|
پیش بینی مکانی-زمانی ترافیک با استفاده از شبکه های عصبی گرافی و واحد بازگشتی دروازه ای با رویکرد ساختار مکانی شبکه
|
فاطمه نوری الموتی*   ، محمدسعدی مسگری |
| دانشگاه صنعتی خواجه نصیرالدین طوسی |
|
|
چکیده: (342 مشاهده) |
مدیریت بهینه ترافیک شهری مستلزم پیشبینی دقیق و بههنگام وضعیت ترافیکی معابر در مقیاس مکانی–زمانی است، زیرا الگوهای تراکم ترافیکی در شبکه معابر شهری تحت تأثیر تعاملات پیچیده مکانی بین خیابانها و پویاییهای زمانی کوتاهمدت و بلندمدت قرار دارند. ازاینرو، توسعه چارچوبهایی که قادر به استخراج همزمان وابستگیهای مکانی و زمانی باشند، نقشی کلیدی در پیشبینی ترافیک و پشتیبانی از تصمیمسازی شهری ایفا میکند. در این پژوهش، یک چارچوب ترکیبی مکانی–زمانی مبتنی بر شبکههای عصبی گرافی (GNN) و واحد بازگشتی دروازهای (GRU) برای پیشبینی کلاسهای ترافیکی ارائه میشود. دادههای مورد استفاده شامل شبکه معابر چهار منطقه شهر تهران و وضعیت ترافیکی ۵۰۳۷ قطعه خیابان در بازههای زمانی ۱۵ دقیقهای طی یک دوره سهماهه است. شبکه معابر بهصورت یک گراف جهتدار مدلسازی شده و بهعنوان ورودی به شبکه عصبی گرافی در نظر گرفته شده است. بهمنظور تقویت مدلسازی مکانی، علاوه بر ماتریس همسایگی مرتبه اول، همسایگی مرتبه دوم و شاخصهای ساختاری شبکه شامل بینابینی، نزدیکی و درجه وزنی بهصورت صریح در فرآیند یادگیری گرافی ادغام شدهاند. شبکه عصبی گرافی، روابط مکانی و تعاملات ساختاری بین معابر را استخراج کرده و خروجی آن بههمراه دنبالههای زمانی وضعیت ترافیکی، به واحد بازگشتی GRU منتقل میشود تا پیشبینی در افقهای زمانی ۱۵، ۳۰ و ۶۰ دقیقهای انجام گیرد.
نتایج تجربی نشان میدهد مدل پیشنهادی (Enhanced GNN-GRU) در تمامی افقهای پیشبینی عملکرد بهتری نسبت به مدلهای پایه GRU، LSTM و GNN-GRU ارائه میدهد. بهطور مشخص، مقدار دقت (ACC) مدل Enhanced GNN-GRU در افق ۱۵ دقیقه به 0/76 و مقدار امتیاز F1 به 0/67 رسیده است که در مقایسه با مدل پایه GNN-GRU بهبود معناداری را نشان میدهد. این بهبود در افقهای زمانی بلندتر نیز بهصورت پایدار حفظ شده است. نتایج بهدستآمده نشان میدهد که ادغام صریح همسایگی چندمرتبهای و شاخصهای ساختاری شبکه، موجب تقویت مدلسازی مکانی، بهبود تمایز بین کلاسهای مختلف تراکم و افزایش پایداری پیشبینی در افقهای زمانی بلندتر میشود و نقش ساختار مکانی شبکه معابر را بهعنوان یک مؤلفه کلیدی در مدلسازی و پیشبینی ترافیک شهری برجسته میسازد.
|
|
| واژههای کلیدی: پیش بینی ترافیک، مدل های مکانی-زمانی، ساختار مکانی شبکه-شبکه های عصبی گرافی- واحدهای بازگشتی |
|
|
متن کامل [PDF 1010 kb]
(29 دریافت)
|
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 | انتشار: 1405/4/9
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
