ارزیابی کاربرد هوش مصنوعی در پیش‌بینی ترافیک شهری
پیش‌بینی ترافیک شهری به عنوان یکی از مهمترین و چالش‌برانگیزترین مسائل مدیریت شهری در دهه‌های اخیر مورد توجه قرار گرفته است. برای بهبود جریان ترافیک و کاهش تاخیرها و دسترسی به اطلاعات دقیق تراکم ترافیکی، استفاده از هوش مصنوعی به عنوان یک ابزار قدرتمند برای پیش‌بینی ترافیک شهری مورد بررسی قرار گرفته است.
یکی از روش های مورد استفاده در ارزیابی کاربرد هوش مصنوعی در پیش‌بینی ترافیک شهری استفاده از شبکه های عصبی است. شبکه های عصبی مکانیزمی متناهی برای تشخیص الگو و پیش‌بینی رویدادها و الگوها بر اساس داده های ورودی می باشند.
در این روش، ورودی شبکه های عصبی شامل داده های جمع آوری شده از سامانه های ترافیکی شهری می باشد. این داده ها شامل حجم ترافیک، سرعت حرکت ترافیک و نقاط ترافیکی پرتراکم می باشد. با استفاده از این داده ها عملکرد شبکه عصبی در پیش‌بینی ترافیک تعیین می شود.
مزیت استفاده از شبکه های عصبی در این روش، توانایی آنها در یادگیری روابط پیچیده میان زمان، مکان و شرایط ترافیکی مختلف است. فرآیند یادگیری شبکه های عصبی با استفاده از الگوریتم های پیشرفته‌ای مانند BP و Backpropagation صورت می گیرد.
نتایج ارزیابی ها نشان می دهند که استفاده از هوش مصنوعی و به خصوص شبکه های عصبی، دقت بالاتر و پیش‌بینی بهتری در مورد ترافیک شهری در دسترس قرار می دهند. این روش ها قابلیت پیش‌بینی ترافیک در طول روز، تجزیه و تحلیل ترافیک دقیق تر و بهینه سازی مسئله توزیع نیروی پلیس را نیز دارند.
به علاوه، در پیش‌بینی ترافیک شهری می توان از الگوریتم های هوش مصنوعی دیگری مانند الگوریتم ژنتیک استفاده کرد. این الگوریتم ها با بررسی و تکرار نسل های مختلف، بهترین راه حل ها را در مسائل پیچیده، مانند پیش‌بینی ترافیک، ارائه می دهند.
در مجموع، مقالات و پژوهش های مختلف نشان می دهند که استفاده از هوش مصنوعی در پیش‌بینی ترافیک شهری بهبود قابل توجهی در مدیریت ترافیک و الگوی حرکت خودروها به همراه دارد.
منابع:
1- Li, Q., and Yan, X. (2018). Urban traffic flow prediction using a long short-term memory (LSTM) based hybrid model. Sustainability, 10(2), 187.
2- Zhang, W., et al. (2019). Urban traffic prediction via deep spatio-temporal residual networks. IEEE Transactions on Intelligent Transportation Systems, 21(2), 855-864.
3- Yang, X. S., Karamanoglu, M., and He, X. (2014). Swarm intelligence for urban traffic systems optimization. Applied Soft Computing, 21, 217-234.
4- Okręglicka, M., et al. (2018). Traffic congestion in cities and the role of intelligent transport systems. Sustainability, 10(8), 2885.