ارائه‌ چارچوبی در راستای بهبود پیش‌بینی وضعیت ترافیک

استاد راهنما:

دکتر ستار هاشمی

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد

(در فایل دانلودی نام نویسنده موجود می باشد)

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

فهرست مطالب:

فصل اول. مقدمه

1-1- تعریف مسئله………………………… 2

1-2- چالش‌های مسئله………………………. 4

1-3- نگاهی به فصول پایان­نامه……………… 7

فصل دوم. مبانی نظری پژوهش

2-1- مقدمه…………………………….. 10

2-2- متدهای یادگیری تجمعی……………….. 11

2-2-1- تعاریف مفاهیم اولیه……………. 11

2-2-2- درخت بوستینگ………………….. 13

2-2-3- درخت بگینگ……………………. 13

2-3- رندوم فارست……………………….. 15

2-3-1- مراحل توسعه‌ی رندوم فارست……….. 16

2-3-2- تئوری‌های مرتبط با رندوم فارست…… 19

2-3-3- رندوم فارست برای رگرسیون……….. 22

2-3-4- مزایا و کاربردهای رندوم فارست…… 23

2-4- نتیجه­گیری…………………………. 24

 

فصل سوم. پیشینه پژوهش

3-1- مقدمه…………………………….. 26 دانلود متن کامل در سایت sabzfile.com

3-2- تعریف مسئله……………………….. 26

3-3- روش‌های مبتنی بر آنالیزهای سری زمانی….. 29

3-4- روش‌های مبتنی بر مدل‌های شبکه عصبی…….. 32

3-5- روش‌های مبتنی بر الگوریتم‌های داده­کاوی…. 34

فصل چهارم. معرفی تکنیک پیشنهادی

4-1- مقدمه…………………………….. 40

4-2- خصوصیات کلی پایگاه داده…………….. 41

4-3- پایگاه داده­ی مورد بهره گیری…………… 42

4-3-1- داده‌ی آموزشی………………….. 44

4-3-2- داده‌ی آزمایشی…………………. 44

4-4- تکنیک پیشنهادی…………………….. 45

4-4-1- مطالعه توزیع جریان‌های 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   56

 

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- مطالعه 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 داده‌ی اعتبارسنجی  67

5-7- استخراج مجموعه‌های نمونه‌های آموزشی……. 70

5-8- نتایج یادگیری الگوریتم بر روی مجموعه‌های نمونه‌های آموزشی 72

 

فصل ششم. نتیجه‌گیری

اختصار­ی مطالب و نتیجه­ گیری………………… 75

 

فهرست منابع و مآخذ……………………… 78

 

فهرست جدول‌ها

جدول شماره 4-1: تبیین مفاهیم و معادل ترم‌های مورد بهره گیری   45

جدول شماره 5-1: مقایسه میانگین خطای الکوریتم­های مختلف weka    64

جدول شماره 5-2: مقایسه خطای الگوریتم بگینگ و رندوم فارست 66

 

فهرست شکل‌ها

شکل 1-1:  معماری کلی مربوط به متدهای یادگیری تجمعی  6

شکل 2-1: معماری کلی الگوریتم بگینگ……….. 14

شکل 2-2:  نمایی کلی از الگوریتم رندوم فارست.. 16

شکل 2-3: معماری کلی مربوط به الگوریتم رندوم فارست   20

شکل 4-1: صفحه‌ی نمایش شبیه ساز ترافیک TSF…… 42

شکل 4-2: نقشه‌ی شهر Warsaw، اعمال شده بهTSF….. 43

شکل 4-3: نمایش نمادین اعمال تکنیک پیشنهادی… 46
شکل 4-4: توزیع جریان‌های ترافیکی مسیرها……. 47
شکل 4-5: ارائه‌ی دید دقیق‌تر در خصوص رفتار جریان‌های ترافیکی    48

