new5 free

ارائه‌ چارچوبی در راستای بهبود پیش‌بینی وضعیت ترافیک

59.000تومان

توضیحات

دانشکده‌ی مهندسی

پایان‌نامه‌ی کارشناسی ارشد در رشته‌ی مهندسی کامپیوتر (هوش مصنوعی)

چکیده

امروزه موفقیت سیستم­های حمل­و­نقل هوشمند، نه تنها به اطلاعات وضعیت فعلی ترافیک، بلکه تا حد زیادی به آگاهی از وضعیت ترافیکی دقایق آینده وابسته است. از این­رو، تحقیقات زیادی در زمینه­ی پیش­بینی­ کوتاه­­مدت وضعیت ترافیکی انجام شده است. هرچند تاکید اکثریت آنها، تنها بر روی اعمال الگوریتم­های مختلف بمنظور یادگیری داده­های ترافیکی و ارائه­­ی مدل، بر اساس داده­های جمع­آوری شده از وضعیت فعلی و پیشین می­باشد. حال آنکه، در جهت رسیدن به الگوریتمی کارا، لازم است تا ماهیت نوساناتی و وابسته به زمان داده­ها نیز در روند یادگیری مدل لحاظ شود. در این راستا، این پایان­نامه با مطالعه­ی توزیع جریان­های ترافیکی، سعی در جداسازی رفتارهای مربوط به پریودهای اوج و غیر­اوج ترافیکی و همچنین استفاده از مفاهیم و دانش بدست­آمده برای آموزش مدل­های متمایز متناظر با رفتارهای مختلف ترافیکی دارد. شایان ذکر است که حتی در صورتی­که زمان مرتبط با داده‌ها صریحاً در اختیار نباشد، روش پیشنهادی با بررسی توزیع داده­، روند جریان‌های ترافیکی را تشخیص می­دهد. بدین ترتیب، رندوم فارست بعنوان مدل پیش­بینی­کننده، از زمینه­ی داده­ی مورد آموزش باخبر بوده و بر این اساس احتمال گیر­اُفتادن آن در بهینه­ی محلی کمتر می­شود. به منظور ارزیابی روش ارائه شده، آزمایشاتی بر روی داده­­ی بخش ترافیک مسابقه بین­المللی داده­کاوی سال 2010 انجام شد. نتایج حاصل، مؤید کارایی و مقیاس­پذیری روش پیشنهادی در مقایسه با دیگر نتایج بدست آمده توسط تیم­های برتر مسابقه، می­باشد.


فهرست مطالب

عنوان                                                                                                صفحه

فصل اول. مقدمه

1-1- تعریف مسئله….. 2

1-2- چالش‌های مسئله…………………. 4

1-3- نگاهی به فصول پایان­نامه….. 7

فصل دوم. مبانی نظری تحقیق

2-1- مقدمه………………. 10

2-2- متدهای یادگیری تجمعی……………….. 11

2-2-1- تعاریف مفاهیم اولیه………… 11

2-2-2- درخت بوستینگ………………….. 13

2-2-3- درخت بگینگ……. 13

2-3- رندوم فارست….. 15

2-3-1- مراحل توسعه‌ی رندوم فارست………………… 16

2-3-2- تئوری‌های مرتبط با رندوم فارست………….. 19

2-3-3- رندوم فارست برای رگرسیون………………… 22

2-3-4- مزایا و کاربردهای رندوم فارست……………. 23

2-4- نتیجه­گیری….. 24

عنوان                                                                                                                صفحه

فصل سوم. پیشینه تحقیق

3-1- مقدمه………………. 26

3-2- تعریف مسئله…………………… 26

3-3- روش‌های مبتنی بر آنالیزهای سری زمانی………….. 29

3-4- روش‌های مبتنی بر مدل‌های شبکه عصبی………….. 32

3-5- روش‌های مبتنی بر الگوریتم‌های داده­کاوی……….. 34

فصل چهارم. معرفی تکنیک پیشنهادی

4-1- مقدمه………………. 40

4-2- خصوصیات کلی پایگاه داده…………….. 41

4-3- پایگاه داده­ی مورد استفاده……………….. 42

4-3-1- داده‌ی آموزشی……. 44

4-3-2- داده‌ی آزمایشی……………………. 44

4-4- تکنیک پیشنهادی…………. 45

4-4-1- بررسی توزیع جریان‌های ترافیکی……… 47

4-4-2- مرحله پیش پردازش و استخراج ویژگی………………… 50

4-4-3- مرحله شناسایی و تقسیم بندی به Context های مختلف…….. 52

4-4-4- مرحله یادگیری با بکارگیری Context-Aware Random Forest…………. 56

 

