پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک

word 2 MB 30596 92
1391 کارشناسی ارشد مهندسی کامپیوتر
قیمت: ۱۱,۹۶۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان‌نامه‌ی کارشناسی ارشد در رشته‌ی مهندسی کامپیوتر (هوش مصنوعی)

    امروزه موفقیت سیستم­های حمل­و­نقل هوشمند، نه تنها به اطلاعات وضعیت فعلی ترافیک، بلکه تا حد زیادی به آگاهی از وضعیت ترافیکی دقایق آینده وابسته است. از این­رو، تحقیقات زیادی در زمینه­ی پیش­بینی­ کوتاه­­مدت وضعیت ترافیکی انجام شده است. هرچند تاکید اکثریت آنها، تنها بر روی اعمال الگوریتم­های مختلف بمنظور یادگیری داده­های ترافیکی و ارائه­­ی مدل، بر اساس داده­های جمع­آوری 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 پایان­نامه با مطالعه­ی توزیع جریان­های ترافیکی، سعی در جداسازی رفتارهای مربوط به پریودهای اوج و غیر­اوج ترافیکی و همچنین استفاده از مفاهیم و دانش بدست­آمده برای آموزش مدل­های متمایز متناظر با رفتارهای مختلف ترافیکی دارد. شایان ذکر است که حتی در صورتی­که 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 پیش­بینی­کننده، از زمینه­ی داده­ی مورد آموزش باخبر بوده و بر این اساس احتمال گیر­اُفتادن آن در بهینه­ی محلی کمتر می­شود. به منظور ارزیابی روش ارائه شده، آزمایشاتی بر روی داده­­ی بخش ترافیک مسابقه بین­المللی داده­کاوی سال 2010 انجام شد. نتایج حاصل، مؤید کارایی و مقیاس­پذیری روش پیشنهادی در مقایسه با دیگر نتایج بدست آمده توسط تیم­های برتر مسابقه، می­باشد.

    فصل اول

    مقدمه

     

     

    1-1-     تعریف مسئله

     

          امروزه، با توجه به گسترش روزافزون مطالبات حمل‌ونقل و بروز مشکلات ناشی از افزایش ترافیک شهری، ازجمله آلودگی هوا، آلودگی صوتی، مصرف سوخت، اتلاف وقت و انرژی و هزینه‌های تحمیلی آنها، ارائه راهکار مناسب درجهت روان شدن ترافیک از اهمیت ویژه‌ای برخوردار است. از طرفی باتوجه به محدودیت‌های امکانات شهرسازی در مقابل تقاضای انبوه وسایل نقلیه، لازم است تا تمهیداتی کاربردی و امکان‌پذیر برای حل این معضل درنظر گرفته ‌شود. ازآنجا که تاکنون فناوری اطلاعات[1] نقش مؤثری درعرصه‌های مختلف صنعتی ایفا کرده است، ورود این تکنولوژی در زمینه‌ی سیستم‌های حمل‌ونقل نیز بعنوان راهکاری مناسب مورد توجه قرارگرفت و منجر به پدیدآمدن سیستم‌های حمل‌ونقل هوشمند[2] شد. در واقع تکنولوژی فناوری اطلاعات به عناصر سیستم حمل‌ونقل این امکان را می‌دهد تا با بکارگیری حسگر[3]ها و میکروچیپ‌ها و ارتباط آنها از طریق تکنولوژی بی­سیم[4]، تبدیل به یک سیستم هوشمند شوند. امروزه سیستم حمل‌ونقل هوشمند با تشکیل سامانه‌ای متشکل از حسگرهای دریافت داده، سامانه‌های پردازش اطلاعات و سامانه‌های ارائه‌ی اطلاعات به استفاده کنندگان، گامی مؤثر در راستای مدیریت سیستم حمل‌ونقل و استفاده هوشمندانه از زیرساختارهای موجود، برداشته است [1]. بطور مثال این سیستم با بکارگیری فناوری‌های متفاوتی همچون هدایت خودرو و سیستم کنترل چراغ‌های راهنمایی، تابلوهای اعلان ترافیک، دوربین سرعت‌سنج و سیستم خودکار شناسایی شماره‌ی خودرو گرفته تا سیستم‌های پیشرفته و پیچیده‌تری که بطور همزمان اطلاعات متفاوتی مانند وضعیت آب و هوا، وضعیت ترافیک، وضعیت جاده‌ها را از منابع متفاوت یکپارچه می­کند، کنترل این حوزه را بدست‌ گرفته‌ است. از جمله دستاوردهای مهم بکارگیری سیستم حمل‌ونقل هوشمند می‌توان به کاهش ترافیک، کاهش حوادث و تصادفات، امکان انتخاب مسیرهای بهینه با توجه به وضعیت مسیرها، مدیریت حمل‌ونقل عمومی و وسائل نقلیه‌ی امدادی و همچنین امکان اخذ الکترونیکی مواردی همچون عوارض، هزینه‌ی پارکینگ و خرید بلیط که منجر به صرفه جویی در سوخت وانرژی و کاهش هزینه‌های تحمیلی می­شود، اشاره کرد. عموماً سیستم‌های حمل ونقل هوشمند را تحت عنوان پنج گروه اصلی بررسی می­کنند که هرکدام حوزه‌های مختلف از این سامانه را شامل می­شوند؛

