای آماری سنتی به روشهای یادگیری عمیق مبتنی بر دادهکاوی تغییر یافته است زیرا دقت، استحکام و سرعت مدل های مبتنی بر یادگیری عمیق در پیش بینی پارامتر های جریان ترافیک در مقایسه با روش های پیشین بیشتر است. همچنین مدل های به وجود آمده از ترکیب چند مدل یادگیری عمیق نسبت به مدل های تک لایه عملکرد بهتری دارند.نتیجهگیری: نتایج نشان داد 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 تعریف کننده مسئله و نوع داده است.
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 multi-layer 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.
ملخص الجهاز:
نتيجه گيري : نتايج حاصل از مقالات بررسي شده نشان داده است که مدل هاي يادگيري عميق در پيش بيني پارامترهاي جريان ترافيک در مقابله با داده هاي داراي نويز (نوسان ) بالا دچار ضعف هستند و لذا روش هاي هم جوشي (ترکيبي ) براي رفع اين معضل پيشنهاد مي شوند.
com/science/article/abs/pii/S0968090X19309349 Chen, Xinqiangy Huixing, Chen; Yongsheng, Yang & Huafeng, Wu.
com/science/article/abs/pii/S0968090X19306448 Dai, Xingyuan; Rui, Fu; Enmin, Zhao; Zuo, Zhang & Yilun, Lin.
com/science/article/abs/pii/S0968090X1830648X Duan, Yanjie; Yisheng, Lv & Fei-Yue, Wang.
com/science/article/abs/pii/S0968090X18315687 Guo, Ge & Wei, Yuan.
com/science/article/abs/pii/S0925231220309504 215 Hochreiter, Sepp; Jürgen, Schmidhuber; Ti-Yen, Yen & Wayne, Wolf.
com/science/article/abs/pii/S0313592619300566 Laña, Ibai; Jesus, L Lobo; Elisa, Capecci; Javier, Del Ser; Nikola, Kasabov & Ibai, La.
com/science/article/abs/pii/S0968090X18304686 Li, Wei; Xin, Wang; Yiwen, Zhang & Qilin, Wu.
com/science/article/abs/pii/S0925231220318191 Liao, Shijie; Jing, Chen; Jiaxin, Hou; Qingyu, Xiong & Junhao, Wen.
Deep Convolutional Neural Networks with Random Subspace Learning for Short-Term Traffic Flow Prediction with Incomplete Data.
com/science/article/abs/pii/S0925231220318130 Mahmud, Mufti; Mohammed, Shamim; Kaiser, Amir Hussain & Stefano, Vassanelli.
com/science/article/abs/pii/S2214209619302311 Mohammadi, Mehdi; Ala, Al-Fuqahal Sameh, Sorour & Mohsen, Guizani.
com/science/article/abs/pii/S0020025520300451 Peng, Yanni & Wanli, Xiang.
com/science/article/abs/pii/S0378437119321715 Pu, Bin; Yuan, Liu; Ningbo, Zhu; Kenli, Li & Keqin, Li.
com/science/article/abs/pii/S1568494620306268 Salakhutdinov, Ruslan & Hugo, Larochelle.
com/science/article/abs/pii/S0140366419317712 Tang, Jinjun; Xinqiang, Chen; Zheng, Hu; Fang, Zong; Chunyang, Han & Leixiao, Li.
com/science/article/abs/pii/S0378437119302262 Tian, Yongxue & Li, Pan.
com/science/article/abs/pii/S0378475419303726 Xie, Zhaoqing & Qing, Liu.
com/science/article/abs/pii/S092523121831470X Yang, Hao-Fan; Tharam, S Dillon & Yi-Ping, Phoebe Chen.
com/science/article/abs/pii/S003040262031158X 219 Yu, Bing; Haoteng, Yin & Zhanxing, Zhu.
com/science/article/abs/pii/S0968090X19312434 Zhang, Junbo; Yu, Zheng; Junkai, Sun & Dekang, Qi.
com/science/article/abs/pii/S0968090X18315389 220