41

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

4-3-1- داده ی آموزشی…………………………………………………………………………………………………. 44

4-3-2- داده ی آزمایشی………………………………………………………………………………………………. 44

4-4- تکنیک پیشنهادی………………………………………………………………………………………………………. 45

4-4-1- بررسی توزیع جریان های 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……………….

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 داده یاعتبارسنجی……………………………………………… 67

5-7- استخراج مجموعه های نمونه های آموزشی…………………………………………………………. 70

5-8- نتایج یادگیری الگوریتم بر روی مجموعه های نمونه های آموزشی…………………….. 72

فصل ششم. نتیجه گیری

خلاصه­ مطالب و نتیجه­ گیری…………………………………………………………………… 75

فهرست منابع و مآخذ……………………………………………………………………………….. 78

چکیده:

امروزه موفقیت سیستم­های حمل­ و­نقل 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 زمینه­ 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 پایان­ نامه با مطالعه­ توزیع جریان­های ترافیکی، سعی در جداسازی رفتارهای مربوط به پریودهای اوج و غیر­اوج ترافیکی و همچنین استفاده از مفاهیم و دانش بدست­ آمده برای آموزش مدل­های متمایز متناظر با رفتارهای مختلف ترافیکی دارد. شایان ذکر است که حتی در صورتی­که زمان مرتبط با داده ها صریحاً در اختیار نباشد، روش پیشنهادی با بررسی توزیع داده­، روند جریان های ترافیکی را تشخیص می­دهد. بدین ترتیب، رندوم فارست بعنوان مدل پیش­بینی­کننده، از زمینه­ 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 بین ­المللی داده­کاوی سال 2010 انجام شد. نتایج حاصل، مؤید کارایی و مقیاس­ پذیری روش پیشنهادی در مقایسه با دیگر نتایج بدست آمده توسط تیم­های برتر مسابقه، می­باشد.

فصل اول: مقدمه

1-1- تعریف مسئله

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

الف) سامانه های پیشرفته ی اطلاعات مسافرتی[5](ATIS) که وظیفه ی آن فراهم آوردن اطلاعات وضعیت فعلی ترافیکی و جوّی جاده ها، تصادفات و تعمیرات جاده ای و همچنین اطلاع رسانی به مسافران و کاربران بمنظور استفاده ی بهینه از مسیرهای موجود و برقراری تعادل ترافیکی می باشد.

ب) سامانه های پیشرفته ی مدیریت ترافیک[6] (ATMS)که اطلاعات ترافیکی جمع­آوری شده از منابع مختلف را بررسی و یکپارچه کرده و از طریق ابزارهای کنترل ترافیک مانند سینگال های ترافیکی، کنترل رمپ[7] ورودی بزرگراه ها به منظور حفظ تراکم و تابلوهای اطلاع رسانی متغیر موجود در جاده ها، کنترل جریان ترافیکی را در دست می گیرند.

ج) سامانه های پرداخت الکترونیکی[8] (EPS) که شاملسیستم جمع آوری الکترونیکی عوارض[9](ETC)، سامانه های پرداخت عوارض بمنظور استفاده از خطوط ویژه ی وسایل نقلیه پرسرنشین[10] توسط وسایل تک سرنشین و همچنین قیمت گذاری مسیر[11] و خطوط پرترافیک می باشد.

د) سامانه های پیشرفته و هوشمند حمل ونقل همگانی[12] (APTS)اموری در جهت تسهیل ارائه ی خدمات حمل ونقل عمومی همچون تعیین موقعیت خودکار[13] وسیله نقلیه و اطلاع رسانی به مسافران، خدمات رزرو و تعیین کرایه را نیز شامل می شود.

ه) سامانه های پیشرفته ی کنترل وسائل نقلیه(AVCS)[14] که شامل سامانه­ی انطباق هوشمند سرعت[15](ISA)، سامانه های هشدار و پیشگیری از تصادفات می شوند.

در حوزه یAITS وATMS، پیش بینی کوتاه مدت ترافیک از عناصر مهم موفقیت سیستم های حمل ونقل هوشمند محسوب می شود، چرا که در راستای کنترل ترافیک نه تنها وضعیت فعلی ترافیک بلکه وضعیت آینده ی ترافیک نیز حائز اهمیت است. از این رو الگوریتم های پیش بینی ترافیک مورد توجه ویژه ای در میان محققان این حوزه قرار گرفتند.

2-1- چالش های 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 می کنند. 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. ازین رو پیش­بینی وضعیت آینده ترافیک از جمله مباحث مهم برای این مراکز به حساب می آید تا با استفاده از آن استراتژی های لازم جهت جلوگیری از تراکم و هشدار به رانندگان جهت انتخاب مسیر بهینه، صورت گیرد. تاکنون تحقیقات متعددی در خصوص پیش بینی وضعیت ترافیکی آینده انجام شده است که در واقع با استفاده از داده های ثبت شده از وضعیت فعلی ترافیک، ترافیک مربوط به زمان های آتی را پیش بینی می کنند.

بطور معمول داده های جمع آوری شده در حوزه ی ترافیک، بصورت سری های زمانی[16] در اختیار ما قرار می گیرند که در واقع شامل رکوردهای مختلفی هستند که در بازه های زمانی مساوی و در طی اندازه گیری های متوالی بدست می آیند. با استفاده از داده های فعلی و گذشته، مقادیر آن ها در آینده پیش بینی می شوند [2]. تاکنون تکنیک های متفاوتی در زمینه ی پیش بینی ترافیک بکار گرفته شده است که از جمله ی آن ها می توان به روش های کالمن فیلترینگ[17] [4,3]، متدهای آماری غیرپارامتریک [5,6] [18]، روش های یادگیری متوالی[7] [19]، مدل های شبکه عصبی[20] [8-11] و آنالیزهای سری های زمانی[13-17] اشاره کرد. از مهمترین چالش های اعمال این الگوریتم ها، حجم بالای داده های ترافیکی است که منجر شده تا اخیراً گرایش تحقیقات به سمت استفاده از الگوریتم های داده کاوی[21] باشد.

همانطور که می دانیم تکنیک های داده کاوی قابلیت استخراج اطلاعات از داده هایی با حجم بسیار بالا همچون داده های ترافیکی را دارا هستند. از میان آن ها روش های مبتنی بر درختهای تصمیم گیری[22] بطور گسترده ای در حوزه ی ترافیک مورد استفاده قرار گرفته است[18,19]. همچنین متدهای یادگیری تجمعی[23] همانند بگینگ و بوستینگ با توجه به کارایی بالا، مورد توجه ویژه ای واقع شدند. ایده ی اصلی آن ها ساخت مجموعه ای از مدل ها و ترکیب نتایج آن ها با هدف بهبود دقت[24] یادگیری می باشد[47]. در شکل -11 معماری کلی الگوریتم های یادگیری تجمعی را می بینیم که از کتاب [20] آورده شده است.

[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)