On-road sensor systems installed on freeways are used to capture traffic flow data for short-term traffic flow predictors for traffic management, to reduce traffic congestion and improve vehicular mobility. This paper intends to tackle the impractical time-invariant assumptions which underlie the methods currently used to develop short-term traffic flow predictors: 1) the characteristics of current data captured by on-road sensors are assumed to be time invariant with respect to those of the historical data, which is used to developed short-term traffic flow predictors; and 2) the configuration of the on-road sensor systems is assumed to be time-invariant. In fact, both assumptions are impractical in the real world, as the current traffic flow characteristics can be very different from the historical ones, and also the on-road sensor systems are time varying in nature due to damaged sensors or component wear. Therefore, misleading forecasting results are likely to be produced when short-term traffic flow predictors are designed using these two time-invariant assumptions. To tackle these time-invariant assumptions, an intelligent particle swarm optimization (IPSO) algorithm is proposed to develop short-term traffic flow predictors by integrating the mechanisms of PSO, neural network and fuzzy inference system, to adapt to the time-varying traffic flow characteristics and the time-varying configurations of the on-road sensor systems. The proposed IPSO was applied to forecast traffic flow conditions on a section of freeway in Western Australia, whose traffic flow information can be captured on-line by the on-road sensor system. These results clearly demonstrate the effectiveness of using the proposed IPSO for real-time traffic flow forecasting based on traffic flow data captured by on-road sensor systems

چکیده

سیستم­ های حس­گر جاده ­ای نصب ­شده در بزرگراه ­ها برای ثبت داده­ های جریان ترافیکی برای پیش بین ­های جریان ترافیکی کوتاه ­مدت برای مدیریت ترافیک، جهت کاهش ازدحام ترافیکی و بهبود حرکت وسایل نقلیه به کار گرفته می­ شود. این مقاله می­ کوشد فرضیات نامتغیر بودن با زمان غیرعملی ­ای را که روش­ هایی حال حاضر برای توسعه ­ی پیش ­بین ­های کوتاه ­مدت ترافیکی به کار می ­گیرند را مدیریت می­ کند: 1) ویژگی ­های داده­ ی فعلی ثبت­ شده توسط حس ­گر های جاده ­ای با توجه به داده ­های تاریخچه­ ای آن­ ها نا متغیر با زمان در نظر گرفته می ­شوند، که برای توسعه ­ی پیش ­بین ­های جریان ترافیکی کوتاه­ مدت به کار گرفته می­ شوند؛ و 2) پیکره ­بندی سیستم­ های حسگر جاده­ ای نامتغیر با زمان فرض می­ شوند. در واقع، هر دو فرض در دنیای واقعی غیر عملی هستند، چرا که ویژگی­ های جریان ترافیکی فعلی می­ توانند بسیار متفاوت با ویژگی ­های تاریخچه ­ای آن­ ها باشند، و همچنین سیستم­ های حسگر در ذاتشان بخاطر حسگرهای آسیب ­دیده ­یا پوشش ­های آسیب ­دیده متغیر با زمان هستند. بنابراین زمانی که این دو فرض در پیش ­بین ­های جریان ترافیکی کوتاه­ مدت به کار گرفته می شوند ممکن است نتایج پیش­ بینی غلطی تولید شوند. جهت مدیریت این دو فرض نامتغیر بودن با زمان، یک الگوریتم بهینه ­سازی مجموع ذرات هوشمند (IPSO) جهت توسعه­ ی پیش­ بین ­های کوتاه ­مدت جریان  ترافیکی با استفاده از مکانیسم ­های PSO، شبکه­ ی عصبی و سیستم استنتاج فازی، جهت انطباق با ویژگی ­های جریان ترافیکی متغیر با زمان و پیکره­ بندی متغیر با رمان سیستم­ های حسگر جاده­ ای پیشنهاد شده است. IPSO پیشنهادی جهت پیش­ بینی شرایط جریان ترافیک روی بخشی از بزرگراه در وسترن استرالیا؛ که جریان ترافیکی آن را می ­توان با سیستم حسگر جاده ­ای آنلاین به صورت آنلاین ثبت نمود، به کار گرفته شده است. این نتایج کارآیی استفاده از IPSO پیشنهادی را برای پیش ­بینی جریان ترافیکی بلادرنگ بر مبنای داده­ های جریان ترافیکی ثبت شده توسط سیستم ­های حسگر جاده ­ای نشان می ­دهند.

1-مقدمه