    الف) سامانه‌های پیشرفته‌ی اطلاعات مسافرتی[5](ATIS) که وظیفه‌ی آن فراهم آوردن اطلاعات وضعیت فعلی ترافیکی و جوّی جاده‌ها، تصادفات و تعمیرات جاده‌ای و همچنین اطلاع رسانی به مسافران و کاربران بمنظور استفاده‌ی بهینه از مسیرهای موجود و برقراری تعادل ترافیکی می‌باشد.

    ب) سامانه‌های پیشرفته‌ی مدیریت ترافیک[6]  (ATMS)که اطلاعات ترافیکی جمع­آوری شده از منابع مختلف را بررسی و یکپارچه کرده و از طریق ابزارهای کنترل ترافیک مانند سینگال‌های ترافیکی، کنترل رمپ[7] ورودی بزرگراه ها به منظور حفظ تراکم و تابلوهای اطلاع رسانی متغیر موجود در جاده‌ها، کنترل جریان ترافیکی را در دست می‌گیرند.

    ج) سامانه‌های پرداخت الکترونیکی[8] (EPS) که شامل سیستم جمع‌آوری الکترونیکی عوارض[9](ETC)، سامانه‌های پرداخت عوارض بمنظور استفاده از خطوط ویژه‌ی وسایل نقلیه پرسرنشین[10] توسط وسایل تک سرنشین و همچنین قیمت‌گذاری مسیر[11] و خطوط پرترافیک می‌باشد.

    د) سامانه‌های پیشرفته و هوشمند حمل‌ونقل همگانی[12] (APTS)اموری در جهت تسهیل ارائه‌ی خدمات حمل‌ونقل عمومی همچون تعیین موقعیت خودکار[13] وسیله نقلیه و اطلاع رسانی به مسافران، خدمات رزرو و تعیین کرایه را نیز شامل می‌شود.

    ه) سامانه‌های پیشرفته‌ی کنترل وسائل نقلیه(AVCS)[14] که شامل سامانه­ی انطباق هوشمند سرعت[15](ISA)، سامانه‌های هشدار و پیشگیری از تصادفات می‌شوند. 

    در حوزه‌یAITS  وATMS، پیش‌بینی کوتاه مدت ترافیک از عناصر مهم موفقیت سیستم‌ های حمل‌ونقل هوشمند محسوب می‌شود، چرا که در راستای کنترل ترافیک نه تنها وضعیت فعلی ترافیک بلکه وضعیت آینده‌ی ترافیک نیز حائز اهمیت است. از این رو الگوریتم‌های پیش‌بینی ترافیک مورد توجه ویژه‌ای در میان محققان این حوزه قرار گرفتند.

