چکیده
برآورد حجم ترافیک در مقیاس شهری، یک مسئله مهم مفید برای بسیاری از عملیات های حمل و نقلی و کاربردهای شهری است. این مقاله، یک چارچوب ترکیبی که هر دوی تکنیک های یادگیری ماشینی کیفی فنی و نظریه جریان ترافیکی کاملاً تایید شده را به منظور برآورد حجم ترافیک شهری ادغام می کند، پیشنهاد می کند. علاوه بر ویژگی های بافت شهری معمولی استخراج شده از منابع چندگانه، ما مجموعه ای از ویژگی های مربوط به مدارهای GPS را بر اساس استدلال های نظریه جریان ترافیکی استخراج می کنیم که اطلاعات بیشتری در مورد رابطه بین سرعت- جریان ارائه می دهد. با استفاده از اطلاعات مربوط به سرعت شبکه گسترده برآورد شده از مدل برآورد سرعت جابجایی، یک ویژگی سطح بالای وابسته به حجم برای اولین بار با استفاده از یک مدل گرافیکی نظارت نشده فهمیده شده است. سپس، یک مدل دوباره تفسیر شده ی حجمی جهت ترسیم ویژگی سطح بالای وابسته به حجم برای حجم پیش بینی شده با استفاده از یک مقدار اندک از داده های حقیقی میدانی برای تمرین معرفی شده است. چارچوب، با استفاده از یک مجموعه داده مداری GPS حاصل از 33،000 تاکسی پکن و داده حقیقی میدانی حجمی به دست آمده از 4980 کلیپ ویدیوئی ارزیابی شده است. نتایج، اثربخشی و پتانسیل چارچوب پیشنهادی را در برآورد حجم ترافیک شهری نشان می دهند.
1-مقدمه
حجم ترافیک، یک اندازه کیفی ترافیک مرکزی است که دارای طیف گسترده ای از کاربردهاست. به عنوان مثال، الگوی حجم ترافیک شهری اغلب به عنوان مبنایی برای برنامه ریزی حمل و نقلی و شهری استفاده شده است. دفاتر حمل و نقل محلی، همچنین به اطلاعات حجمی بلادرنگ به منظور انجام مداخلات در ترافیک نیاز دارند؛ به عنوان مثال، تغییر زمانبندی علایم ترافیکی و یا مسدود کردن جاده ای خاص، به منظور واکنش به چندین ازدحام یا رویدادهای اورژانسی. علاوه بر این، حجم ترافیک به عنوان داده های ورودی برای محاسبه تردد خودرو، که در بسیاری از سیستم های کنترل آلودگی مورد نیاز است، عمل می کند...