شکل 4-6: نمایش نمادین طریقه انجام مرحله گردآمدگی 50

شکل 4-7: نمودار الزامات معیار شباهت مناسب…. 53

شکل 4-8: جریانهای ترافیکی مسیرها مربوط به دو context    55

شکل 5-1: مثالی از چگونگی اعمال مراحل گردآمدگی 68

شکل 5-2: مقایسه­ی خطا روشها با اعمال سایزهای مختلف گردآمدگی   69

شکل 5-3: مراحل نمادین استخراج مجموعه نمونه آموزشی   71

شکل 5-4: مقایسه خطای تکنیک پیشنهادی و روش Ensemble RF

چکیده

امروزه موفقیت سیستم­های حمل­و­نقل هوشمند، نه تنها به اطلاعات وضعیت فعلی ترافیک، بلکه تا حد زیادی به آگاهی از وضعیت ترافیکی دقایق آینده وابسته می باشد. از این­رو، تحقیقات زیادی در زمینه­ پیش­بینی­ کوتاه­­مدت وضعیت ترافیکی انجام شده می باشد. 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 می باشد تا ماهیت نوساناتی و وابسته به زمان داده­ها نیز در طریقه یادگیری مدل لحاظ گردد. در این راستا، این پایان­نامه با مطالعه­ی توزیع جریان­های ترافیکی، کوشش در جداسازی رفتارهای مربوط به پریودهای اوج و غیر­اوج ترافیکی و همچنین بهره گیری از مفاهیم و دانش بدست­آمده برای آموزش مدل­های متمایز متناظر با رفتارهای مختلف ترافیکی دارد. شایان ذکر می باشد که حتی در صورتی­که زمان مرتبط با داده‌ها صریحاً در اختیار نباشد، روش پیشنهادی با مطالعه توزیع داده­، طریقه جریان‌های 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 می­گردد. به مقصود ارزیابی روش ارائه شده، آزمایشاتی بر روی داده­­ی بخش ترافیک مسابقه بین­المللی داده­کاوی سال 2010 انجام گردید. نتایج حاصل، مؤید کارایی و مقیاس­پذیری روش پیشنهادی در مقایسه با دیگر نتایج بدست آمده توسط تیم­های برتر مسابقه، می­باشد.
مقدمه

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه ارشد مهندسی کامپیوتر: استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره

1-1    تعریف مسئله

امروزه، با در نظر داشتن گسترش روزافزون مطالبات حمل‌ونقل و بروز معضلات ناشی از افزایش ترافیک شهری، ازجمله آلودگی هوا، آلودگی صوتی، مصرف سوخت، اتلاف وقت و انرژی و هزینه‌های تحمیلی آنها، ارائه راهکار مناسب درجهت روان شدن ترافیک از اهمیت ویژه‌ای برخوردار می باشد. از طرفی باتوجه به محدودیت‌های امکانات شهرسازی پیش روی تقاضای انبوه وسایل نقلیه، لازم می باشد تا تمهیداتی کاربردی و امکان‌پذیر برای حل این معضل درنظر گرفته ‌گردد. ازآنجا که تاکنون فناوری اطلاعات[1] تأثیر مؤثری درعرصه‌های مختلف

