RT - Journal Article T1 - Forecasting Traffic Load using GPS data, a data mining approach JF - kntu-jgit YR - 2015 JO - kntu-jgit VO - 3 IS - 2 UR - http://jgit.kntu.ac.ir/article-1-230-fa.html SP - 43 EP - 59 K1 - Traffic K1 - Data Mining K1 - Prediction K1 - GPS AB - در دنیای امروز افزایش چالش­های شهرنشینی و ترافیک سبب نیاز فوری به سیستم‌های کنترل ترافیک با حداکثر بهره‌وری شده است. هدر رفتن زمان و افزایش سوخت مصرفی و هم‌چنین آلودگی­های هوا و صوتی سبب شده کنترل ترافیک به یکی از مهم­ترین بحث‌های روز دنیا تبدیل شود. از جمله روش­های موجود برای رسیدن به این هدف، پیش­بینی مسیر و مقصد نهایی خودرو است. اگر مکان آینده خودروها را بتوان پیش­بینی کرد، به‌راحتی می­توان قادر به تخمین ازدحام ترافیک شد. پیش­بینی مسیر براساس مسیرهای طی شده گذشته خودرو و در نظر گرفتن مشخصه‌هایی مانند مکان شروع، ساعت، روز، ماه، مدت زمان با استفاده از روش­های داده­کاوی و شبکه­های عصبی مصنوعی امکان‌پذیر است. در این مقاله از داده­های واقعی GPS، به‌دست‌آمده از خودروها به‌منظور انجام عملیات پیش­بینی مسیر و مقصد نهایی بهره برده شده است. یکی از روش­های پیشنهادی در این مقاله به‌دست آوردن پایگاه­داده­ای از مسیرهای دقیق طی‌شده خودروها به کمک نرم‌افزار ArcGIS است، که این پایگاه‌داده سبب بالا رفتن دقت پیش‌بینی مسیر خودرو شده است. در این مقاله یک پایگاه­داده کلی شامل همه حالات شبکه­ جاده‌ای و یک پایگاه­داده پیچیده‌تر شامل چهارراه‌ها و نقاط چالشی‌تر جاده ایجاد شده است. هم‌چنین به‌منظور عملیات پیش‌بینی، دو الگوریتم قوانین انجمنی و شبکه‌های عصبی مصنوعی مورد استفاده قرار گرفته شده است. نتایج به‌دست‌آمده نشان‌دهنده دقت بسیار خوب پیش­بینی است. برطبق ارزیابی انجام‌شده، الگوریتم ANN در پایگاه­داده کلی با دقت پیش‌بینی بالای 96 درصد و الگوریتم GRI در پایگاه­داده پیچیده­تر با دقت پیش­بینی بالای 95 درصد، نتایج قابل قبولی به‌دست آورده‌اند. روش پیشنهادی و نتایج این پیش‌بینی می‌تواند به برنامه‌ریزی ترافیک و بهینه‌سازی حرکت خودروها کمک کند. LA eng UL http://jgit.kntu.ac.ir/article-1-230-fa.html M3 10.29252/jgit.3.2.43 ER -