Skip to main content
SUPERVISOR
Meisam Akbarzadeh
میثم اکبرزاده (استاد راهنما)
 
STUDENT
Seyed Omid Mousavizadeh Kashi
سیدامید موسوی زاده کاشی

FACULTY - DEPARTMENT

دانشکده مهندسی حمل‌ونقل
DEGREE
Master of Science (MSc)
YEAR
1393
In urban traffic management is required to predict short term traffic condition in urban highways. If we forecast near future traffic flow (a few minutes later) is possible to guidance and manage traffic flow with Variable Message Signs that installed along highways. Traffic flow condition influenced by different factor and constantly is changing, therefore usually it is not possible to forecast intuitive. This study aimed to develop a method to forecast short-term traffic flow by using the past traffic flow data. The method is proposed in this study is based on data volume in one of the United States urban highway in Los Angeles in California. In this study by combination of Wavelet Transform (WT) and Artificial Neural Network (ANN), a hybrid method is provided with good accuracy to predict traffic flow.in this hybrid method the WT as a tool of signal processing, decomposes signal before ANN. This method extract the main traffic flow signal frequencies and bypass subsidiary frequencies. Main frequencies input to the ANN and trained by training algorithm and provide the output result. In this study we are using a step by step method to achieve to the optimal flow forecasting in the context of hybrid approach. Based on the result of the optimum model ten time delay inputs are selected and the WT decomposed them in two level by dmey mother wavelet. The structure of ANN is formed by two layer with four and 1 neurons. Purelin transfer function set between layers and the Levenberg-Marquardt training function set as a training algorithm. Result show hybrid WT-ANN method can estimate the signal traffic with good accrate.this method is able to predict the five minutes later traffic flow by 2.5 percent in the term of MAPE. Without using WT aside of ANN the MAPE decrease into 13.7 percent. Among statistics methods the least MAPE is dedicated to moving average method with an MAPE of 11.56. Developing the results of hybrid method for predicting vaster range shows a decrease in prediction accuracy, so that calculated MAPE with hybrid method reaches 26 in result of predicting for next 45 minutes.
مدیریت مناسب ترافیک شهری مستلزم پیش‌بینی کوتاه‌مدت وضعیت تردد بزرگراه‌های شهری است. در صورت پیش‌بینی جریان آینده نزدیک (چند دقیقه بعد) هدایت جریان از طریق تابلوهای پیام متغیر نصب‌شده در مسیر بزرگراه‌ها امکان‌پذیر می‌شود. وضعیت جریان ترافیک در بزرگراه‌های شهری از عوامل مختلفی تأثیر می‌گیرد و پیوسته در حال تغییر است، درنتیجه معمولاً پیش‌بینی شهودی آن امکان‌پذیر نیست. پژوهش حاضر به توسعه روشی جهت پیش‌بینی کوتاه‌مدت جریان ترافیک، با استفاده از اطلاعات گذشته جریان ترافیک می‌پردازد. روش پیشنهادشده در این پژوهش بر روی اطلاعات حجم جریان ترافیک دریکی از بزرگراه‌های شهری لس‌آنجلس در ایالت کالیفرنیای آمریکا اجراشده است و نتایج آن در فصول پایان‌نامه آمده است. در پژوهش حاضر با ترکیب روش تبدیل موجک و شبکه مصنوعی عصبی یک روش ترکیبی با دقت خوب برای پیش‌بینی جریان ترافیک ارائه‌شده است. در این روش ترکیبی روش تبدیل موجک به‌عنوان یک ابزار پردازش سیگنال، قبل از شبکه مصنوعی عصبی نقش پالایش و پردازش سیگنال ورودی به شبکه را بر عهده دارد. این روش فرکانس‌های اصلی سیگنال تردد را استخراج می‌نماید و قسمت‌های فرعی آن را کنار می‌گذارد و پس از ورود به شبکه مصنوعی عصبی و آموزش یافتن شبکه نتیجه خروجی را ارائه می‌دهد. در این پژوهش جهت دستیابی به شبکه بهینه پیش‌بینی جریان در چهارچوب روش ترکیبی، از یک روش گام‌به‌گام تا رسیدن به بهترین نتیجه استفاده شده است. بر اساس نتیجه به‌دست‌آمده شبکه بهینه همراه با ده ورودی تأخیر زمانی تا دو مرتبه سیگنال ترافیکی را تجزیه و به شبکه عصبی دو لایه می‌فرستد. نتایج نشان می‌دهد که روش ترکیبی تبدیل موجک – شبکه مصنوعی عصبی از دقت خوبی در برآورد سیگنال ترافیکی نسبت به سایر روش‌ها برخوردار است. این روش توانسته است سیگنال ترافیکی را برای بازه‌ی زمانی پنج دقیقه بعد، با میانگین درصدی قدر مطلق خطا 5/2 پیش‌بینی کند. این در صورتی است که روش شبکه مصنوعی عصبی ساده بدون استفاده از ابزار تبدیل موجک، همین سیگنال را با میانگین درصدی قدرمطلق خطا 7/13 پیش‌بینی نموده است. در بین روش‌های آماری هم کمترین میزان میانگین درصدی خطای مطلق مربوط به روش میانگین‌گیری متحرک مرکزی با میانگین درصدی قدر مطلق خطا 56/11 است. بسط نتایج روش ترکیبی برای پیش‌بینی بازه‌ زمانی وسیع‌تر بیانگر کاهش دقت پیش‌بینی می‌باشد به‌طوری‌که برای پیش‌بینی چهل‌وپنج دقیقه بعد، میانگین درصدی خطای مطلق با روش ترکیبی به 26 می‌رسد.

ارتقاء امنیت وب با وف بومی