اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدلمحة عن بعض الطرق المدروسة للتنبؤ بالكثافة المرورية
Traffic Density Prediction state of the art
990
0 21
0
(
0
)
تمت اﻹضافة من قبل
wedad zein
اسأل ChatGPT حول البحث
ازدادت الحاجة لأنظمة التنبؤ المرورية وأصبحت حاجة ضرورية وملحة في أنظمة إدارة المرور المتقدمة، ذلك لأن توقع كثافة المرور يقلل الازدحام المروري ويسهل حركة السير. ومع وجود تنبؤ دقيق بحالة المرور سيكون بمقدورنا تطوير نظام إدارة مرورية متطور ونظام استعلامات متطور للمسافرين. التحدي الذي يواجه مشكلة نمذجة حالة المرور هو الخصائص المعقدة للعمليات المرورية العشوائية. معلومات التسلسل الزمني للكثافة المرورية، والسرعات، والتمركز المروري والتي يتم جمعها من مواقع مختلفة تمتلك خصائص مختلفة عن بعضها، وبذلك عملية التنبؤ بالكثافة المرورية المستقبلية ليست عملية بديهية، ويناقش هذا البحث عدة طرق قامت بتقديم حلول لهذه المشكلة.
No English abstract
مراجعة الذكاء الصنعي:
ملخص البحث
تناقش هذه الدراسة مشكلة التنبؤ بكثافة المرور باستخدام تقنيات مختلفة من الذكاء الاصطناعي. تتضمن الدراسة عدة طرق منها استكشاف المعرفة باستخدام البرمجة الجينية للشبكات (GNP)، التنبؤ باستخدام نظرية بايز والشبكات العصبية من نوع RBF، والتنبؤ باستخدام المرمزات الآلية المتكدسة (SAE). كما تتناول الدراسة تحسين نموذج دعم المتجهات (SVM) باستخدام خوارزمية تحسين أسراب الجسيمات (PSO). تهدف هذه الطرق إلى تحسين دقة التنبؤ بكثافة المرور وتقليل الازدحام المروري. تقدم الدراسة تحليلًا مفصلًا لكل طريقة، بما في ذلك الخطوات الرياضية والمعادلات المستخدمة، وتقييم أداء كل طريقة بناءً على معايير مختلفة مثل متوسط الخطأ المطلق (MAE)، متوسط الخطأ النسبي المطلق (MARE)، وجذر متوسط الخطأ المربع (RMSE).
قراءة نقدية
تقدم الدراسة تحليلًا شاملًا لمشكلة التنبؤ بكثافة المرور باستخدام تقنيات الذكاء الاصطناعي المختلفة. ومع ذلك، هناك بعض النقاط التي يمكن تحسينها. أولاً، الدراسة تعتمد بشكل كبير على المعادلات الرياضية والتفاصيل التقنية، مما قد يجعلها صعبة الفهم للقراء غير المتخصصين. ثانياً، لم يتم تقديم تحليل مقارن شامل بين الطرق المختلفة لتوضيح أي منها هو الأكثر فعالية في سيناريوهات مختلفة. وأخيرًا، الدراسة تفتقر إلى تطبيقات عملية أو تجارب ميدانية لتأكيد فعالية الطرق المقترحة في بيئات حقيقية.
أسئلة حول البحث
-
ما هي الطرق المختلفة التي تم استخدامها في الدراسة للتنبؤ بكثافة المرور؟
تم استخدام عدة طرق منها استكشاف المعرفة باستخدام البرمجة الجينية للشبكات (GNP)، التنبؤ باستخدام نظرية بايز والشبكات العصبية من نوع RBF، والتنبؤ باستخدام المرمزات الآلية المتكدسة (SAE)، وتحسين نموذج دعم المتجهات (SVM) باستخدام خوارزمية تحسين أسراب الجسيمات (PSO).
-
ما هي المعايير المستخدمة لتقييم أداء طرق التنبؤ المختلفة؟
تم استخدام عدة معايير لتقييم الأداء منها متوسط الخطأ المطلق (MAE)، متوسط الخطأ النسبي المطلق (MARE)، وجذر متوسط الخطأ المربع (RMSE).
-
ما هي التحديات التي تواجه مشكلة نمذجة حالة المرور؟
التحديات تشمل الخصائص المعقدة للعمليات المرورية العشوائية، وتنوع معلومات التسلسل الزمني للكثافة المرورية، والسرعات، والتمركز المروري التي يتم جمعها من مواقع مختلفة.
-
كيف يتم تحسين نموذج دعم المتجهات (SVM) باستخدام خوارزمية تحسين أسراب الجسيمات (PSO)؟
يتم تحسين نموذج دعم المتجهات (SVM) باستخدام خوارزمية تحسين أسراب الجسيمات (PSO) من خلال تهيئة معاملات PSO، تدريب نموذج SVM، حساب سرعة وموقع كل جزئية، وتكرار العملية حتى تحقيق أفضل نموذج SVM.
المراجع المستخدمة
Huiyu Zhou. and Kotaro Hirasawa. 2014 - Traffic Density Prediction with Time-Related Data Mining using Genetic Network Programming. The British Computer Society. Vol. 57 No. 9, Feb.
Yongfu Li · Xiao Jiang · Hao Zhu., Xiaozheng He · Srinivas Peeta·, Taixiong Zheng · Yinguo Li. 2016 - Multiple measures-based chaotic time series for traffic flow prediction based on Bayesian theory. Nonlinear Dyn. DOI 10.1007/s11071-016-2677-5.
