دانلود ترجمه مقاله سیستم استنتاج فازی عصبی تطبیقی برای تخمین زمان سفر در آزادراه

1. مقدمه 2. روش تحقیق 3. مطالعه موردی 4. نتایج 5. خلاصه و نتیجه گیری

چکیده – با وجود اینکه شناساگرهای شمارش حجمی همین حالا نیز در بسیاری از آزادراه ها نصب شده اند، و از قابلیت جمع آوری اطلاعات ترافیکی با دقت بالا برخوردار هستند، اما تخمین "زمان سفر" غالباً بر اساس اطلاعات سرعت نقطه ای جمع آوری شده توسط آشکارسازها انجام می شود. این تخمین ها در اوج ساعات شلوغی و ازدحام جاده ها، دقت بسیار پایینی دارند. این شناساگرها علاوه بر اطلاعات سرعت نقطه ای، اطلاعات دیگری همچون شمارش حجمی و تعداد سرنشین در جهت حرکت مدنظر را فراهم می کنند. این داده ها برای دستیابی به تخمینی بهتر از زمان سفر مفید واقع می شوند. پژوهش حاضر از داده های شناساگرهای شمارش حجمی استفاده نموده است. پژوهشگران یک سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) را معرفی کردند که زمان سفر بلادرنگ را به صورت خودکار تخمین می زند. مدل ANFIS از قدرت یادگیری الگوهای ترافیکی برخوردار است، بنابراین حتی در صورت وجود داده های غیرمعتبر یا از دست رفته، زمان های سفر بلادرنگ را به صورت مطمئن و دقیق تخمین می زند. از سوی دیگر توانایی ANFIS به عنوان ابزاری قدرتمند برای تخمین زمان های سفر آتی در آزادراه ها نیز اثبات شده است. برای استفاده ی آسان تر متخصصان و پژوهشگران از این روش، آن را روی یک بسته ی نرم افزاری تحت عنوان FTTE (ابزار تخمین زمان سفر آزادراه) عرضه کردیم. در نهایت رویکرد جدید را روی یک مطالعه ی موردی آزمایش کردیم. نتایج برای هر دو حالت "ازدحام"، و "عدم ازدحام" ترافیکی مقایسه می شوند. مقدمه: برای کارکنان سازمان های ترافیکی خیلی مهم است که از شرایط خیابان ها و علی الخصوص آزادراه ها مطلع شوند. در صورت دسترسی به چنین اطلاعاتی می توان رویدادهای غیرقابل پیش بینی را به موقع مدیریت کرد، و از طریق تابلوهای پیام رسان متغیر (VMS)، تخمین های دقیقی از زمان سفر را در اختیار کاربران قرار داد. با وجود اینکه شناساگرهای حلقه ای در سراسر جهان محبوبیت زیادی دارند (ضمیمه A حاوی چند نمونه از داده های شناساگر بدست آمده از آزادراه های رنو- ایالت نوادا، گلستان- ایران است)، اما این شناساگرها صرفاً سرعت نقطه ای در محل نصب شناساگر را تخمین می زنند، و از تخمین سرعت در حدفاصل بین شناساگرها محروم هستند. نتیجه اش این است که زمان های سفری که مستقیماً از روی سرعت نقطه ای شناساگر تخمین زده می شوند، دقت چندان بالایی ندارند، و این مشکل در ساعات شلوغی و اوج ترافیک جاده ای بیشتر به چشم می آید.

While volume-counting detectors are currently installed in many freeways and have the capabilities of collecting high-resolution traffic information, travel time estimations are usually only based on spot speeds collected by the detectors, which could only produce rough estimates of travel time during peak hours when roadways are congested. In addition to spot speeds, these detectors provide directional volume counts and occupancy, which are useful for a better travel time estimation. This research used data from volume counting detectors and made Adaptive Neural Fuzzy Inference System (ANFIS) to automatically estimate real-time travel times. ANFIS’s ability to learn traffic patterns allows accurate and reliable real-time travel time estimation even with missing or corrupted data. ANFIS also proves to be a powerful tool for estimating future travel times on freeways. For easier use by practitioners and researchers, the method used in this study was implemented into a software package, named FTTE (Freeway Travel Time Estimator). Finally, a case study was conducted using the new approach and the results were compared for both congested and uncongested traffic conditions. Introduction: Obtaining condition of streets and especially freeways is essential to operating agencies for timely managing different unpredicted events and provide accurate travel time estimates to users through Variable Message Signs (VMS). While loop detectors are widely popular all around the world (Appendix A demonstrates a sample of detector data from the existing freeway detectors in Reno, Nevada and Golestan, Iran), these detectors estimate only spot speed at detector locations and obviously not between detectors. Hence, travel times directly calculated from spot speed of detectors produce rough estimates of travel time especially during peak hours.

ترجمه این مقاله در 18 صفحه آماده شده و در ادامه نیز صفحه 15 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.