مقاله طراحی مدل تخمین جریان ترافیک بر پایه بکارگیری شبکه های عصبی چکیده : سیستم حمل و نقل هوشمند (ITS)، یکی از راهکارهای حل و تخفیف مشکلات مرتبط با حمل و نقل و ترافیک محسوب میشود، این سیستم از بخشهای مختلف نرمافزاری و سختافزاری تشکیل شده است که مدل تخمین جریان ترافیک در کوتاه مدت یکی از این بخشها میباشد. این مدل با استفاده از اطلاعات وضعیت فعلی ترافیک هر معبر ( حجم ترافیک عبوری از معبر که توسط سنسورها برداشت میشود )، حجم عبوری از معبر در فواصل زمانی کوتاه مدت آتی را پیشبینی میکند. آگاهی از وضعیت پیشبینی شده برای جریان ترافیک در بخشهای مدیریت ترافیک و اطلاع رسانی به مسافران از اهمیت بسیاری برخوردار است و هدف اصلی این تحقیق نیز ارائه مدلهایی برای پیشبینی جریان ترافیک در فواصل زمانی ۵، ۱۰، ۱۵ و ۳۰ دقیقه آینده است. در این تحقیق روشی دو مرحلهای برای طراحی مدل پیشبینی جریان ترافیک پیشنهاد شده است. در مرحله نخست، با استفاده از روش شبکههای عصبی به عنوان یکی از ارکان هوش محاسباتی، از توانایی پیشبینی پدیدههای مختلف برخوردار است، اما این توانایی تنها زمانی حاصل میشود که اجزای شبکه عصبی به درستی انتخاب شده و شبکه عصبی با استفاده از روش مناسبی آموزش داده شده باشد. طی این تحقیق ضمن بیان نحوه دستیابی به یک شبکه عصبی مناسب، اجزای مناسب برای مدلهای پیشبینی جریان ترافیک شامل توابع انتقال و روش آموزش تعیین میشود. الگوریتم ژنتیک روشی ابتکاری است که از نحوه تکامل موجودات در طبیعت الهام گرفته شده است و برای حل مسائل بهینه سازی بکار میرود. در این تحقیق ضمن بهینه سازی شبکههای عصبی به کمک الگوریتم ژنتیک، سهم عملگرهای ژنتیکی و اندازه جمعیت مناسب برای بهینه سازی شبکههای عصبی تعیین میشود.فهرست مطالب :فصل اول : تعریف مساله و کلیات۱-۱ مقدمه۱-۲ سیستم حمل و نقل هوشمند و ساختار آن۱-۳ مدیریت سفر و ترافیک۱-۳-۱ کنترل ترافیک۱-۳-۲ سیستم اطلاع رسانی به مسافران۱-۴ تعریف تخمین کوتاه مدت جریان ترافیک۱-۵ شبکه های عصبی۱-۶ بهبود ساختار شبکه عصبی به کمک الگوریتم ژنتیک۱-۷ هدف از تحقیق۱-۸ تعریف مساله۱-۹ فرمول بندی مساله۱-۱۰ پیشینه تحقیقفصل دوم : کلیات شبکه های عصبی۲-۱ مقدمه۲-۲ شبکه عای عصبی مغز انسان۲-۳ ساختار یک سلول عصبی ساده۲-۴ تعریف شبکه های عصبی۲-۵ توانایی ها و کاربرد شبکه های عصبی۲-۶ ویژگی های کلی شبکه های عصبی۲-۷ داده ها در شبکه عصبی۲-۷-۱ جمعیت و نمونه۲-۷-۲ مجموعه آموزش، مجموعه اعتبار ستجی و مجموعه تست۲-۸ توانایی شبکه های عصبی۲-۸-۱ تابع ترکیب کننده۲-۸-۲ تابع انتقال۲-۸-۳ تابع هدف۲-۹ معیار کارایی شبکه۲-۹-۱ متوسط خطای مطلق۲-۹-۲ میانگین خطای نسبی بین خروجی های حقیقی و