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، بارتین، بکیر اوغوز، اوزبای، ک. |
| تاریخ انتشار: | 2023-12 |
| محل انتشار | - مریم گلی |
| موضوع | عملیات، کالیبراسیون، شبیه سازی ترافیک میکروسکوپی، شبیه سازی چند عاملی، شبیه سازی |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 2-s2.0-85177236733 |
| شماره ثبت | dc03a40b-91fe-4239-9bd8-bb48e6d83d2d |
| محل کتابخانه | مهندسی عمران |
| تاریخ | 2023-12 |
| یادداشتها | دانشگاه اوزیگین C2SMART، یک UTC سطح 1 در دانشگاه نیویورک - USDOT |
| 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 دایره های ترافیکی و دوربرگردان ها به شدت تحت تأثیر رفتار عدم پذیرش شکاف رانندگان است، مدل سازی دقیق رفتار پذیرش شکاف رانندگان با استفاده از داده های 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 که با تغییر پارامترهای پذیرش شکاف پیشفرض برای مطابقت با دادههای میدانی کالیبره شد. بر اساس نتایج تحلیلها به این نتیجه رسیدیم که مزیت مدل مبتنی بر ANN نه تنها در دقت متغیرهای خروجی انتخابشده در مقایسه با مقادیر میدان مشاهدهشده، بلکه در تقاطعهای واقعی خودرو در تقاطعهای کنترلنشده در مدل شبیهسازی نهفته است. |
| Cilt | 2677 |