عنوان                                                                                                                صفحه

 

فصل پنجم. نتایج تجربی

5-1- مقدمه………………. 59

5-2- پایگاه داده……… 60

5-3- معیارهای ارزیابی…………… 61

5-3-1- معیار ارزیابی خطای پیش­بینی………… 61

5-3-2- مقایسه کارآیی معیارهای سنجش فاصله بر روی مشاهدات ترافیکی……. 62

5-4- بررسی تناسب الگوریتم رندوم فارست در مقایسه با دیگر متدها……… 64

5-5- تنظیمات اعمال شده در پیاده سازی الگوریتم (تنظیم پارامترها)……. 66

5-6- ارزیابی سایز گردآمدگی بر روی داده‌ی اعتبارسنجی………… 67

5-7- استخراج مجموعه‌های نمونه‌های آموزشی……………. 70

5-8- نتایج یادگیری الگوریتم بر روی مجموعه‌های نمونه‌های آموزشی…… 72

فصل ششم. نتیجه‌گیری

خلاصه­ی مطالب و نتیجه­ گیری………………… 75

فهرست منابع و مآخذ……………… 78

فهرست جدول‌ها

عنوان                                                                                                                صفحه

جدول شماره 4-1: شرح مفاهیم و معادل ترم‌های مورد استفاده ……………………. 45

جدول شماره 5-1: مقایسه میانگین خطای الکوریتم­های مختلف weka….. 64

جدول شماره 5-2: مقایسه خطای الگوریتم بگینگ و رندوم فارست………….. 66

فهرست شکل‌ها

    عنوان                                                                                            صفحه

شکل 1-1:  معماری کلی مربوط به متدهای یادگیری تجمعی………. 6

شکل 2-1: معماری کلی الگوریتم بگینگ………………….. 14

شکل 2-2:  نمایی کلی از الگوریتم رندوم فارست…….. 16

شکل 2-3: معماری کلی مربوط به الگوریتم رندوم فارست…………… 20

شکل 4-1: صفحه‌ی نمایش شبیه ساز ترافیک TSF…………………. 42

شکل 4-2: نقشه‌ی شهر Warsaw، اعمال شده بهTSF…………………… 43

شکل 4-3: نمایش نمادین اعمال تکنیک پیشنهادی………………… 46
شکل 4-4: توزیع جریان‌های ترافیکی مسیرها……….. 47

شکل 4-5: ارائه‌ی دید دقیق‌تر در خصوص رفتار جریان‌های ترافیکی………. 48

شکل 4-6: نمایش نمادین روند انجام مرحله گردآمدگی…………….. 50

شکل 4-7: نمودار الزامات معیار شباهت مناسب………….. 53

شکل 4-8: جریانهای ترافیکی مسیرها مربوط به دو context ….. 55

شکل 5-1: مثالی از چگونگی اعمال مراحل گردآمدگی…………………… 68

شکل 5-2: مقایسه­ی خطا روشها با اعمال سایزهای مختلف گردآمدگی ……… 69

شکل 5-3: مراحل نمادین استخراج مجموعه نمونه آموزشی………… 71

شکل 5-4: مقایسه خطای تکنیک پیشنهادی و روش Ensemble RF……….. 72

 

 

فصل اول


 


