ارائه‌ چارچوبی در راستای بهبود پیش‌بینی وضعیت ترافیک : ارشد مهندسی کامپیوتر گرایش هوش مصنوعی

یکی از رشته های زیر مجموعه فنی مهندسی که علاقمندان بسیاری در کشور ما  دارد رشته کامپیوتر و فناوری اطلاعات هستش که اتفاقا سایت دیجی لود در حال تکمیل سری جدیدی از پایان نامه های ارشد این رشته تحصیلی برای کاربران گرانقدر خود میباشد. دیجی لود در ادامه پایان نامه “ ارائه‌ چارچوبی در راستای بهبود پیش‌بینی وضعیت ترافیک ”   با فرمت Word (قابل ویرایش) در 97 صفحه را معرفی مینماید.

چکیده پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌بینی وضعیت ترافیک

امروزه موفقیت سیستم­های حمل و­نقل هوشمند، نه تنها به اطلاعات وضعیت فعلی ترافیک، بلکه تا حد زیادی به آگاهی از وضعیت ترافیک دقایق آینده وابسته است. از این­رو، تحقیقات زیادی در زمینه­ ی پیش­بینی­ کوتاه ­­مدت وضعیت ترافیکی انجام شده است. هرچند تاکید اکثریت آنها، تنها بر روی اعمال الگوریتم­های مختلف بمنظور یادگیری داده­ های ترافیکی و ارائه­­ی مدل، بر اساس داده ­های جمع ­آوری شده از وضعیت فعلی و پیشین می­باشد. حال آنکه، در جهت رسیدن به الگوریتمی کارا، لازم است تا ماهیت نوساناتی و وابسته به زمان داده­ها نیز در روند یادگیری مدل لحاظ شود. در این راستا، این پایان ­نامه با مطالعه­ ی توزیع جریان­های ترافیکی، سعی در جداسازی رفتارهای مربوط به پریودهای اوج و غیر­اوج ترافیکی و همچنین استفاده از مفاهیم و دانش بدست­ آمده برای آموزش مدل­های متمایز متناظر با رفتارهای مختلف ترافیکی دارد. شایان ذکر است که حتی در صورتی­ که زمان مرتبط با داده‌ها صریحاً در اختیار نباشد، روش پیشنهادی با بررسی توزیع داده­، روند جریان‌های ترافیکی را تشخیص می­دهد. بدین ترتیب، رندوم فارست بعنوان مدل پیش­ بینی­ کننده، از زمینه ­ی داده ی مورد آموزش باخبر بوده و بر این اساس احتمال گیر­اُفتادن آن در بهینه­ ی محلی کمتر می­شود. به منظور ارزیابی روش ارائه شده، آزمایشاتی بر روی داده ­­ی بخش ترافیک مسابقه بین­ المللی داده­ کاوی سال 2010 انجام شد. نتایج حاصل، مؤید کارایی و مقیاس ­پذیری روش پیشنهادی در مقایسه با دیگر نتایج بدست آمده توسط تیم­های برتر مسابقه، می­باشد.

نگاهی به فصول پایان نامه بهبود پیش‌بینی وضعیت ترافیک

ادامه‌ی مطالب عنوان شده در این پایان نامه در قالب چهار فصل و بصورت زیر سازماندهی شده‌اند؛  فصل دوم با عنوان مبانی نظری تحقیق، ضمن ارائه‌ی چهارچوب‌های نظری مورد استفاده، قالب ریاضی مسئله‌ی پیش‌بینی ترافیک را مورد مطالعه قرار می‌دهد و مفاهیم اولیه و متغیرهای مسئله را مطرح می‌کند. فصل سوم نیز با عنوان پیشینه تحقیقات، شامل خلاصه‌ای از نظریات و مطالعات پیشین انجام شده در حوزه‌ی این پایان نامه می‌باشد که در آن متدهایی  که تاکنون کاربرد گسترده‌تری داشته‌اند، در قالب سه گروه تقسیم بندی و مطالعه می‌شوند.

