چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2005354 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
یک بهینه سازی مجموعه ذرات هوشمند برای پیش بینی کوتاه مدت جریان ترافیکی با استفاده از حس گر جاده ای
عنوان انگليسي
An Intelligent Particle Swarm Optimization for Short-Term Traffic Flow Forecasting Using on-Road Sensor Systems
نویسنده/ناشر/نام مجله
IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 12 صفحه انگلیسی به صورت پی دی اف و 24 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
سیستم های حسگر جاده ای نصب شده در بزرگراه ها برای ثبت داده های جریان ترافیکی برای پیش بین های جریان ترافیکی کوتاه مدت برای مدیریت ترافیک، جهت کاهش ازدحام ترافیکی و بهبود حرکت وسایل نقلیه به کار گرفته می شود. این مقاله می کوشد فرضیات نامتغیر بودن با زمان غیرعملی ای را که روش هایی حال حاضر برای توسعه ی پیش بین های کوتاه مدت ترافیکی به کار می گیرند را مدیریت می کند: 1) ویژگی های داده ی فعلی ثبت شده توسط حس گر های جاده ای با توجه به داده های تاریخچه ای آن ها نا متغیر با زمان در نظر گرفته می شوند، که برای توسعه ی پیش بین های جریان ترافیکی کوتاه مدت به کار گرفته می شوند؛ و 2) پیکره بندی سیستم های حسگر جاده ای نامتغیر با زمان فرض می شوند. در واقع، هر دو فرض در دنیای واقعی غیر عملی هستند، چرا که ویژگی های جریان ترافیکی فعلی می توانند بسیار متفاوت با ویژگی های تاریخچه ای آن ها باشند، و همچنین سیستم های حسگر در ذاتشان بخاطر حسگرهای آسیب دیده یا پوشش های آسیب دیده متغیر با زمان هستند. بنابراین زمانی که این دو فرض در پیش بین های جریان ترافیکی کوتاه مدت به کار گرفته می شوند ممکن است نتایج پیش بینی غلطی تولید شوند. جهت مدیریت این دو فرض نامتغیر بودن با زمان، یک الگوریتم بهینه سازی مجموع ذرات هوشمند (IPSO) جهت توسعه ی پیش بین های کوتاه مدت جریان ترافیکی با استفاده از مکانیسم های PSO، شبکه ی عصبی و سیستم استنتاج فازی، جهت انطباق با ویژگی های جریان ترافیکی متغیر با زمان و پیکره بندی متغیر با رمان سیستم های حسگر جاده ای پیشنهاد شده است. IPSO پیشنهادی جهت پیش بینی شرایط جریان ترافیک روی بخشی از بزرگراه در وسترن استرالیا؛ که جریان ترافیکی آن را می توان با سیستم حسگر جاده ای آنلاین به صورت آنلاین ثبت نمود، به کار گرفته شده است. این نتایج کارآیی استفاده از IPSO پیشنهادی را برای پیش بینی جریان ترافیکی بلادرنگ بر مبنای داده های جریان ترافیکی ثبت شده توسط سیستم های حسگر جاده ای نشان می دهند.
1-مقدمه
سیستم های حسگر جاده ای نصب شده در بزرگراه ها، داده های جریان ترافیکی را برای توسعه و پیاده سازی پیش بین های کوتاه مدت جریان ترافیکی، که هدفشان پیش بینی شرایط ترافیکی در کوتاه مدت، معمولا ده دقیقه زودتر، است. این اطلاعات پیش بینی کوتاه مدت را می توان جهت کمک به مراکز کنترل ترافیک پیشرفته برای پیش بینی ازدحام ترافیکی و بهبود حرکت وسایل نقلیه به کار گرفته می شود. جهت توسعه ی پیش بین های کوتاه مدت جریان ترافیکی، داده های جریان ترافیکی تاریخچه ای در ابتدا با استفاده از سیستم های حسگر جاده ای نصب شده روی بخشی از بزرگراه تحت بررسی جمع آوری شده است...
پیش بینی جریان ترافیکی سیستم استنتاج فازی شبکه های عصبی (NNs) بهینه سازی مجموعه ذرات (PSO)
:کلمات کلیدی
Abstract
On-road sensor systems installed on freeways are used to capture traffic flow data for short-term traffic flow predictors for traffic management, to reduce traffic congestion and improve vehicular mobility. This paper intends to tackle the impractical time-invariant assumptions which underlie the methods currently used to develop short-term traffic flow predictors: 1) the characteristics of current data captured by on-road sensors are assumed to be time invariant with respect to those of the historical data, which is used to developed short-term traffic flow predictors; and 2) the configuration of the on-road sensor systems is assumed to be time-invariant. In fact, both assumptions are impractical in the real world, as the current traffic flow characteristics can be very different from the historical ones, and also the on-road sensor systems are time varying in nature due to damaged sensors or component wear. Therefore, misleading forecasting results are likely to be produced when short-term traffic flow predictors are designed using these two time-invariant assumptions. To tackle these time-invariant assumptions, an intelligent particle swarm optimization (IPSO) algorithm is proposed to develop short-term traffic flow predictors by integrating the mechanisms of PSO, neural network and fuzzy inference system, to adapt to the time-varying traffic flow characteristics and the time-varying configurations of the on-road sensor systems. The proposed IPSO was applied to forecast traffic flow conditions on a section of freeway in Western Australia, whose traffic flow information can be captured on-line by the on-road sensor system. These results clearly demonstrate the effectiveness of using the proposed IPSO for real-time traffic flow forecasting based on traffic flow data captured by on-road sensor systems
Keywords:
Fuzzy inference system neural networks (NNs) particle swarm optimization (PSO) sensor data
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه کنترل ترافیک