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.
- 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.