مقدمه

1-1-      تعریف مسئله

      امروزه، با توجه به گسترش روزافزون مطالبات حمل‌ونقل و بروز مشکلات ناشی از افزایش ترافیک شهری، ازجمله آلودگی هوا، آلودگی صوتی، مصرف سوخت، اتلاف وقت و انرژی و هزینه‌های تحمیلی آنها، ارائه راهکار مناسب درجهت روان شدن ترافیک از اهمیت ویژه‌ای برخوردار است. از طرفی باتوجه به محدودیت‌های امکانات شهرسازی در مقابل تقاضای انبوه وسایل نقلیه، لازم است تا تمهیداتی کاربردی و امکان‌پذیر برای حل این معضل درنظر گرفته ‌شود. ازآنجا که تاکنون فناوری اطلاعات[1] نقش مؤثری درعرصه‌های مختلف صنعتی ایفا کرده است، ورود این تکنولوژی در زمینه‌ی سیستم‌های حمل‌ونقل نیز بعنوان راهکاری مناسب مورد توجه قرارگرفت و منجر به پدیدآمدن سیستم‌های حمل‌ونقل هوشمند[2] شد. در واقع تکنولوژی فناوری اطلاعات به عناصر سیستم حمل‌ونقل این امکان را می‌دهد تا با بکارگیری حسگر[3]ها و میکروچیپ‌ها و ارتباط آنها از طریق تکنولوژی بی­سیم[4]، تبدیل به یک سیستم هوشمند شوند. امروزه سیستم حمل‌ونقل هوشمند با تشکیل سامانه‌ای متشکل از حسگرهای دریافت داده، سامانه‌های پردازش اطلاعات و سامانه‌های ارائه‌ی اطلاعات به استفاده کنندگان، گامی مؤثر در راستای مدیریت سیستم حمل‌ونقل و استفاده هوشمندانه از زیرساختارهای موجود، برداشته است [1]. بطور مثال این سیستم با بکارگیری فناوری‌های متفاوتی همچون هدایت خودرو و سیستم کنترل چراغ‌های راهنمایی، تابلوهای اعلان ترافیک، دوربین سرعت‌سنج و سیستم خودکار شناسایی شماره‌ی خودرو گرفته تا سیستم‌های پیشرفته و پیچیده‌تری که بطور همزمان اطلاعات متفاوتی مانند وضعیت آب و هوا، وضعیت ترافیک، وضعیت جاده‌ها را از منابع متفاوت یکپارچه می­کند، کنترل این حوزه را بدست‌ گرفته‌ است. از جمله دستاوردهای مهم بکارگیری سیستم حمل‌ونقل هوشمند می‌توان به کاهش ترافیک، کاهش حوادث و تصادفات، امکان انتخاب مسیرهای بهینه با توجه به وضعیت مسیرها، مدیریت حمل‌ونقل عمومی و وسائل نقلیه‌ی امدادی و همچنین امکان اخذ الکترونیکی مواردی همچون عوارض، هزینه‌ی پارکینگ و خرید بلیط که منجر به صرفه جویی در سوخت وانرژی و کاهش هزینه‌های تحمیلی می­شود، اشاره کرد. عموماً سیستم‌های حمل ونقل هوشمند را تحت عنوان پنج گروه اصلی بررسی می­کنند که هرکدام حوزه‌های مختلف از این سامانه را شامل می­شوند؛

الف) سامانه‌های پیشرفته‌ی اطلاعات مسافرتی[5](ATIS) که وظیفه‌ی آن فراهم آوردن اطلاعات وضعیت فعلی ترافیکی و جوّی جاده‌ها، تصادفات و تعمیرات جاده‌ای و همچنین اطلاع رسانی به مسافران و کاربران بمنظور استفاده‌ی بهینه از مسیرهای موجود و برقراری تعادل ترافیکی می‌باشد.

ب) سامانه‌های پیشرفته‌ی مدیریت ترافیک[6]  (ATMS)که اطلاعات ترافیکی جمع­آوری شده از منابع مختلف را بررسی و یکپارچه کرده و از طریق ابزارهای کنترل ترافیک مانند سینگال‌های ترافیکی، کنترل رمپ[7] ورودی بزرگراه ها به منظور حفظ تراکم و تابلوهای اطلاع رسانی متغیر موجود در جاده‌ها، کنترل جریان ترافیکی را در دست می‌گیرند.

ج) سامانه‌های پرداخت الکترونیکی[8] (EPS) که شامل سیستم جمع‌آوری الکترونیکی عوارض[9](ETC)، سامانه‌های پرداخت عوارض بمنظور استفاده از خطوط ویژه‌ی وسایل نقلیه پرسرنشین[10] توسط وسایل تک سرنشین و همچنین قیمت‌گذاری مسیر[11] و خطوط پرترافیک می‌باشد.

د) سامانه‌های پیشرفته و هوشمند حمل‌ونقل همگانی[12] (APTS)اموری در جهت تسهیل ارائه‌ی خدمات حمل‌ونقل عمومی همچون تعیین موقعیت خودکار[13] وسیله نقلیه و اطلاع رسانی به مسافران، خدمات رزرو و تعیین کرایه را نیز شامل می‌شود.

