سامانه همایش ها

English

صفحه اصلی / دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین و دومین کنفرانس ملی علم داده در کاربردهای مهندسی

پیش‌بینی وضعیت ترافیک با استفاده از الگوریتم KNN یک مطالعه موردی‌بر اساس داده‌های دوماهه ترافیک

نویسندگان :

متین نهاوندی¹

1- دانشگاه تبریز

کلمات کلیدی :

پیش‌بینی ترافیک،K-Nearest Neighbors،داده‌های دو ماهه،طبقه‌بندی وضعیت،سیستم‌های حمل‌ونقل هوشمند

چکیده :

افزایش سریع وسایل نقلیه به دلیل شهرنشینی منجر به ترافیک سنگین، اتلاف زمان، افزایش آلودگی، و مسائل ایمنی جاده‌ای شده است. پیش‌بینی دقیق جریان ترافیک کوتاه‌مدت (5 تا 15 دقیقه) برای سیستم‌های حمل‌ونقل هوشمند (ITS) حیاتی است، زیرا امکان مدیریت بهینه جریان ترافیک، کاهش تأخیرها، و بهبود ایمنی را فراهم می‌کند [1]. مدل‌های سنتی، مانند ARIMA، اغلب بر سری‌های زمانی تمرکز دارند و همبستگی‌های مکانی را نادیده می‌گیرند، که منجر به دقت پایین در محیط‌های شهری پیچیده می‌شود [ 2]. این مقاله یک مدل K-Nearest Neighbors (KNN) ساده برای پیش‌بینی وضعیت ترافیک پیشنهاد می‌کند که همبستگی‌های زمانی (مانند روز هفته) و مکانی (مانند تعداد وسایل نقلیه در نقاط مختلف) را در نظر می‌گیرد. داده‌ها از دیتاست TrafficTwoMonth.csv (Kaggle) با 5952 رکورد استخراج شده و شامل متغیرهایی مانند CarCount، BikeCount، BusCount، TruckCount، Total و Day of the week است، که وضعیت ترافیک را به کلاس‌هایnormal، low، heavy، high طبقه‌بندی می‌کند [ 3]. مدل پیشنهادی با دقت %96.1 عمل می‌کند، که نسبت به مدل‌های پایه مانند SVR (77%) و LSTM (80%) بهبود قابل‌توجهی نشان می‌دهد [ 4]. نتایج تجربی نشان‌دهنده کارایی بالا در پیش‌بینی کوتاه‌مدت و کاربرد در ITS است.