26671

بهبود پيش‌بيني جريان ترافيك مبتني بر شبكه‌هاي عصبي عميق در سيستم حمل‌ و نقل هوشمند

كارشناسي ارشد

مهندسي برق گرايش سيستم‌هاي الكترونيك ديجيتال

1398

1400/12/23

دكتر علي صدر

مهندسي برق

پيش‌بيني جريان ترافيك به‌عنوان يك مؤلفه اساسي در سامانه‌هاي حمل‌ و نقل هوشمند با افزايش در دسترس ‌بودن داده‌هاي كلان و پوياي ترافيك زمينه تحقيقاتي گسترده‌اي را در زمينه هوش مصنوعي ايجاد كرده است. چالش كليدي پيش‌بيني جريان ترافيك در نحوه ادغام عوامل مختلف (مانند قوانين زماني و وابستگي‌هاي مكاني) براي استنباط روند تكامل جريان ترافيك است. براي رفع اين مشكل يك شبكه عصبي به نام ماشين جريان ترافيك پيشنهاد مي‌شود كه مي‌تواند به طور مؤثر نمايش ويژگي‌هاي زماني و مكاني جريان ترافيك را با مكانيزم دقت آموزش ببيند. شبكة پيشنهادي از دو واحد حافظه طولاني كوتاه مدت كانولوشني پيش‌رونده (ConvLSTM) تشكيل شده است كه با يك‌لايه كانولوشن متصل شده‌اند. اولين واحد ConvLSTM ويژگي‌هاي جريان عادي ترافيك را به‌عنوان ورودي دريافت مي‌كند و در هر مرحله زماني يك حالت پنهان ايجاد مي‌كند كه در نهايت به لاية كانولوشن متصل شده براي استنتاج نقشه دقت مكاني وارد مي‌شود. واحد دوم ConvLSTM با هدف يادگيري نمايش‌هاي زماني و مكاني پويا از ويژگي‌هاي جريان ترافيك وزن‌دار شده توسط مكانيزم دقت عمل مي‌كند. علاوه بر اين دو چارچوب يادگيري عميق مبتني بر شبكه پيشنهادي را براي پيش‌بيني جريان ترافيك كوتاه مدت و بلندمدت ايجاد مي‌كنيم. مدل‌هاي مختلفي براي پيش‌بيني جريان ترافيك استفاده مي‌شود. آثار موجود به‌ سادگي از حافظه طولاني كوتاه مدت براي استخراج ويژگي استفاده مي‌كنند و نمي‌توانند تكامل مكاني و زماني جريان ترافيك را به طور كامل مدل‌سازي كنند. بنابراين يك واحد جامع كه بتواند هم‌زمان وابستگي‌هاي پوياي مكاني و زماني را بياموزد براي پيش‌بيني جريان ترافيك بسيار مطلوب است. آزمايش‌هاي مختلف بر روي دو بانك داده استاندارد TaxiBJ و BikeNYC عملكرد مناسب روش پيشنهادي را نشان مي‌دهد. روش پيشنهادي در مقايسه با روش پايه ميانگين تاريخي با ميزان خطاي ميانگين مربع ريشه 79/57 به خطاي 31/15 در مجموعه ‌داده TaxiBJ دست مي‌يابد. همچنين در مجموعه ‌داده BikeNYC مقدار خطاي ميانگين مربع ريشه در روش پيشنهادي مقدار 59/5 به دست مي‌آيد كه در مقايسه با روش ميانگين تاريخي با مقدار خطاي 57/21 بهبوديافته است.

1401/04/01

Improving Traffic Flow Prediction Based On Deep Neural Networks in Intelligent Transportation System

3/14/2023 12:00:00 AM

Predicting traffic flow as a critical component in intelligent transportation systems has recently led to extensive research in the field of artificial intelligence. Its key challenge is how to integrate different factors (such as temporal laws and spatial dependencies) to infer the evolution of traffic flow. To solve this problem, an integrated neural network called a traffic flow machine is proposed, which can effectively learn the display of temporal and spatial characteristics of traffic flow with an attention mechanism. The proposed network consists of two progressive convolutional long short-term memory units (ConvLSTM) connected with a convolutional layer. The first ConvLSTM unit takes normal traffic flow features as input and creates a hidden state at each time step, which is further fed into the connected convolutional layer for spatial attention map inference. The second ConvLSTM unit aims at learning the dynamic spatialtemporal representations from the attentionally weighted traffic flow features. Different models are used to predict traffic flow. Existing works simply use long short-term memory to extract features and can not fully model the spatial and temporal evolution of traffic flow. Therefore, a comprehensive unit that can learn dynamic spatial and temporal dependencies at the same time is very desirable for predicting traffic flow. Various experiments on two standard databases TaxiBJ and BikeNYC show the proper performance of the proposed method. The proposed method achieves an error of 15.31 in the TaxiBJ data set compared to the basic method of historical mean with a root mean square error of 57.79. Also, in the BikeNYC data set, the root mean square error value in the proposed method is 5.59, which is improved compared to the historical average method with an error value of 21.57.

پيش‌بيني جريان ترافيك , سامانه حمل‌ و نقل هوشمند , داده‌هاي پويا , مدل‌سازي مكاني و زماني

Traffic flow forecasting , Intelligent transportation system , Dynamic data , Temporal and spatial modeling

Anahita Soltanpour

Dr.Ali Sadr