     

     

    1-2-     چالش‌های مسئله

     

    همانطور که پیشتر بیان شد، مراکز کنترل ترافیک بر اساس جمع­آوری آمار و اطلاعات ترافیکی، پردازش و یکپارچه سازی آنها، تصمیمات لازم جهت مدیریت و کنترل ترافیک را اتخاذ می‌کنند. در راستای بهبود کنترل ترافیک، ATIS و ATMS بعنوان اصلی­ترین اجزاء سیستم حمل­و­نقل هوشمند، علاوه بر وضعیت فعلی ترافیک، به وضعیت آینده ترافیک نیز احتیاج دارند. ازین‌رو پیش­بینی وضعیت آینده ترافیک از جمله مباحث مهم برای این مراکز به حساب می‌آید تا با استفاده از آن استراتژی‌های لازم جهت جلوگیری از تراکم و هشدار به رانندگان جهت انتخاب مسیر بهینه، صورت گیرد. تاکنون تحقیقات متعددی در خصوص پیش‌بینی وضعیت ترافیکی آینده انجام شده است که در واقع با استفاده از داده‌های ثبت شده از وضعیت فعلی ترافیک، ترافیک مربوط به زمان‌های آتی را پیش‌بینی می‌کنند.

    بطور معمول داده‌های جمع‌آوری شده در حوزه‌ی ترافیک، بصورت سری‌های زمانی[16] در اختیار ما قرار می‌گیرند که در واقع شامل رکوردهای مختلفی هستند که در بازه های زمانی  مساوی و در طی اندازه‌گیری‌های متوالی بدست می‌آیند. با استفاده از داده‌های فعلی و گذشته، مقادیر آن‌ها در آینده پیش‌بینی می‌شوند [2]. تاکنون تکنیک‌های متفاوتی در زمینه‌ی پیش‌بینی ترافیک بکار گرفته شده است که از جمله‌ی آن‌ها می‌توان به روش‌های کالمن فیلترینگ[17] [4,3]، متدهای آماری غیرپارامتریک [5,6] [18]، روش‌های یادگیری متوالی[7] [19]، مدل‌های شبکه‌عصبی[20] [8-11] و آنالیزهای سری‌های زمانی[13-17]  اشاره کرد. از مهمترین چالش‌های اعمال این الگوریتم‌ها، حجم بالای داده‌های ترافیکی است که منجر شده تا اخیراً گرایش تحقیقات به سمت استفاده از الگوریتم‌های داده کاوی[21] باشد.

    همانطور که می‌دانیم تکنیک‌های داده کاوی قابلیت استخراج اطلاعات از داده‌هایی با حجم بسیار بالا همچون داده‌های ترافیکی را دارا هستند. از میان آن‌ها روش‌های مبتنی بر درختهای تصمیم‌گیری[22] بطور گسترده‌ای در حوزه‌ی ترافیک مورد استفاده قرار گرفته است[18,19]. همچنین متدهای یادگیری تجمعی[23] همانند بگینگ و بوستینگ با توجه به کارایی بالا، مورد توجه ویژه‌ای واقع شدند. ایده‌ی اصلی آن‌ها ساخت مجموعه‌ای از مدل‌ها و ترکیب نتایج آن‌ها با هدف بهبود دقت[24] یادگیری می‌باشد[47]. در شکل -11 معماری کلی الگوریتم‌های یادگیری تجمعی را می‌بینیم که از کتاب [20]  آورده شده است.

    ABSTRACT

     

     

    A Framework For Improving Traffic Conditions Prediction

    Nowadays short-term traffic prediction is of great interest in Intelligent   Transportation Systems (ITS). To come up with an effective prediction model, it is essential to consider the time-dependent volatility nature of traffic data. Inspired by this understanding, this paper explores the underlying trend of traffic flow to differentiate between peak and non-peak traffic periods, and finally makes use of this notion to train separate prediction model for each period effectively.  It is worth mentioning that even if time associated with the traffic data is not given explicitly, the proposed approach will strive to identify different trends by exploring distribution of data. Once the data corresponding trends are determined, Random Forest as prediction model is well aware of data context, and hence, it has less chance of getting stuck in local optima. To show the effectiveness of our approach, several experiments are conducted on the data provided in the first task of 2010 IEEE International Competition on Data Mining (ICDM). Experimental results are promising due to the scalability of the proposed method compared to the results given by the top teams of the competition.

