عنوان فارسی مقاله:پیش‌بینی خودکار جریان ترافیک کوتاه‌مدت با استفاده از بهینه‌سازی پلیکان با شبکه باور عمیق ترکیبی در شهرهای هوشمند

چکیده

پیش‌بینی دقیق و به‌موقع جریان ترافیک نه تنها به کنترل‌کننده‌های ترافیک اجازه می‌دهد از ازدحام ترافیک اجتناب کنند و عملکرد استاندارد ترافیک را تضمین کنند، بلکه به مسافران کمک می‌کند تا از برنامه‌ریزی زودتر از برنامه و اصلاح سریع مسیرهای سفر استفاده کنند. بنابراین، پیش‌بینی کوتاه‌مدت جریان ترافیک با استفاده از تکنیک‌های هوش مصنوعی (AI) توجه زیادی را در شهرهای هوشمند به خود جلب کرده است. این مقاله یک پیش‌بینی جریان ترافیک کوتاه‌مدت مستقل را با استفاده از مدل شبکه باور عمیق ترکیبی بهینه (AST2FP-OHDBN) معرفی می‌کند. مدل AST2FP-OHDBN ارائه شده عمدتاً بر پیش‌بینی ترافیک با دقت بالا در فرآیند پیش‌بینی آینده نزدیک محیط‌های شهر هوشمند تمرکز دارد. مدل AST2FP-OHDBN ارائه شده در ابتدا داده‌های ترافیک را با استفاده از نرمال سازی حداقل تا حداکثر نرمال می‌کند. علاوه بر این، مدل HDBN برای پیش‌بینی جریان ترافیک در آینده نزدیک استفاده می‌شود و از DBN با رویکرد گام یادگیری تطبیقی برای افزایش نرخ هم‌گرایی استفاده می‌کند. برای افزایش دقت پیش‌بینی مدل DBN، از الگوریتم بهینه‌سازی پلیکان (POA) به عنوان یک بهینه‌ساز فراپارامتر استفاده می‌شود که به نوبه خود کارایی کلی فرآیند پیش‌بینی جریان ترافیک را افزایش می‌دهد. برای اطمینان از نتایج پیش‌بینی بهبود یافته الگوریتم AST2FP-OHDBN، می‌توان یک تحلیل تجربی گسترده را اجرا کرد. مقادیر تجربی عملکرد امیدوارکننده روش AST2FP-OHDBN را بر روی مدل‌های جدید DL با حداقل میانگین میانگین مربع خطا ۱۷٫۱۹۱۳۲ و ریشه میانگین مربع خطا ۲۲٫۶۶۳۴ گزارش کردند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Autonomous Short-Term Traffic Flow Prediction Using Pelican Optimization with Hybrid Deep Belief Network in Smart Cities

Abstract

Accurate and timely traffic flow prediction not just allows traffic controllers to evade traffic congestion and guarantee standard traffic functioning, it even assists travelers to take advantage of planning ahead of schedule and modifying travel routes promptly. Therefore, short-term traffic flow prediction utilizing artificial intelligence (AI) techniques has received significant attention in smart cities. This manuscript introduces an autonomous short-term traffic flow prediction using optimal hybrid deep belief network (AST2FP-OHDBN) model. The presented AST2FP-OHDBN model majorly focuses on high-precision traffic prediction in the process of making near future prediction of smart city environments. The presented AST2FP-OHDBN model initially normalizes the traffic data using min–max normalization. In addition, the HDBN model is employed for forecasting the traffic flow in the near future, and makes use of DBN with an adaptive learning step approach to enhance the convergence rate. To enhance the predictive accuracy of the DBN model, the pelican optimization algorithm (POA) is exploited as a hyperparameter optimizer, which in turn enhances the overall efficiency of the traffic flow prediction process. For assuring the enhanced predictive outcomes of the AST2FP-OHDBN algorithm, a wide-ranging experimental analysis can be executed. The experimental values reported the promising performance of the AST2FP-OHDBN method over recent state-ofthe-art DL models with minimal average mean-square error of 17.19132 and root-mean-square error of 22.6634.