التنبؤ بتدفق حركة المرور في الشبكات المخصصة للمركبات باستخدام الشبكة العصبية المحسنة
DOI:
https://doi.org/10.54153/sjpas.2024.v6i2.758الكلمات المفتاحية:
Traffic flow، VANET، Developed Neural Network، Optimization، Predictionالملخص
يعد التنبؤ بتدفق حركة المرور أمرًا بالغ الأهمية لإدارة حركة المرور، وتقليل التلوث، وضمان السلامة العامة، وهو عنصر حيوي في أنظمة النقل الذكية. علاوة على ذلك، فإن المتغيرات التي تؤثر على أنماط حركة المرور (مثل الأحداث العامة وإغلاق الطرق والحوادث) تكون في الغالب غير متوقعة، مما يجعل التنبؤ بتدفق حركة المرور مهمة معقدة. الهدف من هذا البحث هو تعزيز دقة التنبؤ بتدفق حركة المرور من خلال استخدام استراتيجية جديدة تستخدم الشبكات العصبية المغذية وطريقة التحسين شبه نيوتن. تقلل الإستراتيجية المقترحة من عامل الخطأ المعتمد على مضاعف لاغرانج ومتجه جاكوبي. وقد أدى هذا التعزيز إلى التقارب السريع طوال عملية التعلم. تم اختيار العينة باستخدام مجموعات البيانات المقدمة من نظام مراقبة حركة المرور، وتحديداً من Highway England، ونظام قياس الأداء، وMaryland 511، لعام 2023. ومن أجل تقييم النموذج المقترح، يتم وضع نتائج البحث جنبًا إلى جنب مع منهجيات التنبؤ الأخرى المعمول بها. وكشفت الدراسة أن نموذج البحث الذي تم وضعه كان أداؤه أفضل من استراتيجيات التنبؤ السابقة بناءً على مقاييس متوسط الخطأ المطلق وجذر متوسط الخطأ التربيعي.
التنزيلات
منشور
إصدار
القسم
الرخصة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
Copyright Notice
Authors retain copyright and grant the SJPAS journal right of first publication, with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in Samarra Journal of Pure and Applied Science.
The Samarra Journal of Pure and Applied Science permits and encourages authors to archive Pre-print and Post-print items submitted to the journal on personal websites or institutional repositories per the author's choice while providing bibliographic details that credit their submission, and publication in this journal. This includes the archiving of a submitted version, an accepted version, or a published version without any Risks.
