مدل neural-kalman filtering برای برآورد حالات ترافیکی در میادین

مسائل و مشکلات ناشی از جریان های ترافیکی علاوه بر اینکه به جامعه زیان اقتصادی می رسانند، بلکه به دلیل آسیب رسانی به طبیعت، در دراز مدت به محیط زیست نیز صدمات جبران ناپذیری وارد می سازند. چیزی که ضروری می نماید اتخاذ سریع و موثر سیاست هایی است که این مسائل و مشکلات را حل نماید. میادین به عنوان راه حلی برای رفع مشکلات ناشی از ترافیک در تقاطع ها و همچنین ایجاد سهولت و ایمنی در حرکات برخوردی ایجاد می شود. شبیه سازی جریان های ترافیکی در میادین به طور روزافزونی بوسیله ی برنامه ریزان و مهندسان جهت ارزیابی تاثیر پیشنهادات برای عملیات های ترافیکی عصر حاضر و آینده مورد استفاده قرار می گیرد. بدیهی است برآورد دقیق از جریان های ترافیکی میادین، برنامه ریزی دقیق و بهینه ای را به همراه خواهد داشت. مدل های صرفا کمی که تنها بر پایه روابط ریاضی استوار هستند به دلیل عدم انعطاف و دور بودن از محیط کیفی قادر به تخمین دقیق حالات ترافیکی نخواهد بود. در این تحقیق برآنیم با ارائه مدلی کمی – کیفی متغیرهای ترافیکی را در میادین بهبود داده و نسبت به دیگرمدل ها برآوردی دقیق تر از جریان های ترافیکی ارائه دهیم. چنین مدلی از خطاهای انسانی و برداشت دستگاهی نیز تقریبا دور خواهد بود. فیلتر کالمن، ابزاری قدرتمند برای برآورد متغیرهای حالتی یک سیستم دینامیکی بوده و مدل شبکه عصبی از جمله مدل های ممتازی است که قادر است، پدیده های غیرخطی و ناپایدار را به دقت توصیف کرده و ساختارشان را به طور انعطاف پذیری سازمان دهی کند. در این تحقیق تکنیک فیلتر کالمن را با مدل شبکه عصبی چند لایه، برای برآورد حالات ترافیکی یک میدان ادغام نمودیم. به وسیله ی مدل های عصبی، مشخصه های غیر خطی جریان های ترافیکی مطرح شده و ماتریس های مشتق در فیلتر به راحتی به دست آمدند. همچنین، مدل های عصبی برای هر دو معادلات حالتی و مشاهده ای تولید ماتریس-های مشتق دینامیکی را که نیازمند فیلتر کالمن است به آسانی ممکن ساخت. این شیوه جدید در میدان بزرگمهر کلانشهر اصفهان اعمال و مورد تجزیه و تحلیل قرار گرفت. نتایج حاصل حاکی از آن بود که، برآورد مدل ساخته شده این تحقیق نسبت به دیگر مدل ها دقیق تر و به جریان واقعی نزدیکتر است. در قرن حاضر و در هزاره سوم، افزایش جمعیت شهرها با مشکلات عدیده ی همراه خود، وظایف تصمیم گیران و مدیران شهری را بیش از پیش دشوارتر نموده است. با افزایش جمعیت شهرها میل به تقاضای سفر بیشتر شده و این امر مشکلات حمل و نقلی، تردد بیش از حد، ترافیک، قفل شدگی مراکز شهری و... را به دنبال خواهد داشت مسائل و مشکلات ناشی از تراکم ترافیکی علاوه بر اینکه به جامعه زیان اقتصادی می رسانند، بلکه به دلیل آسیب رسانی به طبیعت، در دراز مدت به محیط زیست نیز صدمات جبران ناپذیری وارد می نمایند. چیزی که ضروری می نماید اتخاذ سریع و موثر سیاست هایی است که این مسائل و مشکلات را حل نماید. بدیهی است تحلیل و ارزیابی این سیاست ها روی خود جریان های ترافیکی امری دشوار و غیراقتصادی است، برای فائق آمدن بر این مشکل، می توان با شبیه سازی جریان های ترافیکی تاثیرات هر کدام از طرح های مورد نظر را مورد بررسی قرار داد. در این تحقیق، جهت برآورد دقیق تر حالات ترافیکی در یک میدان، ما مدل شبکه عصبی چند لایه را با شیوه فیلتر کالمن ترکیب نمودیم. همچنین بررسی کردیم که چگونه یک مدل شبکه عصبی چند لایه می تواند هر دو معادله حالتی و مشاهده ای را توصیف کند. دست آخر، ما برای صحت سنجی مدل ساخته شده، این مدل را به میدان بزرگمهر کلانشهر اصفهان اعمال کرده و نتایج به دست آمده از آن را با مدل ماکروسکوپی مقایسه نمودیم. برخی از نتایج به دست آمده به شرح زیر است: 1- با ترکیب مدل شبکه عصبی و تکنیک فیلتر کالمن، شیوه ای نو و دقیق برای برآورد حالات ترافیکی یک میدان ارائه گردید. 2- مدل های شبکه عصبی برای معادلات حالتی و مشاهده ای این امکان را داد که، ماتریس های مشتق دینامیکی مورد نیاز فیلتر کالمن را به راحتی تولید کند. 3- مدل ساخته شده در این تحقیق، با رویکرد کمی – کیفی و به دلیل اینکه فاقد خطاهای انسانی و برداشت دستگاهی است، از دقت بالاتری برخوردار است. 4- مدل neural-kalman filtering برای میدان بزرگمهر اصفهان به کار گرفته شد. برآورد این شیوه در مقایسه با مدل ماکروسکوپی به مراتب بهتر و دقیق تر بود. 5. خطای ریشه میانگین مربعات rmse به عنوان یک شاخص ارزیابی در این تحقیق به کار گرفته شد. این خطا در مدل nkf مقدار کمتری نسبت به مدل msf به دست داد. 6. هدف از این تحقیق، ارائه مدلی بود که نسبت به مدل های ماکروسکوپی و کمی برآوردی دقیق تر از متغیرهای ترافیکی را داشته باشد، با مقایسه نتایج حاصل از مدل به کار رفته در این تحقیق با مدل ماکروسکوپی، دستیابی به این مهم حاصل شد.