ه) سامانه‌های پیشرفته‌ی کنترل وسائل نقلیه(AVCS)[14] که شامل سامانه­ی انطباق هوشمند سرعت[15](ISA)، سامانه‌های هشدار و پیشگیری از تصادفات می‌شوند.

در حوزه‌یAITS  وATMS، پیش‌بینی کوتاه مدت ترافیک از عناصر مهم موفقیت سیستم‌های حمل‌ونقل هوشمند محسوب می‌شود، چرا که در راستای کنترل ترافیک نه تنها وضعیت فعلی ترافیک بلکه وضعیت آینده‌ی ترافیک نیز حائز اهمیت است. از این رو الگوریتم‌های پیش‌بینی ترافیک مورد توجه ویژه‌ای در میان محققان این حوزه قرار گرفتند.

1-2-      چالش‌های مسئله

همانطور که پیشتر بیان شد، مراکز کنترل ترافیک بر اساس جمع­آوری آمار و اطلاعات ترافیکی، پردازش و یکپارچه سازی آنها، تصمیمات لازم جهت مدیریت و کنترل ترافیک را اتخاذ می‌کنند. در راستای بهبود کنترل ترافیک، ATIS و ATMS بعنوان اصلی­ترین اجزاء سیستم حمل­و­نقل هوشمند، علاوه بر وضعیت فعلی ترافیک، به وضعیت آینده ترافیک نیز احتیاج دارند. ازین‌رو پیش­بینی وضعیت آینده ترافیک از جمله مباحث مهم برای این مراکز به حساب می‌آید تا با استفاده از آن استراتژی‌های لازم جهت جلوگیری از تراکم و هشدار به رانندگان جهت انتخاب مسیر بهینه، صورت گیرد. تاکنون تحقیقات متعددی در خصوص پیش‌بینی وضعیت ترافیکی آینده انجام شده است که در واقع با استفاده از داده‌های ثبت شده از وضعیت فعلی ترافیک، ترافیک مربوط به زمان‌های آتی را پیش‌بینی می‌کنند.

بطور معمول داده‌های جمع‌آوری شده در حوزه‌ی ترافیک، بصورت سری‌های زمانی[16] در اختیار ما قرار می‌گیرند که در واقع شامل رکوردهای مختلفی هستند که در بازه های زمانی  مساوی و در طی اندازه‌گیری‌های متوالی بدست می‌آیند. با استفاده از داده‌های فعلی و گذشته، مقادیر آن‌ها در آینده پیش‌بینی می‌شوند [2]. تاکنون تکنیک‌های متفاوتی در زمینه‌ی پیش‌بینی ترافیک بکار گرفته شده است که از جمله‌ی آن‌ها می‌توان به روش‌های کالمن فیلترینگ[17] [4,3]، متدهای آماری غیرپارامتریک [5,6] [18]، روش‌های یادگیری متوالی[7] [19]، مدل‌های شبکه‌عصبی[20] [8-11] و آنالیزهای سری‌های زمانی[13-17]  اشاره کرد. از مهمترین چالش‌های اعمال این الگوریتم‌ها، حجم بالای داده‌های ترافیکی است که منجر شده تا اخیراً گرایش تحقیقات به سمت استفاده از الگوریتم‌های داده کاوی[21] باشد.

همانطور که می‌دانیم تکنیک‌های داده کاوی قابلیت استخراج اطلاعات از داده‌هایی با حجم بسیار بالا همچون داده‌های ترافیکی را دارا هستند. از میان آن‌ها روش‌های مبتنی بر درختهای تصمیم‌گیری[22] بطور گسترده‌ای در حوزه‌ی ترافیک مورد استفاده قرار گرفته است[18,19]. همچنین متدهای یادگیری تجمعی[23] همانند بگینگ و بوستینگ با توجه به کارایی بالا، مورد توجه ویژه‌ای واقع شدند. ایده‌ی اصلی آن‌ها ساخت مجموعه‌ای از مدل‌ها و ترکیب نتایج آن‌ها با هدف بهبود دقت[24] یادگیری می‌باشد[47]. در شکل -11 معماری کلی الگوریتم‌های یادگیری تجمعی را می‌بینیم که از کتاب [20]  آورده شده است.

شکل 1-1. معماری کلی مربوط به متدهای یادگیری تجمعی. در این متدها، مجموعه‌ای از کلاسه‌بندها یا مدل‌های پیش‌بینی کننده M1, M2, …, Mk تولید می‌شوند و نهایتاً با ورود نمونه‌ی ناشناخته[25] ، استراتژی‌های رأی‌گیری برای ترکیب پیش‌بینی‌های مختلف مدل‌ها استفاده می‌شوند.