  • فهرست:

    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- نتیجه­گیری..................................................................................................................................... 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

    خلاصه­ی مطالب و نتیجه­ گیری............................................................................................................ 75

     

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

     

    منبع:

     

    [1] Ezell, Stephen. "Explaining international IT application leadership: Intelligent transportation systems." (2010).

    [2] Box, G. E., and Jenkins, G. M. (1976). Time Series Analysis Forecasting and Control. Holden-Day: San Francisco. MR436499.

    [3] Whittaker, J., Garside, S., and Lindveld, K. (1997). “Tracking and predicting a network traffic process.” International Journal of Forecasting, 13(1), 51-61.

    [4] Okutani, I., and Stephanedes, Y. J. (1984). “Dynamic prediction of traffic volume through Kalman filtering theory.” Transportation Research Part B: Methodological, 18(1), 1-11.

     [5] Davis, G. A., and Nihan, N. L. (1991). “Nonparametric regression and short-term freeway traffic forecasting.” Journal of Transportation Engineering, 117(2), 178-188.

    [6] Smith, B. L., Williams, B. M., and Oswald, R. K. (2000). “Parametric and nonparametric traffic volume forecasting.” In National Research Council (US). Transportation Research Board. Meeting (79th: 2000: Washington, DC). Preprint CD-ROM.

    [7] Chen, H., and Grant-Muller, S. (2001). “Use of sequential learning for short-term traffic flow forecasting.” Transportation Research Part C: Emerging Technologies, 9(5), 319-336.

    [8] Jiang, X., and Adeli, H. (2005). “Dynamic wavelet neural network model for traffic flow forecasting.” Journal of transportation engineering, 131(10), 771-779.

    [9] Park, B., Messer, C. J., and Urbanik II, T. (1998). “Short-term freeway traffic volume forecasting using radial basis function neural network.” Transportation Research Record: Journal of the Transportation Research Board, 1651(-1), 39-47.

    [10] Abdulhai, B., Porwal, H., and Recker, W. (1999). “Short term freeway traffic flow prediction using genetically-optimized time-delay-based neural networks.”

    [11] Vlahogianni, E. I., Karlaftis, M. G., and Golias, J. C. (2005). “Optimized and meta-optimized neural networks for short-term traffic flow prediction: A genetic approach.” Transportation Research Part C: Emerging Technologies, 13(3), 211-234.

    [12] Chang, S.C., Kim, S.J., and Ahn, M.H., (2000). “Traffic-flow forecasting using time series analysis and artificial neural network: the application of judgmental adjustment.” Presented in the 3rd IEEE International Conference on Intelligent Transportation Systems.

    [13] Lee, S., and Fambro, D. B. (1999). “Application of subset autoregressive integrated moving average model for short-term freeway traffic volume forecasting.” Transportation Research Record: Journal of the Transportation Research Board, 1678(-1), 179-188.

    [14] Ghosh, B., Basu, B., and O'Mahony, M. (2009). “Multivariate short-term traffic flow forecasting using time-series analysis.” Intelligent Transportation Systems, IEEE Transactions on, 10(2), 246-254.

    [15] Nihan, N. L., and Holmesland, K. O. (1980). “Use of the Box and Jenkins time series technique in traffic forecasting.” Transportation, 9(2), 125-143.

    [16] Kamarianakis, Y., Kanas, A., and Prastacos, P. (2005). “Modeling traffic volatility dynamics in an urban network.” Transportation Research Record: Journal of the Transportation Research Board, 1923(-1), 18-27.

    [17] Ishak, S., and Al-Deek, H. (2003, January). “Statistical Evaluation of I-4 Traffic Prediction System.” In Transportation Research Board 82nd Annual Meeting. Washington, DC.

    [18] Hamner, Benjamin. "Predicting Future Traffic Congestion from Automated Traffic Recorder Readings with an Ensemble of Random Forests." Data Mining Workshops (ICDMW), 2010 IEEE International Conference on. IEEE, 2010.