فصل چهارم نیز تحت عنوان معرفی تکنیک پیشنهادی، مباحثی همچون آنالیز داده‌ی مورد استفاده، ارائه توصیف کلی از هدف اصلی متد و مراحل اعمال تکنیک ارائه شده را شامل می‌شود. در راستای مطالعه و بررسی عملکرد تکنیک پیشنهادی، آزمایش‌های متعددی صورت گرفته که در فصل پنجم با نام نتایج تجربی، تحلیل ها و نتایج حاصل از اعمال این تکنیک‌ها در مقایسه با دیگر روش‌ها مورد بررسی قرار خواهند گرفت.

در نهایت، نتیجه‌گیری و خلاصه‌ای از تحلیل‌های حاصل از انجام این مطالعات، در فصل ششم ارائه خواهد شد و علاوه بر آن گام‌هایی در راستای گسترش و ادامه این تحقیق در کارهای آینده، پیشنهاد می‌شوند.

فهرست مطالب

فصل اول. مقدمه

1-1- تعریف مسئله……………………………………………………………………………………………………………………. 2

1-2- چالش‌های مسئله……………………………………………………………………………………………………………… 4

1-3- نگاهی به فصول پایان­نامه…………………………………………………………………………………………………. 7

فصل دوم. مبانی نظری تحقیق

2-1- مقدمه…………………………………………………………………………………………………………………………….. 10

2-2- متدهای یادگیری تجمعی……………………………………………………………………………………………… 11

2-2-1- تعاریف مفاهیم اولیه……………………………………………………………………………………….. 11

2-2-2- درخت بوستینگ…………………………………………………………………………………………….. 13

2-2-3- درخت بگینگ…………………………………………………………………………………………………. 13

2-3- رندوم فارست…………………………………………………………………………………………………………………. 15

2-3-1- مراحل توسعه‌ی رندوم فارست………………………………………………………………………. 16

2-3-2- تئوری‌های مرتبط با رندوم فارست………………………………………………………………… 19

2-3-3- رندوم فارست برای رگرسیون…………………………………………………………………………. 22

2-3-4- مزایا و کاربردهای رندوم فارست…………………………………………………………………….. 23

2-4- نتیجه ­گیری……………………………………………………………………………………………………………………. 24

فصل سوم. پیشینه تحقیق

3-1- مقدمه…………………………………………………………………………………………………………………………….. 26

3-2- تعریف مسئله…………………………………………………………………………………………………………………. 26

3-3- روش‌های مبتنی بر آنالیزهای سری زمانی………………………………………………………………….. 29

3-4- روش‌های مبتنی بر مدل‌های شبکه عصبی…………………………………………………………………. 32

3-5- روش‌های مبتنی بر الگوریتم‌های داده­کاوی………………………………………………………………… 34

فصل چهارم. معرفی تکنیک پیشنهادی

4-1- مقدمه…………………………………………………………………………………………………………………………….. 40

4-2- خصوصیات کلی پایگاه داده………………………………………………………………………………………….. 41

4-3- پایگاه داده­ی مورد استفاده……………………………………………………………………………………………. 42

4-3-1- داده‌ی آموزشی………………………………………………………………………………………………… 44

4-3-2- داده‌ی آزمایشی……………………………………………………………………………………………….. 44

4-4- تکنیک پیشنهادی…………………………………………………………………………………………………………. 45

4-4-1- بررسی توزیع جریان‌های ترافیکی………………………………………………………………….. 47

4-4-2- مرحله پیش پردازش و استخراج ویژگی………………………………………………………… 50

4-4-3- مرحله شناسایی و تقسیم بندی به Context های مختلف………………………….. 52

4-4-4- مرحله یادگیری با بکارگیری Context-Aware Random Forest……………… 56

