Abstract:
شناسایی وضعیت به¬هنگام ترافیک برای برنامه¬ریزی حملونقل شهری، کنترل و مدیریت ترافیک مهم است. بهمنظور رعایت الزامات گردآوری دادههای ترافیکی و ارائه اطلاعات جامع، دادههای دقیق همراه با فناوری ترکیب دادهها در تخمین وضعیت ترافیکی زمان واقعی (بههنگام) بهطور گسترده مورد استفاده قرار می¬گیرد. مدل ارائه شده در این مقاله مشکل شناسایی و پیش¬بینی وضعیت ترافیک را با درجه دقت قابل قبولی با استفاده از اطلاعات ترافیکی زمان واقعی ممکن میسازد. به¬منظور برآورده ساختن ملزومات روش ترکیب دادههای ترافیکی برای تخمین به¬هنگام وضعیت ترافیک شهری، نوع جدیدی از مدل ساختار ترکیبی در این مقاله ارائه شده است. این مدل تلفیقی از هر دو روش ترکیب فضایی و موقت است. ابتدا عملگر میانگین¬گیری را برای ترکیب فضایی بهکار میبریم؛ سپس الگوریتم همبستگی زمانی مبتنی بر فشردهسازی دادهها را براساس الگوریتم رگرسیون خطی مقطعی پیشنهاد میکنیم. شاخصه کار ما، استفاده از مقطع زمانی و تفکیک دورههای زمانی است. بسط نتایج شبیهسازی، ارزیابی و مقایسه روش پیشنهادی ما نشاندهندهی اثربخشی و دقت مناسب و نیز برتری الگوریتم همبستگی موقت مبتنی بر فشردهسازی دادهها نسبت به رگرسیون خطی مقطعی از نظر عملکرد کلی است.
Machine summary:
Tseng P J, Hung C, Chang T H, et al 2.
Chen J, Low K H, Yao Y, et al 6.
Sharaf M A, Beaver J, Labrinidis A, et al 5.
با توجه به تابع Sup فوق ، می توانیم نتیجه تلفیق را براساس عمل گر متوسط تعریف شده توسط یاگر (٢٠٠١) به صورت زیر به دست آوریم : که در آن (رجوع شود به تصویر صفحه) روش تلفیق داده های مبتنی بر ترکیب موقت زمانی : چون داده های ترافیکی جمع آوری شده از یک آشکارساز مجزا تکرار و فراوانی زیاد، خطاهای تجمعی بزرگ و دقت کم دارد، ما الگوریتم بهینه سازی و فشرده سازی داده ها براساس همبستگی موقت میان داده های گردآوری شده را پیشنهاد می کنیم .
ابتدا با تحلیل رابطه خطی میان داده های جمع آوری شده در بازه های توالی زمانی ، همبستگی زمانی مبتنی بر فشرده سازی داده ها مدل رگرسیون خطی یک بعدی برای پیش بینی مقدار ایجاد می کند.
هم چنین ترکیبی از رگرسیون داده ها و زمان را به کار بستیم که این تلفیق خطاهای پیش بینی را کاهش می دهد که بسط نتایج و ارزیابی های شبیه سازی و مقایسه های انجام شده بین دو روش از حیث دقت و اثربخشی نشان می دهد که نتایج حاصل از همبستگی زمانی مبتنی بر فشرده سازی داده ها تا حد خوبی می تواند سرعت متوسط واقعی را با تغییرات و تنظیمات زمانی کمتر منعکس کند؛ در نتیجه از این حیث نسبت به رگرسیون خطی مقطعی دارای مزیت و برتری است و در همه آزمون ها خطای کمتری در پیش بینی وضعیت آتی ترافیکی از خود نشان می دهد.