[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 352
نرخ پذیرش: 63.3
نرخ رد: 36.7
میانگین داوری: 208 روز
میانگین انتشار: 335 روز
..
:: ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
پیش بینی مکانی-زمانی ترافیک با استفاده از شبکه های عصبی گرافی و واحد بازگشتی و ساختار مکانی شبکه
فاطمه نوری الموتی* ، محمدسعدی مسگری
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (7 مشاهده)
مدیریت بهینه ترافیک شهری مستلزم پیش‌بینی دقیق و به­هنگام وضعیت معابر در مقیاس مکانیزمانی است؛ چراکه الگوهای تراکم در شبکه معابر تحت تأثیر تعاملات پیچیده مکانی بین خیابان‌ها و تغییرات پویا در بازه‌های زمانی کوتاه و بلند مدت قرار دارند. بنابراین توسعه رویکردهایی که قادر باشند وابستگی‌های چندبعدی را به‌طور هم‌زمان در بعد مکان و زمان استخراج کنند، نقشی کلیدی در پیش­بینی ترافیک شهری و تصمیم‌سازی شهری دارد.در این پژوهش، با بهره‌گیری از داده‌های مکانی شبکه معابر چهار منطقه از شهر تهران و کلاس‌های ترافیکی استخراج‌شده از تصاویرگوگل در بازه زمانی سه‌ماهه، یک چارچوب ترکیبی مبتنی بر شبکه‌های عصبی گرافی و واحد بازگشتی برای پیش‌بینی سطح ترافیک ارائه می‌شود. شبکه معابر با استفاده از گراف جهت دار مدلسازی شده و به عنوان ورودی به شبکه عصبی گرافی در نظر گرفته می شود. به منظور ارتقای بعد مکانی این شبکه، ماتریس همسایگی مرتبه اول و دوم و همچنین ماتریس شاخص­های ساختاری شامل بینابینی، نزدیکی و درجه وزن دار به عنوان ورودی به شبکه عصبی گرافی در نظر گرفته شده است. مدل شبکه‌های عصبی گرافی روابط مکانی و تعاملات بین معابر را استخراج کرده و با داشتن دنباله های زمانی و کلاس ترافیکی به عنوان ورودی شبکه واحد بازگشتی ، پیش بینی را انجام می­دهد. این مدل وابستگی‌های مکانی و زمانی کلاس‌های ترافیک را در شبکه معابر با استفاده از داده‌های مکانی غنی شده و داده های  تاریخچه ای ترافیک مدل‌سازی می‌کند. نتایج نشان می‌دهد که چارچوب پیشنهادی قادر است الگوهای پیچیده مکانیزمانی ترافیک را به شکل مؤثرتری یادگرفته و عملکرد دقیق‌تری نسبت به مدل‌های پایه ارائه دهد. این ارتقا به دلیل اضافه کردن شاخص­های ساختاری به مدل بوده است که این موضوع  نقش ساختار مکانی شبکه را در تحلیل و پیش بینی ترافیک نشان می دهد.
 
واژه‌های کلیدی: پیش بینی ترافیک، مدل های مکانی-زمانی، ساختار مکانی شبکه-شبکه های عصبی گرافی- واحدهای بازگشتی
     
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1404/10/21 | پذیرش: 1405/3/26 | انتشار الکترونیک پیش از انتشار نهایی: 1405/3/27
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.16 seconds with 38 queries by YEKTAWEB 4745