منصة الرسائل والاطاريح: نهج التعلم الآلي المطور للتنبؤ بالازدحام المروري على الطرق السريعة في شبكات المركبات المخصصة

الخلاصة

في السنوات الأخيرة، تطورت أنظمة النقل الذكية (ITS) بسرعة، مدفوعة بالطلب المتزايد على تحسين إدارة شبكات النقل والتقدم في مجال الحوسبة. تشمل أنظمة النقل الذكية (ITS) مجموعة واسعة من التطبيقات التي تتطلب استراتيجيات استباقية وبيانات تنبؤية مدعومة بالذكاء الاصطناعي والبيانات الضخمة. ينصب التركيز الأساسي لهذه الأطروحة على تطوير نماذج دقيقة للتنبؤ بحركة المرور على المدى القصير، خاصة فيما يتعلق بكثافة حركة المرور، بهدف تعزيز تخطيط النقل الحضري وتمكين المسافرين الأفراد، مما قد يحدث ثورة في التحكم والتخطيط لحركة المرور في المناطق الحضرية. تدور المشكلة المطروحة حول الحاجة الملحة إلى تنبؤات دقيقة لحركة المرور على المدى القصير لتسهيل تطبيقات أنظمة النقل الذكية الاستباقية ودعم القرارات المستنيرة من قبل المسافرين الأفراد. تدور الأبحاث الحالية في الغالب حول مقارنة طرق التعلم الآلي مع إهمال غالبًا دمج المؤشرات الفنية في تنبؤات كثافة حركة المرور. ويتمثل التحدي الرئيسي في تعزيز دقة التنبؤ مع فهم تأثير المؤشرات الفنية على كثافة حركة المرور. يبدأ منهج الأطروحة بمراجعة شاملة لطرق التنبؤ بالبيانات ويتعمق في تقنيات التعلم الآلي المختلفة المصممة للتنبؤ بحركة المرور على المدى القصير. يقدم ثلاثة نماذج متميزة تتضمن تطبيع البيانات لمراعاة العوامل الفنية التي تؤثر على كثافة حركة المرور. ينشأ الاختراق الكبير من تكامل ميزات المؤشرات الفنية، مما يعزز دقة الانحدار بشكل كبير. يتم اختبار هذه النماذج بدقة باستخدام بيانات واقعية من الطريقين السريعين M25 وM60 في ظل ظروف مرورية متنوعة. بالإضافة إلى ذلك، تقدم الدراسة خوارزمية لتقييم مستوى الخدمة(LOS) على مدار الساعة، مع الاستفادة من بيانات كثافة المركبات من نظام الكشف عن حوادث الطرق السريعة والإشارة التلقائية. يجمع هذا النهج المبتكر بين المؤشرات الفنية ونماذج التعلم الآلي لتصنيف LOS بدقة. يتم استخلاص بيانات LOS الحقيقة الأرضية من أجهزة استشعار ثابتة، مما يعرض التحسين الملحوظ للدقة الذي تم تحقيقه من خلال تكامل المؤشرات الفنية. تؤكد النتائج الرئيسية للأطروحة على التأثير التحويلي لدمج المؤشرات الفنية، مما يحسن بشكل كبير دقة التنبؤ بكثافة حركة المرور بنسبة 86.63% لبيانات الطريق السريع M60 و68.2% للطريق السريع M25، بغض النظر عن نهج التعلم الآلي المختار. علاوة على ذلك، فهو يوضح الدقة المحسنة لتقدير LOS (حوالي 6.52%)، مع إمكانية تطبيقه على الطرق السريعة في مواقع جغرافية مختلفة. وأخيرا، يقدم هذا البحث مساهمات كبيرة في تعزيز تطبيقات أنظمة النقل الذكية والكفاءة الشاملة لشبكات النقل، مما يحقق فوائد لكل من وكالات النقل والمسافرين الأفراد.