Stathopoulos, A., Karlaftis, M.G. 2003 - Amultivariate state-space approach for urban traffic flow modeling and prediction. Transp. Res. Part C 11(2), 121–135
Kim, H.S., Eykholtb, R., Salasc, J.D. 1999 - delay times and embedding windows. Nonlinear dynamics, Phys. D 127, 48–60.
Yisheng Lv, Yanjie Duan, Wenwen Kang, Zhengxi Li, and Fei-Yue Wang. 2014 - Traffic Flow Prediction with Big Data: A Deep Learning Approach. IEEE, 1524-9050.
Y. Bengio, P. Lamblin, D. Popovici, and H. Larochelle. 2007 - Greedy layerwise training of deep networks, Proc. Adv. NIPS, pp. 153–160.
G. E. Hinton, S. Osindero, and Y.-W. The. Jul. 2006- A fast learning algorithm for deep belief nets, Neural Comput., vol. 18, no. 7, pp. 1527–1554
Huaizhong Gu, Jian Lu, and Qingchao Liu. 2016 - Traffic Volume Prediction Based on Cost Factor Optimization of Support Vector Machine Regression. University of Western Ontario.
قيم البحث
اقرأ أيضاً
لتوصيل المعلومات بوضوح وكفاءة ، يستخدم تمثيل البيانات رسومات إحصائية ومعلومات وأدوات أخرى. قد يتم تشفير البيانات الرقمية باستخدام نقاط أو خطوط أو أشرطة لتوصيل المعلومات بصريًا. التمثيل الفعال يساعد المستخدمين على تحليل البيانات وتفسيرها، فهو يجعل الب
يانات المعقدة سهلة الوصول ومفهومة وقابلة للاستخدام. تُستخدم الجداول عمومًا حيث يبحث المستخدمون عن قياس محدد ، بينما تُستخدم المخططات ذات الأنواع المختلفة لإظهار أنماط أو علاقات في البيانات لمتغير واحد أو أكثر.
إن فكرة التعارضات المرورية لها تاريخ طويل في بحوث السلامة المرورية. و قد أصبحت حوادث السير ظاهرة خطيرة تستنزف بشكل مباشر أو غير مباشر موارد هائلة من الاقتصاد الوطني، و لما كانت التقاطعات مواقع محتملة للنقاط السوداء التي من الممكن أن تسبب حوادث كثيرة،
لذلك جاء هذا البحث لدراسة التعارضات المرورية و معرفة أهميتها في تحليل الحوادث المرورية عند التقاطعات المضبوطة بالإشارات الضوئية .
طُبَقت تقنية التعارضات المرورية في هذا البحث على تقاطعات رباعية الأذرع مضبوطة بالإشارات الضوئية في مدينة دمشق؛ و ذلك لتقييم سلامة الحركة على هذه التقاطعات، كما جرى تحري العلاقة بين التعارضات و حوادث السير، و بينت النتائج أن الحوادث و التعارضات ترتبط مع بعضها بعضاً بعلاقة خطية، كما أظهرت النتائج أن هناك ارتباطاً لم تتضح طبيعته بين عدد التعارضات في التقاطعات و الغزارات الداخلة على هذه التقاطعات، و قد وضِعتْ أيضاً أولوية للتقاطعات فيما يتعلق بإجراءات السلامة اعتماداً على دليل الخطورة المتعلق بدرجة الضرر.
عند تعلمها دون استكشاف، تخضع النماذج المحلية لمهام التنبؤ المهيكلة لتحيز التعرض ولا يمكن تدريبها دون توجيه مفصل.التعلم التقليد النشط (AIL)، المعروف أيضا في NLP كتعلم Oracle الديناميكي، هو تقنية عامة للعمل حول هذه المشكلات من خلال السماح باستكشاف مخرج
ات مختلفة في وقت التدريب.تتطلب AIl ردود الفعل Oracle: Oracle هي أي خوارزمية يمكنها، بالنظر إلى حل مرشح جزئي وشروح الذهب، ابحث عن الإخراج التالي (الحد الأدنى) الإخراج التالي لإنتاج.تصف هذه الورقة تقنية حكومية محدودة عامة لاستكشاف الأوراج.تصف هذه التقنية فعالة أيضا وسوف توسيع المهام التي يمكن استخدامها بشكل كبير.
في حين أن Yu و Poesio (2020) قد أظهر مؤخرا تفوق نموذج تعلم المهام العصبي المتعدد المهام (MTL) إلى النهج القائمة على القواعد لسد قرار أنشفورا، فهناك القليل من الفهم (1) كيف يكون أفضل من القواعدالأساليب (على سبيل المثال، هي النهجتين التي تصنع أخطاء مما
ثلة أو تكميلية؟) و (2) ما ينبغي تحسينه.لإلقاء الضوء على هذه القضايا، نقترحنا (1) نهجا هجينا مقرا له على القواعد ومتناهية الديمقراطية من شأنه أن تمكن فهم أفضل لنقاط القوة والضعف المقارنة؛و (2) قم بإجراء تحليل يدوي للأخطاء التي يقوم بها نموذج MTL.
تركز هذه الورقة على إعادة صياغة إعادة صياغة النص، وهي مهمة توليد اللغة الطبيعية المدروسة على نطاق واسع في NLP.مع تطور النماذج العصبية، أظهرت أبحاث توليد إعادة صياغة التحول التدريجي إلى الأساليب العصبية في السنوات الأخيرة.وقد قدم ذلك بهيئات تمثيل سياق
ي لنص المدخلات وتوليد صياغة تشبه الإنسان تشبه الإنسان بطلاقة.تقوم هذه الورقة بإجراء مناهج مختلفة لإعادة صياغة إعادة صياغة التركيز الرئيسي على الأساليب العصبية.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