    [19] Gil Bellosta, C. J. (2010, December). “A convex combination of models for predicting road traffic.” In Data Mining Workshops (ICDMW), 2010 IEEE International Conference on (pp. 1354-1356). IEEE.

    [20] Han, J., and Kamber, M. (2006). Data mining: concepts and techniques. Morgan Kaufmann.

    [21] Breiman, Leo. "Random forests." Machine learning 45.1 (2001): 5-32.

    [22] Qi, Yan. Probabilistic models for short term traffic conditions prediction. Diss. Louisiana State University, 2010.

    [23] Vlahogianni, E. I. (2009). “Enhancing predictions in signalized arterials with information on short-term traffic flow dynamics.” Journal of Intelligent Transportation Systems, 13(2), 73-84.

    [24] Nejad, S. K., Seifi, F., Ahmadi, H., and Seifi, N. (2009, March). “Applying data mining in prediction and classification of urban traffic.” In Computer Science and Information Engineering, 2009 WRI World Congress on (Vol. 3, pp. 674-678). IEEE.

    [25] Leshem, G., and Ritov, Y. A. (2007, January). “Traffic flow prediction using adaboost algorithm with random forests as a weak learner.” In Proceedings of the International Conference on Computer, Information, and Systems Science, and Engineering.

    [26] Kasabov, N. K. (1996). Foundations of neural networks, fuzzy systems, and knowledge engineering. MIT press.

    [27] Schapire, Robert E. "The strength of weak learnability." Machine learning 5.2 (1990): 197-227.

    [28] Breiman, Leo. "Bagging predictors." Machine learning 24.2 (1996): 123-140.

    [29] Kuncheva, L. I. (2007). “Combining Pattern Classifiers: Methods and Algorithms (Kuncheva, LI; 2004)[book review]”. Neural Networks, IEEE Transactions on, 18(3), 964-964.

    [30] Liaw, A., and Wiener, M. (2002). “Classification and Regression by randomForest.” R news, 2(3), 18-22.

    [31] Verikas, A., Gelzinis, A., and Bacauskiene, M. (2011). “Mining data with random forests: A survey and results of new tests.” Pattern Recognition, 44(2), 330-349.

    [32] Steinberg, D., Golovnya, M., and Cardell, N. S. (2004). “Data Mining with Random Forests™.”

    [33] Robnik-Šikonja, M. (2004). “Improving random forests.” Machine Learning: ECML 2004, 359-370.

    [34] Tsymbal, A., Pechenizkiy, M., and Cunningham, P. (2006). “Dynamic integration with random forests.” Machine Learning: ECML 2006, 801-808.

    [35] Hamed, M. M., Al-Masaeid, H. R., and Said, Z. M. B. (1995). “Short-term prediction of traffic volume in urban arterials.” Journal of Transportation Engineering, 121(3), 249-254.

    [36] Mills, T. C. (1991). Time series techniques for economists. Cambridge University Press.

    [37] Bollerslev, T. (1986). “Generalized autoregressive conditional heteroskedasticity.” Journal of econometrics, 31(3), 307-327.

    [38] Washington, S.P., Karlaftis, M.G., Mannering, F.L., 2003. Statistical and Econometric Methods for Transportation Data Analysis. Chapman and Hall/CRC Press, Boca Raton, FL.

    [39] Cristianini, N., and Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge university press.

    [40] Baum, L. E., and Petrie, T. (1966). “Statistical inference for probabilistic functions of finite state Markov chains.” The Annals of Mathematical Statistics, 37(6), 1554-1563.

    [41] Gora, P. (2012, March). “Traffic Simulation Framework.” In Computer Modelling and Simulation (UKSim), 2012 UKSim 14th International Conference on (pp. 345-349). IEEE.

    [42] Wojnarski, M., Gora, P., Szczuka, M., Hung, N. S., Swietlicka, J., and Zeinalipour, D. (2010, December). “IEEE ICDM 2010 Contest: TomTom Traffic Prediction for Intelligent GPS Navigation.” In Data Mining Workshops (ICDMW), 2010 IEEE International Conference on (pp. 1372-1376). IEEE.