دلخواه۲-۹-۳ جذر میانگین مربع خطاها۲-۹-۴ ضریب همبستگی بین خروجی های حقیقی و خروجی هدف۲-۱۰ آستانه۲-۱۱ نحوه شمارش لایه ها۲-۱۲ شرایط تعمیم موفقیت آمیز۲-۱۳ انواع شبکه های عصبیفصل سوم : مروری بر مطالعات پیشین۳-۱ مقدمه۳-۲ پژوهش یاسدی۳-۳ پژوهش ایناما۳-۴ پژوهش هائو دینگ و همکاران۳-۵ پژوهش باهر عبدالحی و هیمانشو پروال۳-۶ پژوهش کارلافتیس و همکارانفصل چهارم : شبکه های چند لایه از جلو تغذیه شونده و روش آموزش پس از انتشار خطا۴-۱ مقدمه۴-۲ شبکه های دولایه ای۴-۲-۱ نگاشت غیر خطی۴-۳ قاعده کلی دلتا۴-۴ تصحیح وزن های لایه خروجی۴-۵ تصحیح وزن های لایه ورودی۴-۶ شبکه هایی با خروجی خطی۴-۷ بسط قاعده کلی دلتا برای شبکه های چند لایه MLF۴-۸ محاسبات بازگشتی دلتا۴-۹ الگوریتم پس از انتشار خطا به همراه اندازه حرکت۴-۹-۱ فرمول افزایش اصلاح شده۴-۹-۲ تاثیر اندازه حرکت۴-۱۰ مقادیر اولیه وزن ها۴-۱۱تعداد لایه های پنهان و تعداد سلول های عصبی۴-۱۲ مساله مینیمم محلی در تعین وزن ها۴-۱۳ روش های آموزش۴-۱۳-۱ آموزش پس از انتشار خطا با نرخ یادگیری متغیر۴-۱۳-۲ آموزش پس از انتشار خطای انعطاف پذیر۴-۱۳-۳ روش لونبرگ – مارکوارت۴-۱۳-۴ روش BFGS۴-۱۳-۵ روش سکانت یک مرحله ایفصل پنجم : بررسی روش های ابتکاری و نقش آن در حل مسایل حمل و نقل۵-۱ مقدمه۵-۲ جستجوی همسایه۵-۳ گرم و سرد کردن شبیه سازی شده۵-۴ الگوریتم مورچگان۵-۵ جستجوی میتنی بر منع۵-۶ الگوریتم ژنتیک۵-۷ الگوریتم فرهنگی۵-۸ استراتژی تکاملی۵-۹ دلایل انتخاب الگوریتم ژنتیک۵-۱۰ ساختار الگوریتم ژنتیک۵-۱۰-۱ کد گذاری جواب ها۵-۱۰-۲ تابع صلاحیت۵-۱۰-۳ مکانیزم انتخاب۵-۱۰-۴ تکثیر۵-۱۰-۵ ترکیب۵-۱۰-۶ جهش۵-۱۰-۷ پارمترهای کنترلی۵-۱۱ مزایای الگوریتم ژنتیک۵-۱۲ مراحل الگوریتم ژنتیکفصل هفتم : کاربرد روش پیشنهادی در مطالعه موردی۷-۱ مقدمه۷-۲ مطالعه موردی شماره یک – محور قزوین رشت۷-۲-۱ ساختار پیشنهادی۷-۲-۲ مدل پیش بینی جریان ترافیک در ۵ دقیقه آتی۷-۲-۳ انتخاب روش آموزش مناسب۷-۲-۴ بررسی انواع توابع انتقال آب۷-۲-۵ بینه سازی مدل پیش بینی ۵ دقیقه آتی محور قزوین – رشت۷-۲-۶ مدل پیش بینی ۱۰ دقیقه آتی محور قزوین – رشت۷-۲-۷ مدل پیش بینی ۱۵ دقیقه آتی محور قزوین – رشت۷-۲-۸ مدل پیش بینی ۱۵ دقیقه آتی محور قزوین – رشت۷-۲-۹ مقایسه مدل های پیش بینی جریان ترافیک محور قزوین – رشت۷-۳ مطالعه موردی شماره دو – بزرگراه BHL۷-۳-۱ بررسی تاثیر آگاهی از اطلاعات مکانی بر عملکرد مدل۷-۳-۲ انتخاب اطلاعات مکانی۷-۳-۳ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۵ دقیقه آتی۷-۳-۴ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۱۰ دقیقه آتی۷-۳-۵ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۱۵ دقیقه آتی۷-۳-۶ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۳۰ دقیقه آتی۷-۳-۷ مقایسه مدل های پیش بینی جریان ترافیک بزرگراه BHL۷-۴ ساختار مدل های پیش بینی جریان ترافیک بزرگراه BHL۷-۴-۱ مدل های پیش بینی باکس – جنکینز محور قزوین – رشت۷-۴-۲ مدل های پیش بینی باکس – چنکینز بزرگراه BHL۷-۴-۳ مقایسه روش پیشنهادی تحقیق با روش باکس – جنکینزفصل هشتم : نتیجه گیری و پیشنهاد هایی برای مطالعات آینده۸-۱ نتایج تحقیق۸-۲ نتایج بدست آمده از مطالعه موردی۸-۳ پیشنهادهایی برای مطالعات آینده۸-۳-۱ پیش بینی زمان سفر۸-۳-۲ مطالعه زمان سفر۸-۳-۳ مطالعه بر روی شبکه های بزرگ۸-۳-۴ طراحی مدلی با استفاده از فازی و مقایسه آن با شبکه های عصبی۸-۳-۵ بررسی نحوه واکنش مسافران و رانندگانمنابعپیوستپیوست الف – کد برنامه طراحی مدلپیوست ب – عملکرد شبکه های طراحی شدهنوع فایل : pdfحجم فایل : ۳٫۹ مگابایت (zip)تعداد صفحات : ۲۳۰ صفحهقیمت : 1000 تومان دانلود این فایل از ایران پروژه:http://iranprozhe.ir/%D9%BE%D8%A7%DB%8C%D8%A7%D9%86-%D9%86%D8%A7%D9%85%D9%87-%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C-%D9%85%D8%AF%D9%84-%D8%AA%D8%AE%D9%85%DB%8C%D9%86-%D8%AC%D8%B1%DB%8C%D8%A7%D9%86-%D8%AA%D8%B1%D8%A7%D9%81%DB%8C/
مقاله طراحی مدل تخمین جریان ترافیک بر پایه بکارگیری شبکه های عصبی
مقاله طراحی مدل تخمین جریان ترافیک بر پایه بکارگیری شبکه های عصبی چکیده : سیستم حمل و نقل هوشمند (ITS)، یکی از راهکارهای حل و تخفیف مشکلات مرتبط با حمل و نقل و ترافیک محسوب میشود، این سیستم از بخشهای مختلف نرمافزاری و سختافزاری تشکیل شده است که مدل تخمین جریان ترافیک در کوتاه مدت یکی از این بخشها میباشد. این مدل با استفاده از اطلاعات وضعیت فعلی ترافیک هر معبر ( حجم ترافیک عبوری از معبر که توسط سنسورها برداشت میشود )، حجم عبوری از معبر در فواصل زمانی کوتاه مدت آتی را پیشبینی میکند. آگاهی از وضعیت پیشبینی شده برای جریان ترافیک در بخشهای مدیریت ترافیک و اطلاع رسانی به مسافران از اهمیت بسیاری برخوردار است و هدف اصلی این تحقیق نیز ارائه مدلهایی برای پیشبینی جریان ترافیک در فواصل زمانی ۵، ۱۰، ۱۵ و ۳۰ دقیقه آینده است. در این تحقیق روشی دو مرحلهای برای طراحی مدل پیشبینی جریان ترافیک پیشنهاد شده است. در مرحله نخست، با استفاده از روش شبکههای عصبی به عنوان یکی از ارکان هوش محاسباتی، از توانایی پیشبینی پدیدههای مختلف برخوردار است، اما این توانایی تنها زمانی حاصل میشود که اجزای شبکه عصبی به درستی انتخاب شده و شبکه عصبی با استفاده از روش مناسبی آموزش داده شده باشد. طی این تحقیق ضمن بیان نحوه دستیابی