صنعتی اعمال کرده می باشد، ورود این تکنولوژی در زمینه‌ی سیستم‌های حمل‌ونقل نیز بعنوان راهکاری مناسب مورد توجه قرارگرفت و منجر به پدیدآمدن سیستم‌های حمل‌ونقل هوشمند[1] گردید. در واقع تکنولوژی فناوری اطلاعات به عناصر سیستم حمل‌ونقل این امکان را می‌دهد تا با بکارگیری حسگر[2]ها و میکروچیپ‌ها و ارتباط آنها از طریق تکنولوژی بی­سیم[3]، تبدیل به یک سیستم هوشمند شوند. امروزه سیستم حمل‌ونقل هوشمند با تشکیل سامانه‌ای متشکل از حسگرهای دریافت داده، سامانه‌های پردازش اطلاعات و سامانه‌های ارائه‌ی اطلاعات به بهره گیری کنندگان، گامی مؤثر در راستای مدیریت سیستم حمل‌ونقل و بهره گیری هوشمندانه از زیرساختارهای موجود، برداشته می باشد [1]. بطور مثال این سیستم با بکارگیری فناوری‌های متفاوتی همچون هدایت خودرو و سیستم کنترل چراغ‌های راهنمایی، تابلوهای اعلان ترافیک، دوربین سرعت‌سنج و سیستم خودکار شناسایی شماره‌ی خودرو گرفته تا سیستم‌های پیشرفته و پیچیده‌تری که بطور همزمان اطلاعات متفاوتی مانند وضعیت آب و هوا، وضعیت ترافیک، وضعیت جاده‌ها را از منابع متفاوت یکپارچه می­کند، کنترل این حوزه را بدست‌ گرفته‌ می باشد. مانند دستاوردهای مهم بکارگیری سیستم حمل‌ونقل هوشمند می‌توان به کاهش ترافیک، کاهش حوادث و تصادفات، امکان انتخاب مسیرهای بهینه با در نظر داشتن وضعیت مسیرها، مدیریت حمل‌ونقل عمومی و وسائل نقلیه‌ی امدادی و همچنین امکان اخذ الکترونیکی مورد هایی همچون عوارض، هزینه‌ی پارکینگ و خرید بلیط که منجر به صرفه جویی در سوخت وانرژی و کاهش هزینه‌های تحمیلی می­گردد، تصریح نمود. عموماً سیستم‌های حمل ونقل هوشمند را تحت عنوان پنج گروه اصلی مطالعه می­کنند که هرکدام حوزه‌های مختلف از این سامانه را شامل می­شوند؛

الف) سامانه‌های پیشرفته‌ی اطلاعات مسافرتی[4](ATIS) که وظیفه‌ی آن فراهم آوردن اطلاعات وضعیت فعلی ترافیکی و جوّی جاده‌ها، تصادفات و تعمیرات جاده‌ای و همچنین اطلاع رسانی به مسافران و کاربران بمنظور بهره گیری‌ی بهینه از مسیرهای موجود و برقراری تعادل ترافیکی می‌باشد.

ب) سامانه‌های پیشرفته‌ی مدیریت ترافیک[5]  (ATMS)که اطلاعات ترافیکی جمع­آوری شده از منابع مختلف را مطالعه و یکپارچه کرده و از طریق ابزارهای کنترل ترافیک مانند سینگال‌های ترافیکی، کنترل رمپ[6] ورودی بزرگراه ها به مقصود حفظ تراکم و تابلوهای اطلاع رسانی متغیر موجود در جاده‌ها، کنترل جریان ترافیکی را در دست می‌گیرند.

ج) سامانه‌های پرداخت الکترونیکی[7] (EPS) که شامل سیستم جمع‌آوری الکترونیکی عوارض[8](ETC)، سامانه‌های پرداخت عوارض بمنظور بهره گیری از خطوط ویژه‌ی وسایل نقلیه پرسرنشین[9] توسط وسایل تک سرنشین و همچنین قیمت‌گذاری مسیر[10] و خطوط پرترافیک می‌باشد.

د) سامانه‌های پیشرفته و هوشمند حمل‌ونقل همگانی[11] (APTS)اموری در جهت تسهیل ارائه‌ی خدمات حمل‌ونقل عمومی همچون تعیین موقعیت خودکار[12] وسیله نقلیه و اطلاع رسانی به مسافران، خدمات رزرو و تعیین کرایه را نیز شامل می گردد.

ه) سامانه‌های پیشرفته‌ی کنترل وسائل نقلیه(AVCS)[13] که شامل سامانه­ی انطباق هوشمند سرعت[14](ISA)، سامانه‌های هشدار و پیشگیری از تصادفات می شوند.

در حوزه‌یAITS  وATMS، پیش‌بینی کوتاه مدت ترافیک از عناصر مهم موفقیت سیستم‌های حمل‌ونقل هوشمند به شمار می رود، زیرا که در راستای کنترل ترافیک نه تنها وضعیت فعلی ترافیک بلکه وضعیت آینده‌ی ترافیک نیز مهم می باشد. از این رو الگوریتم‌های پیش‌بینی ترافیک مورد توجه ویژه‌ای در میان محققان این حوزه قرار گرفتند.

  جستجو در سایت :   

تعداد صفحه : 109

قیمت : 14700 تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :        ****       serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  *** ***