رندوم فارست[26] یکی از مشهورترین و کاراترین متدهای مبتنی بر یادگیری تجمعی در زمینه پیش‌بینی است که توسط Leo Brieman در سال 2001 ارائه شد. رندوم فارست در واقع حالتی عمومی از متدهای بگینگ به حساب می‌آید که از مجموعه‌ای از درخت‌هایCART [27] غیر هرس شده[28]، تشکیل شده است [21]. در حالت رگرسیون[29]، جواب نهایی میانگین جواب‌های درختان و در حالت کلاسه بندی[30]، کلاس نهایی با توجه به اکثریت آرا تعیین می‌شود. درخت‌های CART در واقع درخت‌های تصمیم‌گیری هستند که در آن‌ها هر گره[31]ی والد تنها به دو بچه تقسیم می‌شود و همچنین از معیار Gini به منظور ارزیابی ویژگی ها استفاده می‌کند [20].

بطور خلاصه، اغلب روش‌های اعمال شده ، تنها بر روی اعمال الگوریتم‌های مختلف داده کاوی به مدل‌های یادگرفته شده از داده‌های پیشین[32] هستند، حال آنکه با توجه به ماهیت ناپایداری و وابسته به زمان بودن جریان‌های ترافیکی[33]، لازم است تا قبل از یادگیری این مدل‌ها، رفتار جریان‌های ترافیکی نیز بررسی شوند. در این راستا، آنالیزهای مختلف کلاسترینگ[34] نیز با هدف ثبت رفتارها و روند تغیرات جریان‌های ترافیکی انجام شد تا جریان‌های با رفتارهای مشابه قبل از یادگیری، دسته بندی شوند[22, 23]. اکثریت این دسته‌بندی‌ها بر اساس زمان‌های پُرترافیک وکم‌ترافیک صورت می‌گیرد. همانطور که می‌دانیم در طی روزهای مختلف، رفتارهای ویژه‌ای در ساعات معینی از روز دنبال می‌کنند. بنابراین تفکیک و جداسازی و یادگیری مدل‌های متفاوت بر مبنای این رفتارها، نقش مؤثری در دقت الگوریتم‌های پیش‌بینی خواهد داشت. نکته‌ی حائز اهمیت در اینجا این‌است که اغلب روش‌هایی که رفتارهای جریان‌های ترافیکی را بررسی می‌کنند تنها بر روی داده‌های واقعی یا داده‌هایی که زمان رخدادشان مشخص است، قابل اعمالند. هرچند در برخی از داده‌های جمع‌آوری شده، زمان جمع‌آوری آنها مشخص نیست. بنابراین، با توجه به اهمیت موضوع، هدف این پایان‌نامه ارائه‌ی روشی مبتنی بر الگوریتم رندوم فارست است که بدون در اختیار داشتن زمان واقعی جمع آوری داده، توزیع داده را بررسی، رفتارهای ترافیکی را تشخیص و در مرحله یادگیری از آنها استفاده می‌کند.

[1] Information Technology

[2] Intelligent Transportation System(ITS)

[3] Sensor

[4] Wireless

[5] Advanced Traveler Information Systems (ATIS)

[6] Advanced Transportation Management Systems (ATMS)

[7] Ramp Metering

[8]Electronic Payment System (EPS)

[9] Electronic Toll collection (ETC)

[10] Fee-Based Express Lanes

[11] Road Pricing

       [12]Advanced Public Transportation Systems (APTS)

[13]Automatic Vehicle Location (AVL)

[14]Advanced Vehicle Control Systems (AVCS)

[15] Intelligent Speed Adaptation (ISA)

[16] Time Series

[17] Kalman filtering

[18] Nonparametric statistical methods

[19] Sequential learning

[20] Artificial Nueral Network

[21] Data Mining

[22] Decision tree

[23] Ensemble learning

[24] Accuracy

[25] Unknown

[26] Random Forest

[27] Classification and Regression Tree

[28] Unpruned

[29] Regression

[30] Classification

[31] Node

[32] Historical

[33] Traffic flows

[34] Clustering

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “ارائه‌ چارچوبی در راستای بهبود پیش‌بینی وضعیت ترافیک”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

35 − 30 =

شناسه محصول: d1249 دسته: , برچسب: