1-1- تعریف مسئله

الف) سامانه‌های پیشرفته‌ی اطلاعات مسافرتی[5](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 به منظور استفاده‌ی بهینه از مسیرهای موجود و برقراری تعادل ترافیکی می‌باشد.

ب) سامانه‌های پیشرفته‌ی مدیریت ترافیک[6] (ATMS)که اطلاعات ترافیکی جمع­آوری شده از منابع مختلف را بررسی و یکپارچه کرده و از طریق ابزارهای کنترل ترافیک مانند سینگال‌های ترافیکی، کنترل رمپ[7] ورودی بزرگراه ها به منظور حفظ تراکم و تابلوهای اطلاع رسانی متغیر موجود در جاده‌ها، کنترل جریان ترافیکی را در دست می‌گیرند.

ج) سامانه‌های پرداخت الکترونیکی[8] (EPS) که شامل سیستم جمع‌ آوری الکترونیکی عوارض[9](ETC)، سامانه‌های پرداخت عوارض به منظور استفاده از خطوط ویژه‌ی وسایل نقلیه پرسرنشین[10] توسط وسایل تک سرنشین و همچنین قیمت‌گذاری مسیر[11] و خطوط پرترافیک می‌باشد.

د) سامانه‌های پیشرفته و هوشمند حمل‌ونقل همگانی[12] (APTS)اموری در جهت تسهیل ارائه‌ خدمات حمل‌ونقل عمومی همچون تعیین موقعیت خودکار[13] وسیله نقلیه و اطلاع رسانی به مسافران، خدمات رزرو و تعیین کرایه را نیز شامل می‌شود.

ه) سامانه‌های پیشرفته‌ی کنترل وسائل نقلیه(AVCS)[14] که شامل سامانه­ی انطباق هوشمند سرعت[15](ISA)، سامانه‌های هشدار و پیشگیری از تصادفات می‌شوند.

در حوزه‌یAITS وATMS، پیش‌بینی کوتاه مدت ترافیک از عناصر مهم موفقیت سیستم‌های حمل‌ونقل هوشمند محسوب می‌شود، چرا که در راستای کنترل ترافیک نه تنها وضعیت فعلی ترافیک بلکه وضعیت آینده‌ی ترافیک نیز حائز اهمیت است. از این رو الگوریتم‌های پیش‌بینی ترافیک مورد توجه ویژه‌ای در میان محققان این حوزه قرار گرفتند.

 2-1- چالش‌های مسئله

بطور معمول داده‌های جمع‌ آوری شده در حوزه‌ی ترافیک، بصورت سری‌های زمانی[16] در اختیار ما قرار می‌گیرند که در واقع شامل رکوردهای مختلفی هستند که در بازه های زمانی مساوی و در طی اندازه‌گیری‌های متوالی بدست می‌آیند. با بهره گرفتن از داده‌های فعلی و گذشته، مقادیر آن‌ ها در آینده پیش‌بینی می‌شوند [2]. تاکنون تکنیک‌های متفاوتی در زمینه‌ی پیش‌بینی ترافیک بکار گرفته شده است که از جمله‌ی آن‌ ها می‌توان به روش‌های کالمن فیلترینگ[17] [4,3]، متدهای آماری غیرپارامتریک [5,6] [18]، روش‌های یادگیری متوالی[7] [19]، مدل‌های شبکه‌عصبی[20] [8-11] و آنالیزهای سری‌های زمانی[13-17] اشاره کرد. از مهمترین چالش‌های اعمال این الگوریتم‌ها، حجم بالای داده‌های ترافیکی است که منجر شده تا اخیراً گرایش تحقیقات به سمت استفاده از الگوریتم‌های داده کاوی[21] باشد.

همانطور که می‌دانیم تکنیک‌های داده کاوی قابلیت استخراج اطلاعات از داده‌هایی با حجم بسیار بالا همچون داده‌های ترافیکی را دارا هستند. از میان آن‌ ها روش‌های مبتنی بر درختهای تصمیم‌گیری[22] بطور گسترده‌ای در حوزه‌ی ترافیک مورد استفاده قرار گرفته است[18,19]. همچنین متدهای یادگیری تجمعی[23] همانند بگینگ و بوستینگ با توجه به کارایی بالا، مورد توجه ویژه‌ای واقع شدند. ایده‌ی اصلی آن‌ ها ساخت مجموعه‌ای از مدل‌ها و ترکیب نتایج آن‌ ها با هدف بهبود دقت[24] یادگیری می‌باشد[47]. در شکل -11 معماری کلی الگوریتم‌های یادگیری تجمعی را می‌بینیم که از کتاب [20] آورده شده است.

[1] Information Technology

1-1- تعریف مسئله

الف) سامانه‌های پیشرفته‌ی اطلاعات مسافرتی[5](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 به منظور استفاده‌ی بهینه از مسیرهای موجود و برقراری تعادل ترافیکی می‌باشد.

ب) سامانه‌های پیشرفته‌ی مدیریت ترافیک[6] (ATMS)که اطلاعات ترافیکی جمع­آوری شده از منابع مختلف را بررسی و یکپارچه کرده و از طریق ابزارهای کنترل ترافیک مانند سینگال‌های ترافیکی، کنترل رمپ[7] ورودی بزرگراه ها به منظور حفظ تراکم و تابلوهای اطلاع رسانی متغیر موجود در جاده‌ها، کنترل جریان ترافیکی را در دست می‌گیرند.

ج) سامانه‌های پرداخت الکترونیکی[8] (EPS) که شامل سیستم جمع‌ آوری الکترونیکی عوارض[9](ETC)، سامانه‌های پرداخت عوارض به منظور استفاده از خطوط ویژه‌ی وسایل نقلیه پرسرنشین[10] توسط وسایل تک سرنشین و همچنین قیمت‌گذاری مسیر[11] و خطوط پرترافیک می‌باشد.

د) سامانه‌های پیشرفته و هوشمند حمل‌ونقل همگانی[12] (APTS)اموری در جهت تسهیل ارائه‌ خدمات حمل‌ونقل عمومی همچون تعیین موقعیت خودکار[13] وسیله نقلیه و اطلاع رسانی به مسافران، خدمات رزرو و تعیین کرایه را نیز شامل می‌شود.

ه) سامانه‌های پیشرفته‌ی کنترل وسائل نقلیه(AVCS)[14] که شامل سامانه­ی انطباق هوشمند سرعت[15](ISA)، سامانه‌های هشدار و پیشگیری از تصادفات می‌شوند.

در حوزه‌یAITS وATMS، پیش‌بینی کوتاه مدت ترافیک از عناصر مهم موفقیت سیستم‌های حمل‌ونقل هوشمند محسوب می‌شود، چرا که در راستای کنترل ترافیک نه تنها وضعیت فعلی ترافیک بلکه وضعیت آینده‌ی ترافیک نیز حائز اهمیت است. از این رو الگوریتم‌های پیش‌بینی ترافیک مورد توجه ویژه‌ای در میان محققان این حوزه قرار گرفتند.

 2-1- چالش‌های مسئله

بطور معمول داده‌های جمع‌ آوری شده در حوزه‌ی ترافیک، بصورت سری‌های زمانی[16] در اختیار ما قرار می‌گیرند که در واقع شامل رکوردهای مختلفی هستند که در بازه های زمانی مساوی و در طی اندازه‌گیری‌های متوالی بدست می‌آیند. با بهره گرفتن از داده‌های فعلی و گذشته، مقادیر آن‌ ها در آینده پیش‌بینی می‌شوند [2]. تاکنون تکنیک‌های متفاوتی در زمینه‌ی پیش‌بینی ترافیک بکار گرفته شده است که از جمله‌ی آن‌ ها می‌توان به روش‌های کالمن فیلترینگ[17] [4,3]، متدهای آماری غیرپارامتریک [5,6] [18]، روش‌های یادگیری متوالی[7] [19]، مدل‌های شبکه‌عصبی[20] [8-11] و آنالیزهای سری‌های زمانی[13-17] اشاره کرد. از مهمترین چالش‌های اعمال این الگوریتم‌ها، حجم بالای داده‌های ترافیکی است که منجر شده تا اخیراً گرایش تحقیقات به سمت استفاده از الگوریتم‌های داده کاوی[21] باشد.

همانطور که می‌دانیم تکنیک‌های داده کاوی قابلیت استخراج اطلاعات از داده‌هایی با حجم بسیار بالا همچون داده‌های ترافیکی را دارا هستند. از میان آن‌ ها روش‌های مبتنی بر درختهای تصمیم‌گیری[22] بطور گسترده‌ای در حوزه‌ی ترافیک مورد استفاده قرار گرفته است[18,19]. همچنین متدهای یادگیری تجمعی[23] همانند بگینگ و بوستینگ با توجه به کارایی بالا، مورد توجه ویژه‌ای واقع شدند. ایده‌ی اصلی آن‌ ها ساخت مجموعه‌ای از مدل‌ها و ترکیب نتایج آن‌ ها با هدف بهبود دقت[24] یادگیری می‌باشد[47]. در شکل -11 معماری کلی الگوریتم‌های یادگیری تجمعی را می‌بینیم که از کتاب [20] آورده شده است.

[1] Information Technology

[2] Intelligent Transportation System(ITS)

[3] Sensor

[4] Wireless

[5] Advanced Traveler Information Systems (ATIS)

[6] Advanced Transportation Management Systems (ATMS)

[7] Ramp Metering

[8]Electronic Payment System (EPS)

[9] Electronic Toll collection (ETC)

[10] Fee-Based Express Lanes

[11] Road Pricing

[12]Advanced Public Transportation Systems (APTS)

[13]Automatic Vehicle Location (AVL)

[14]Advanced Vehicle Control Systems (AVCS)

[15] Intelligent Speed Adaptation (ISA)

[16] Time Series

[17] Kalman filtering

[18] Nonparametric statistical methods

[19] Sequential learning

[20] Artificial Nueral Network

[21] Data Mining

[22] Decision tree

[23] Ensemble learning

[24] Accuracy

[2] Intelligent Transportation System(ITS)

[3] Sensor

[4] Wireless

[5] Advanced Traveler Information Systems (ATIS)

[6] Advanced Transportation Management Systems (ATMS)

[7] Ramp Metering

[8]Electronic Payment System (EPS)

[9] Electronic Toll collection (ETC)

[10] Fee-Based Express Lanes

[11] Road Pricing

[12]Advanced Public Transportation Systems (APTS)

[13]Automatic Vehicle Location (AVL)

[14]Advanced Vehicle Control Systems (AVCS)

[15] Intelligent Speed Adaptation (ISA)

[16] Time Series

[17] Kalman filtering

[18] Nonparametric statistical methods

[19] Sequential learning

[20] Artificial Nueral Network

[21] Data Mining

[22] Decision tree

[23] Ensemble learning

[24] Accuracy