جهت رفتارسنجی ترافیک در کلانشهرها، علاوه بر نیاز به دادههای ترافیکی به روز و حجیم، نیاز به ارائه و استفاده از روشهایی برای تحلیل رفتار ترافیک جهت پیش بینی آن است. موضوع پیش بینی ترافیک، از این جهت مورد توجه است که می توان با رسیدن به این هدف، حمل و نقل را رونق بخشید و از بار اقتصادی که هر ساله بر جوامع مختلف وارد می شود، کم کرد. به همین دلیل، باید به دنبال راه حلهایی برای پیش بینی ترافیک بود.در این میان، استفاده از علمی به نام شبکههای عصبیمی تواند بسیار کابردی باشد. در این پژوهش، ابتدا سامانه ای طراحی شد تا بتواند دادههای ترافیکی مورد نیاز پژوهش را جمع آوری کند. موضوع دستیابی به دادههای ترافیکی همواره معضلی بوده است که تمامی دغدغه مندان این حوزه با آن مواجه بوده اند. از این رو در پژوهش حاضر ابتدا با طراحی یک سامانه جهت جمع آوری دادههای ترافیکی به رفع معضل مورد نظر پرداخته شد. در مرحلهی بعد، دادههای ترافیکی جمع آوری شده فراخوانی میگردد و با استفاده از اعمالی که برای استاندارد سازی و نرمالیزه سازی آن انجام شد، میزان خطا با استفاده از دادههای تست و آموزشی محاسبه گردید. در این مرحله، میزان خطا با مطلوبیت 72 درصد به دست آمد. در مرحلهی بعدی، تحلیل دادههای ترافیکی با استفاده از ترکیب شبکه عصبی پایه و موجک انجام شد و میزان خطا محاسبه شد. نتایج نشان میدهد که محاسبات با استفاده از تبدیلات موجک دقیق تر است ولی به دلیل تعداد ورودیهای کمتر، مقادیر خطا با استفاده از دادههای تست و آموزشی، 28 درصد محاسبه گردید. به عبارت دیگر میزان مطلوبیت حدود 72 درصد به دست آمد. در مرحله ی آخر هم دادههای ترافیکی جمع آوری شده با استفاده از الگوریتمهای بهینه سازی، بهینه شدند و بهترین نقطه با کمترین خطای ممکن برای هر الگوریتم بهینه سازی، محاسبه گردید.
Ghasempoor Z, Behzadi S. Traffic Modeling and Prediction Using Basic Neural Network and Wavelet Neural Network Along with Traffic Optimization Using Genetic Algorithm, Particle Swarm, and Colonial Competition. JGST 2021; 10 (3) :147-163 URL: http://jgst.issgeac.ir/article-1-958-fa.html
قاسم پور زینب، بهزادی سعید. مدلسازی و پیش بینی ترافیک با استفاده از شبکه ی عصبی پایه و شبکه ی عصبی موجک و به کارگیری سه الگوریتم فراابتکاری ژنتیک، ازدحام ذرات و رقابت استعماری جهت بهینه سازی. علوم و فنون نقشه برداری. 1399; 10 (3) :147-163
