مسائل و مشکلات ناشی از جریان‌های ترافیکی علاوه بر اینکه به جامعه زیان اقتصادی می‌رسانند، بلکه به‌دلیل آسیب رسانی به طبیعت، در دراز مدت به محیط زیست نیز صدمات جبران ناپذیری وارد می‌سازند. چیزی که ضروری می‌نماید اتخاذ سریع و موثر سیاست‌هایی است که این مسائل و مشکلات را حل نماید. میادین به‌عنوان راه حلی برای رفع مشکلات ناشی از ترافیک در تقاطع‌ها و همچنین ایجاد سهولت و ایمنی در حرکات برخوردی ایجاد می‌شود. شبیه سازی جریان‌های ترافیکی در میادین به‌طور روزافزونی بوسیله ی برنامه ریزان و مهندسان جهت ارزیابی تاثیر پیشنهادات برای عملیات های ترافیکی عصر حاضر و آینده مورد استفاده قرار می گیرد. بدیهی است برآورد دقیق از جریان‌های ترافیکی میادین، برنامه‌ریزی دقیق و بهینه‌ای را به‌همراه خواهد داشت. مدل‌های صرفا کمی که تنها بر پایه روابط ریاضی استوار هستند به دلیل عدم انعطاف و دور بودن از محیط کیفی قادر به تخمین دقیق حالات ترافیکی نخواهد بود. در این تحقیق برآنیم با ارائه مدلی کمی – کیفی متغیرهای ترافیکی را در میادین بهبود داده و نسبت به دیگرمدل‌ها برآوردی دقیق‌تر از جریان‌های ترافیکی ارائه دهیم. چنین مدلی از خطاهای انسانی و برداشت دستگاهی نیز تقریبا دور خواهد بود. فیلتر کالمن، ابزاری قدرتمند برای برآورد متغیرهای حالتی یک سیستم دینامیکی بوده و مدل شبکه عصبی از جمله مدل‌های ممتازی است که قادر است، پدیده‌های غیرخطی و ناپایدار را به‌دقت توصیف کرده و ساختارشان را به‌طور انعطاف پذیری سازمان‌دهی کند. در این تحقیق تکنیک فیلتر کالمن را با مدل شبکه عصبی چند لایه، برای برآورد حالات ترافیکی یک میدان ادغام نمودیم. به وسیله ی مدل های عصبی، مشخصه های غیر خطی جریان های ترافیکی مطرح شده و ماتریس های مشتق در فیلتر به راحتی به‌دست آمدند. همچنین، مدل‌های عصبی برای هر دو معادلات حالتی و مشاهده‌ای تولید ماتریس-های مشتق دینامیکی را که نیازمند فیلتر کالمن است به آسانی ممکن ساخت. این شیوه جدید در میدان بزرگمهر کلانشهر اصفهان اعمال و مورد تجزیه و تحلیل قرار گرفت. نتایج حاصل حاکی از آن بود که، برآورد مدل ساخته شده این تحقیق نسبت به دیگر مدل‌ها دقیق‌تر و به جریان واقعی نزدیکتر است. در قرن حاضر و در هزاره سوم، افزایش جمعیت شهرها با مشکلات عدیده‌ی همراه خود، وظایف تصمیم گیران و مدیران شهری را بیش از پیش دشوارتر نموده است. با افزایش جمعیت شهرها میل به تقاضای سفر بیشتر شده و این امر مشکلات حمل و نقلی، تردد بیش از حد، ترافیک، قفل شدگی مراکز شهری و... را به دنبال خواهد داشت مسائل و مشکلات ناشی از تراکم ترافیکی علاوه بر اینکه به جامعه زیان اقتصادی می‌رسانند، بلکه به‌دلیل آسیب رسانی به طبیعت، در دراز مدت به محیط زیست نیز صدمات جبران ناپذیری وارد می‌نمایند. چیزی که ضروری می‌نماید اتخاذ سریع و موثر سیاست‌هایی است که این مسائل و مشکلات را حل نماید. بدیهی است تحلیل و ارزیابی این سیاست‌ها روی خود جریان‌های ترافیکی امری دشوار و غیراقتصادی است، برای فائق آمدن بر این مشکل، می‌توان با شبیه‌سازی جریان‌های ترافیکی تاثیرات هر کدام از طرح‌های مورد نظر را مورد بررسی قرار داد. در این تحقیق، جهت برآورد دقیق‌تر حالات ترافیکی در یک میدان، ما مدل شبکه عصبی چند لایه را با شیوه فیلتر کالمن ترکیب نمودیم. همچنین بررسی کردیم که چگونه یک مدل شبکه عصبی چند لایه می‌تواند هر دو معادله حالتی و مشاهده‌ای را توصیف کند. دست آخر، ما برای صحت سنجی مدل ساخته شده، این مدل را به میدان بزرگمهر کلانشهر اصفهان اعمال کرده و نتایج به‌دست آمده از آن را با مدل ماکروسکوپی مقایسه نمودیم. برخی از نتایج به‌دست آمده به‌شرح زیر است: 1- با ترکیب مدل شبکه عصبی و تکنیک فیلتر کالمن، شیوه‌ای نو و دقیق برای برآورد حالات ترافیکی یک میدان ارائه گردید. 2- مدل‌های شبکه عصبی برای معادلات حالتی و مشاهده‌ای این امکان را داد که، ماتریس‌های مشتق دینامیکی مورد نیاز فیلتر کالمن را به‌راحتی تولید کند. 3- مدل ساخته شده در این تحقیق، با رویکرد کمی – کیفی و به‌دلیل اینکه فاقد خطاهای انسانی و برداشت دستگاهی است، از دقت بالاتری برخوردار است. 4- مدل Neural-Kalman Filtering برای میدان بزرگمهر اصفهان به‌کار گرفته شد. برآورد این شیوه در مقایسه با مدل ماکروسکوپی به‌مراتب بهتر و دقیق‌تر بود. 5. خطای ریشه میانگین مربعات RMSE به‌عنوان یک شاخص ارزیابی در این تحقیق به‌کار گرفته شد. این خطا در مدل NKF مقدار کمتری نسبت به‌مدل MSF به‌دست داد. 6. هدف از این تحقیق، ارائه مدلی بود که نسبت به مدل‌های ماکروسکوپی و کمی برآوردی دقیق‌تر از متغیرهای ترافیکی را داشته باشد، با مقایسه نتایج حاصل از مدل به‌کار رفته در این تحقیق با مدل ماکروسکوپی، دستیابی به این مهم حاصل شد.
کد نوشتار : 269087