مدیریت و تخمین ترافیک شهری با استفاده از الگوریتم های یادگیری ماشین

امروزه با افزایش جمعیت ساکن در شهرها، استفاده از وسایل نقلیه افزایش چشم گیری داشته است. همین امر سبب گرفتاری افراد در ترافیک های شهری شده که علاوه بر هدر دادن زمان بسیار ، مصرف سوخت را افزایش داده و منجر به آلودگی های زیست محیطی زیادی می شود. از این رو با کاهش ترافیک شهری علاوه بر جلوگیری از هدر رفتن وقت افراد، از اثرات مخرب ترافیک نیز جلوگیری می شود. در این زمینه تخمین حجم ترافیک این امکان را به مدیران شهری می دهد که نقاط مستعد ترافیک را قبل از شلوغی شناسایی کنند و با اتخاذ تصمیمات کارآمد(به عنوان مثال افزایش مدت زمان سبز بودن یک چراغ راهنمایی و رانندگی) از ایجاد ترافیک جلوگیری کنند. هدف از این پژوهش استفاده از یادگیری ماشین به منظور تخمین حجم ترافیک با دقت بالایی می باشد. پیش از انجام کلاسه بندی، لازم است ویژگی های وابسته در داده ها شناسایی شده و حدف شده اند زیرا وجود ویژگی های وابسته به کاهش دقت کلاسه بندی منجر شود. در ادامه با استفاده از مدل های یادگیری کلاسه بندی نظارت شده ی موجود شامل جنگل تصادفی وXgBoost برای پیش بینی ترافیک شهری استفاده شده است. در بین دو مدل استفاده شده در نهایت مدل XgBoost با کسب مقدار ۸۳/۹۹ درصد در صحت برای داده های تست در بین دو مدل عملکرد بهتری را برای تخمین تراقیک داشته است. شایان ذکر است که نتایج بدست آمده بیانگر اهمیت بالای تعداد خودروهای شهری در خیابان ها در افزایش حجم ترافیک دلالت دارد.

کلیدواژه ها:

ترافیک شهری ، مدیریت شهری ، الگوریتم های نظارت شده ، جنگل تصادفی ، XgBoost