مسیریابی با استفاده از داده کاوی داده های ترافیک و الگوریتم فرا ابتکاری زنبورعسل

داده های ترافیک اندازه گیری شده به وسیله ایستگاه های شمارش ترافیک یکی از با ارزش ترین داده ها در زمینه ی حمل و نقل هوشمند است که در بسیاری از آنالیز ها از جمله استخراج زمان سفر از یک نقطه به نقطه دیگر کاربرد دارند. دو نوع کلی ایستگاه شمارش ترافیک وجود دارد که نوع اول آن دسته از ایستگاه هایی هستند که به طور پیوسته، و نوع دوم آن دسته ایستگاه هایی هستند که در طول یک بازه زمانی کوتاه مدت به اندازه گیری ترافیک می پردازند. بسیاری از تحلیل های مربوط به ترافیک مثل تخمین زمان سفر نیازمند استفاده از داده های کامل ترافیک است؛ بنابراین ارائه روشی برای محاسبه ی حجم ترافیک در زمان های اندازه گیری نشده در ایستگاه های شمارش کوتاه مدت ضروری است. در این تحقیق ابتدا با استفاده از شبکه عصبی و داده های ایستگاه های شمارش پیوسته تخمین داده های ترافیک غیر موجود در ایستگاه های شمارش کوتاه مدت پرداخته شده است. 80 درصد داده ها به عنوان داده های آموزش شبکه و 20 درصد داده ها به عنوان داده های تست شبکه مورد استفاده قرار گرفت. mse داده های آموزش و تست به ترتیب 00941/0 و 01031/0 به دست آمد. . نتایج موردی از نتیجه مدل سازی شبکه عصبی از داده های شمارش کوتاه مدت است. میانگین تفاضل عدد ترافیک و ترافیک مدل شده با شبکه عصبی 4/8 و میانگین درصد خطا تقریبا 8 درصد است. نتایج نشان دهنده این واقعیت است که روش پیشنهادی، مناسب برای مدل سازی الگو های ترافیک و تعمیم آنها برای تخمین ترافیک ایستگاه های شمارش کوتاه مدت است. در ادامه تحقیق با استفاده از الگوریتم زنبور عسل و داده های تخمین زده شده، به مسیریابی پرداخته شد. پیاده سازی این الگوریتم صرفا جهت تست این روش برای مسیریابی با داده های ترافیک است. انحراف معیار مقدار تابع بهینگی در 10 تکرار برای یک مسیر خاص 580/27 ثانیه بود که در مقایسه با مقدار تابع بهینگی که 198/4350 ثانیه است مقدار قابل قبولی است.