به یک شبکه عصبی مناسب، اجزای مناسب برای مدلهای پیشبینی جریان ترافیک شامل توابع انتقال و روش آموزش تعیین میشود. الگوریتم ژنتیک روشی ابتکاری است که از نحوه تکامل موجودات در طبیعت الهام گرفته شده است و برای حل مسائل بهینه سازی بکار میرود. در این تحقیق ضمن بهینه سازی شبکههای عصبی به کمک الگوریتم ژنتیک، سهم عملگرهای ژنتیکی و اندازه جمعیت مناسب برای بهینه سازی شبکههای عصبی تعیین میشود.فهرست مطالب :فصل اول : تعریف مساله و کلیات۱-۱ مقدمه۱-۲ سیستم حمل و نقل هوشمند و ساختار آن۱-۳ مدیریت سفر و ترافیک۱-۳-۱ کنترل ترافیک۱-۳-۲ سیستم اطلاع رسانی به مسافران۱-۴ تعریف تخمین کوتاه مدت جریان ترافیک۱-۵ شبکه های عصبی۱-۶ بهبود ساختار شبکه عصبی به کمک الگوریتم ژنتیک۱-۷ هدف از تحقیق۱-۸ تعریف مساله۱-۹ فرمول بندی مساله۱-۱۰ پیشینه تحقیقفصل دوم : کلیات شبکه های عصبی۲-۱ مقدمه۲-۲ شبکه عای عصبی مغز انسان۲-۳ ساختار یک سلول عصبی ساده۲-۴ تعریف شبکه های عصبی۲-۵ توانایی ها و کاربرد شبکه های عصبی۲-۶ ویژگی های کلی شبکه های عصبی۲-۷ داده ها در شبکه عصبی۲-۷-۱ جمعیت و نمونه۲-۷-۲ مجموعه آموزش، مجموعه اعتبار ستجی و مجموعه تست۲-۸ توانایی شبکه های عصبی۲-۸-۱ تابع ترکیب کننده۲-۸-۲ تابع انتقال۲-۸-۳ تابع هدف۲-۹ معیار کارایی شبکه۲-۹-۱ متوسط خطای مطلق۲-۹-۲ میانگین خطای نسبی بین خروجی های حقیقی و دلخواه۲-۹-۳ جذر میانگین مربع خطاها۲-۹-۴ ضریب همبستگی بین خروجی های حقیقی و خروجی هدف۲-۱۰ آستانه۲-۱۱ نحوه شمارش لایه ها۲-۱۲ شرایط تعمیم موفقیت آمیز۲-۱۳ انواع شبکه های عصبیفصل سوم : مروری بر مطالعات پیشین۳-۱ مقدمه۳-۲ پژوهش یاسدی۳-۳ پژوهش ایناما۳-۴ پژوهش هائو دینگ و همکاران۳-۵ پژوهش باهر عبدالحی و هیمانشو پروال۳-۶ پژوهش کارلافتیس و همکارانفصل چهارم : شبکه های چند لایه از جلو تغذیه شونده و روش آموزش پس از انتشار خطا۴-۱ مقدمه۴-۲ شبکه های دولایه ای۴-۲-۱ نگاشت غیر خطی۴-۳ قاعده کلی دلتا۴-۴ تصحیح وزن های لایه خروجی۴-۵ تصحیح وزن های لایه ورودی۴-۶ شبکه هایی با خروجی خطی۴-۷ بسط قاعده کلی دلتا برای شبکه های چند لایه MLF۴-۸ محاسبات بازگشتی دلتا۴-۹ الگوریتم پس از انتشار خطا به همراه اندازه حرکت۴-۹-۱ فرمول افزایش اصلاح شده۴-۹-۲ تاثیر اندازه حرکت۴-۱۰ مقادیر اولیه وزن ها۴-۱۱تعداد لایه های پنهان و تعداد سلول های عصبی۴-۱۲ مساله مینیمم محلی در تعین وزن ها۴-۱۳ روش های آموزش۴-۱۳-۱ آموزش پس از انتشار خطا با نرخ یادگیری متغیر۴-۱۳-۲ آموزش پس از انتشار خطای انعطاف پذیر۴-۱۳-۳ روش لونبرگ – مارکوارت۴-۱۳-۴ روش BFGS۴-۱۳-۵ روش سکانت یک مرحله ایفصل پنجم : بررسی روش های ابتکاری و نقش آن در حل مسایل حمل و نقل۵-۱ مقدمه۵-۲ جستجوی همسایه۵-۳ گرم و سرد کردن شبیه سازی شده۵-۴ الگوریتم مورچگان۵-۵ جستجوی میتنی بر منع۵-۶ الگوریتم ژنتیک۵-۷ الگوریتم فرهنگی۵-۸ استراتژی تکاملی۵-۹ دلایل انتخاب الگوریتم ژنتیک۵-۱۰ ساختار الگوریتم ژنتیک۵-۱۰-۱ کد گذاری جواب ها۵-۱۰-۲ تابع صلاحیت۵-۱۰-۳ مکانیزم انتخاب۵-۱۰-۴ تکثیر۵-۱۰-۵ ترکیب۵-۱۰-۶ جهش۵-۱۰-۷ پارمترهای کنترلی۵-۱۱ مزایای الگوریتم ژنتیک۵-۱۲ مراحل الگوریتم ژنتیکفصل هفتم : کاربرد روش پیشنهادی در مطالعه موردی۷-۱ مقدمه۷-۲ مطالعه موردی شماره یک – محور قزوین رشت۷-۲-۱ ساختار پیشنهادی۷-۲-۲ مدل پیش بینی جریان ترافیک در ۵ دقیقه آتی۷-۲-۳ انتخاب روش آموزش مناسب۷-۲-۴ بررسی انواع توابع انتقال آب۷-۲-۵ بینه سازی مدل پیش بینی ۵ دقیقه آتی محور قزوین – رشت۷-۲-۶ مدل پیش بینی ۱۰ دقیقه آتی محور قزوین – رشت۷-۲-۷ مدل پیش بینی ۱۵ دقیقه آتی محور قزوین – رشت۷-۲-۸ مدل پیش بینی ۱۵ دقیقه آتی محور قزوین – رشت۷-۲-۹ مقایسه مدل های پیش بینی جریان ترافیک محور قزوین – رشت۷-۳ مطالعه موردی شماره دو – بزرگراه BHL۷-۳-۱ بررسی تاثیر آگاهی از اطلاعات مکانی بر عملکرد مدل۷-۳-۲ انتخاب اطلاعات مکانی۷-۳-۳ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۵ دقیقه آتی۷-۳-۴ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۱۰ دقیقه آتی۷-۳-۵ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۱۵ دقیقه آتی۷-۳-۶ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۳۰ دقیقه آتی۷-۳-۷ مقایسه مدل های پیش بینی جریان ترافیک بزرگراه BHL۷-۴ ساختار مدل های پیش بینی جریان ترافیک بزرگراه BHL۷-۴-۱ مدل های پیش بینی باکس – جنکینز محور قزوین – رشت۷-۴-۲ مدل های پیش بینی باکس – چنکینز بزرگراه BHL۷-۴-۳ مقایسه روش پیشنهادی تحقیق با روش باکس – جنکینزفصل هشتم : نتیجه گیری و پیشنهاد هایی برای مطالعات آینده۸-۱ نتایج تحقیق۸-۲ نتایج بدست آمده از مطالعه موردی۸-۳ پیشنهادهایی برای مطالعات آینده۸-۳-۱ پیش بینی زمان سفر۸-۳-۲ مطالعه زمان سفر۸-۳-۳ مطالعه بر روی شبکه های بزرگ۸-۳-۴ طراحی مدلی با استفاده از فازی و مقایسه آن با شبکه های عصبی۸-۳-۵ بررسی نحوه واکنش مسافران و رانندگانمنابعپیوستپیوست الف – کد برنامه طراحی مدلپیوست ب – عملکرد شبکه های طراحی شدهنوع فایل : pdfحجم فایل : ۳٫۹ مگابایت (zip)تعداد صفحات : ۲۳۰ صفحهقیمت : 1000 تومان دانلود این فایل از ایران پروژه:http://iranprozhe.ir/%D9%BE%D8%A7%DB%8C%D8%A7%D9%86-%D9%86%D8%A7%D9%85%D9%87-%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C-%D9%85%D8%AF%D9%84-%D8%AA%D8%AE%D9%85%DB%8C%D9%86-%D8%AC%D8%B1%DB%8C%D8%A7%D9%86-%D8%AA%D8%B1%D8%A7%D9%81%DB%8C/