پیش‌بینی هوشمند سرعت خودرو بر اساس مجموعه‌داده واقعی بزرگراه | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| دوره 57، شماره 11، بهمن 1404، صفحه 1411-1432 اصل مقاله (1.45 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2026.25491.7950 | ||
| نویسندگان | ||
| مصطفی خانعلی پور؛ محسن محمدی* ؛ حسین محمدی | ||
| دانشکده مهندسی مکانیک، دانشگاه شیراز، شیراز، ایران | ||
| چکیده | ||
| پیش‌بینی دقیق سرعت خودرو موجب کاهش مصرف انرژی و افزایش ایمنی خودروهای هوشمند می‌شود. با توجه به داده‌های موجود در سیستم‌های حمل‌و‌نقل هوشمند و ظرفیت شبکه‌های عصبی عمیق در بهره برداری از این داده‌ها، یک روش هوشمند برای پیش‌بینی سرعت با استفاده از شبکه‌های عصبی عمیق ارائه شده است. پیش‌بینی سرعت با استفاده از سابقه سرعت خودروی هدف و خودروهای جلویی آن انجام می‌شود. به منظور افزایش دقت پیش‌بینی، یک روش نوآورانه برای نرمال‌سازی داده‌های سرعت خودرو معرفی شده است که منجر به کاهش خطای پیش‌بینی می‌شود. علاوه بر این، برای مواجهه با چالش‌هایی که در عمل برای رانندگی وجود دارد، عدم قطعیت در میزان سابقه سرعت در دسترس و تعداد خودروهای جلویی در روش توسعه یافته لحاظ شده است. در این پژوهش، پیش‌بینی سرعت با گام زمانی بسیار کوتاه، که در مطالعات پیشین گزارش نشده و چالش برانگیزتر است، انجام شده است. برای آموزش مدل‌های پیشبین سرعت هوشمند از داده‌های واقعی بزرگراه استفاده شده است. نتایج نشان می‌دهد که روش پیشنهاد، به‌ویژه در گام‌های زمانی اولیه، دقت بالاتری داشته دارد و فاقد آفست است. همچنین، برخلاف تحقیقات موجود، حتی در صورت عدم وجود خودروی جلویی نیز امکان پیش‌بینی سرعت وجود دارد و دقت پیش‌بینی در این شرایط از روش‌های تحلیلی رایج بیشتر است. میانگین خطای مطلق پیش‌بینی در افق شش ثانیه‌ای با روش پیشنهادی برابر با 0/2410 متر بر ثانیه است که نسبت به مدل‌های تحلیلی حداقل 29/30 درصد و نسبت به حالتی که از روش نرمال‌سازی ارائه شده استفاده نشده است حداقل 13/18 درصد کاهش نشان می‌دهد. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی سرعت خودرو؛ یادگیری ماشین؛ نرمال سازی داده؛ خودروهای هوشمند متصل؛ یادگیری عمیق | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 353 تعداد دریافت فایل اصل مقاله: 237 |
||