فصل پنجم. نتایج تجربی

5-1- مقدمه…………………………………………………………………………………………………………………………….. 59

5-2- پایگاه داده………………………………………………………………………………………………………………………. 60

5-3- معیارهای ارزیابی…………………………………………………………………………………………………………… 61

5-3-1- معیار ارزیابی خطای پیش­بینی………………………………………………………………………. 61

5-3-2- مقایسه کارآیی معیارهای سنجش فاصله بر روی مشاهدات ترافیکی………….. 62

5-4- بررسی تناسب الگوریتم رندوم فارست در مقایسه با دیگر متدها……………………………… 64

5-5- تنظیمات اعمال شده در پیاده سازی الگوریتم (تنظیم پارامترها)…………………………….. 66

5-6- ارزیابی سایز گردآمدگی بر روی داده‌ی اعتبارسنجی…………………………………………………. 67

5-7- استخراج مجموعه‌های نمونه‌های آموزشی…………………………………………………………………… 70

5-8- نتایج یادگیری الگوریتم بر روی مجموعه‌های نمونه‌های آموزشی……………………………… 72

فصل ششم. نتیجه‌گیری

خلاصه­ ی مطالب و نتیجه­ گیری……………………………………………………………………………………………… 75

فهرست منابع و مآخذ………………………………………………………………………………………………………….. 78

فهرست جدول‌ها

جدول شماره 4-1: شرح مفاهیم و معادل ترم‌های مورد استفاده ………………………………………. 45

جدول شماره 5-1: مقایسه میانگین خطای الکوریتم­های مختلف weka……………………………. 64

جدول شماره 5-2: مقایسه خطای الگوریتم بگینگ و رندوم فارست………………………………….. 66

فهرست شکل‌ها

شکل 1-1:  معماری کلی مربوط به متدهای یادگیری تجمعی………………………………………………. 6

شکل 2-1: معماری کلی الگوریتم بگینگ…………………………………………………………………………….. 14

شکل 2-2:  نمایی کلی از الگوریتم رندوم فارست………………………………………………………………… 16

شکل 2-3: معماری کلی مربوط به الگوریتم رندوم فارست…………………………………………………. 20

شکل 4-1: صفحه‌ی نمایش شبیه ساز ترافیک TSF…………………………………………………………… 42

شکل 4-2: نقشه‌ی شهر Warsaw، اعمال شده بهTSF……………………………………………………….. 43

شکل 4-5: ارائه‌ی دید دقیق‌تر در خصوص رفتار جریان‌های ترافیکی………………………………… 48

شکل 4-6: نمایش نمادین روند انجام مرحله گردآمدگی……………………………………………………… 50

شکل 4-7: نمودار الزامات معیار شباهت مناسب………………………………………………………………….. 53

شکل 4-8: جریانهای ترافیکی مسیرها مربوط به دو context ……………………………………………. 55

شکل 5-1: مثالی از چگونگی اعمال مراحل گردآمدگی………………………………………………………. 68

شکل 5-2: مقایسه­ی خطا روشها با اعمال سایزهای مختلف گردآمدگی …………………………… 69

شکل 5-3: مراحل نمادین استخراج مجموعه نمونه آموزشی………………………………………………. 71

شکل 5-4: مقایسه خطای تکنیک پیشنهادی و روش Ensemble RF……………………………….. 72

راهنمای خرید و دانلود فایل

برای پرداخت، از کلیه کارتهای عضو شتاب میتوانید استفاده نمائید.

بعد از پرداخت آنلاین لینک دانلود فعال و نمایش داده میشود ، همچنین یک نسخه از فایل همان لحظه به ایمیل شما ارسال میگردد.

در صورت بروز  هر مشکلی،میتوانید از طریق تماس با ما  پیغام بگذارید و یا در تلگرام با ما در تماس باشید، تا شکایت شما مورد بررسی قرار گیرد.

برای دانلود فایل روی دکمه خرید و دانلود  کلیک نمایید.