پیادهسازی مدلهای پذیرش شکاف مبتنی بر شبکه عصبی مصنوعی در مدل شبیهسازی یک دایره ترافیک در SUMO
| عنوان | پیادهسازی مدلهای پذیرش شکاف مبتنی بر شبکه عصبی مصنوعی در مدل شبیهسازی یک دایره ترافیک در SUMO |
|---|---|
| نویسنده | باقری، محمد |
| تاریخ انتشار: | 2023-01-16T13:17:08Z |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | 27ee285b-1399-4068-9e97-31c7595b2762 |
| محل کتابخانه | گروه مهندسی عمران |
| تاریخ | 2023-01-16T13:17:08Z |
| متن نمونه | تاثیر گزینه های مختلف عملیاتی و طراحی در دوربرگردان ها و دایره های ترافیکی را می توان با استفاده از ابزارهای شبیه سازی میکروسکوپی ارزیابی کرد. اکثر نرم افزارهای شبیه سازی میکروسکوپی از مدل های زیربنایی پیش فرض برای این منظور استفاده می کنند که ممکن است به امکانات خاصی تعمیم داده نشود. از آنجایی که اثربخشی عملیات ترافیکی در دایرههای ترافیکی و دوربرگردانها به شدت تحتتاثیر رفتار عدم پذیرش شکاف رانندگان است، مدلسازی دقیق رفتار پذیرش شکاف راننده با استفاده از دادههای مکان خاص ضروری است. هدف این مقاله ارزیابی امکانسنجی اجرای یک مدل پذیرش شکاف مبتنی بر شبکه عصبی مصنوعی (ANN) در SUMO، با استفاده از رابط برنامهنویسی کاربردی آن بود. یک دایره ترافیک در نیوجرسی به عنوان مطالعه موردی انتخاب شد. مدلهای ANN جداگانه برای یک تقاطع کنترلشده توقف و دو تقاطع کنترلشده با عملکرد بر اساس دادههای حقیقت زمینی جمعآوریشده آموزش داده شدند. سپس خروجی مدل مبتنی بر ANN با مدل SUMO مقایسه شد و با تغییر پارامترهای پذیرش شکاف پیشفرض برای مطابقت با دادههای میدانی کالیبره شد. بر اساس نتایج تجزیه و تحلیل، نتیجه گیری شد که مزیت مدل مبتنی بر شبکه عصبی مصنوعی نه تنها در دقت عملکرد متغیرهای خروجی انتخاب شده در مقایسه با مقادیر میدان مشاهده شده، بلکه در تقاطع های واقعی خودرو در تقاطع های کنترل نشده در مدل شبیه سازی نهفته است. mikroskobik simülasyon yazılımları kullanılarak değerlendirilebilir. Çoğu mikroskobik simülasyon yazılımı، bu amaç için belirli tesislere genelleştirilemeyecek varsayılan temel modelleri kullanır. Trafik daireleri ve dönel kavşaklardaki trafik operatorlarının etkinliği, sürücülerin boşluk reddetme-kabul davranışından büyük ölçüde etkilendiğinden, konuma özgü verileri kullanarak sürücüleri şekilde modellemek esastır. Bu makalenin amacı, uygulama programlama arayüzünü kullanarak SUMO'da Artificial Neural Network (ANN)-tabanlı bir boşluk kabul modeli uygulamanın fizibilitesini değerlendirmektir. Örnek olay olarak نیوجرسی'deki bir trafik çemberi seçilmiştir. Bir durak kontrollü ve iki verim controlü kavşak için ayrı ANN modelleri, toplanan yer gerçeği verilerine dayalı olarak eğitilmiştir. ANN tabanlı modelin çıktısı daha sonra SUMO modeliyle karşılaştırıldı ve varsayılan boşluk kabul parametreleri saha verileriyle eşleşecek şekilde değiştirilerek kalibre edildi. Analiz sonuçlarına dayanarak, ANN-tabanlı modelin avantajı, seçilen çıktı değişkenlerinin gözlemlenen alan değerlerine göre doğruluğunda ve ayrıca simülasyon modelinde kontrolsüz kavşaklarda gerçekçi araçışkenlerinin gözlemlenen varılmıştır. |