    [43] Weijermars, Wilhelmina Adriana Maria. Analysis of urban traffic patterns using clustering. University of Twente, 2007.

    [44] Allaby, Peter, Bruce Hellinga, and Mara Bullock. "Variable speed limits: Safety and operational impacts of a candidate control strategy for freeway applications." Intelligent Transportation Systems, IEEE Transactions on 8.4 (2007): 671-680.

    [45] Smith, B. L., Williams, B. M., and Keith Oswald, R. (2002). “Comparison of parametric and nonparametric models for traffic flow forecasting.” Transportation Research Part C: Emerging Technologies, 10(4), 303-321.

    [46] Chen, C., Wang, Y., Li, L., Hu, J., and Zhang, Z. (2012). “The retrieval of intra-day trend and its influence on traffic prediction.” Transportation Research Part C: Emerging Technologies, 22, 103-118.

    [47] Dietterich, T. (2000). “Ensemble methods in machine learning.” Multiple classifier systems, 1-15.


تحقیق در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, مقاله در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, پروژه دانشجویی در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, پروپوزال در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, تز دکترا در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, تحقیقات دانشجویی درباره پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, مقالات دانشجویی درباره پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, پروژه درباره پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, گزارش سمینار در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, پروژه دانشجویی در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, تحقیق دانش آموزی در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, مقاله دانش آموزی در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک, رساله دکترا در مورد پایان نامه ارائه‌ چارچوبی در راستای بهبود پیش‌ بینی وضعیت ترافیک

پايان نامه براي دريافت درجه­ي کارشناسي ارشد  « M.Sc» گرايش: راه و ترابري   زمستان  1393 چکيده آناليز ترافيک يک جزء ضروري و پيچيده­ سيستم هاي حمل­

پایان­نامه کارشناسی­ارشد گرایش مخابرات- سیستم چکیده پژوهش حاضر، درمورد مسئله مقیاس پذیری در شبکه های سنسوری بدون سیم با قابلیت تصویربرداری است که با در نظر گرفتن یک سناریوی نسبتا کاربردی از شبکه سنسوری، و براساس معیارهای عملکرد ظرفیت قطع (outage) و ظرفیت ارگادیک (ergodic) شبکه، مقیاس­پذیری را مورد تحلیل، مدلسازی ریاضی و شبیه سازی قرار داده است. مقیاس پذیری اصولا برای تعیین اثرات ...

پایان‏نامه جهت دریافت کارشناسی ارشد رشته مهندسی کامپیوتر- هوش مصنوعی و رباتیک چکیده هر ساله تصادفات رانندگی زیادی به دلیل خواب‏ آلودگی و عدم تمرکز حواس راننده در سراسر دنیا رخ می‏دهد که خسارت‏های جانی و مالی فراوانی به همراه دارند. یکی از روش‏های تشخیص خستگی و عدم تمرکز حواس، استفاده از سیستم‏های نظارت چهره راننده است. سیستم‏های نظارت چهره راننده با دریافت تصاویر از دوربین و ...

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته مکاترونیک چکیده امروزه استفاده از ارتباطات بین خودرویی به عنوان یکی از فناوری ها در جهت افزایش امنیت و راحتی سفر در حوزه حمل و نقل و بسیاری از شرکت های خودروسازی مورد توجه قرار گرفته است . گونه ای از اتلاف وقت و انرژی که بخش عمده ای از ترافیک خیابانی را شامل می شود، مساله پارک خودروها می باشد. رشد روز افزون وسائط نقلیه عمومی و ...

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته مکاترونیک چکیده امروزه استفاده از ارتباطات بین خودرویی به عنوان یکی از فناوری ها در جهت افزایش امنیت و راحتی سفر در حوزه حمل و نقل و بسیاری از شرکت های خودروسازی مورد توجه قرار گرفته است . گونه ای از اتلاف وقت و انرژی که بخش عمده ای از ترافیک خیابانی را شامل می شود، مساله پارک خودروها می باشد. رشد روز افزون وسائط نقلیه عمومی و ...

فصل اول کلیات تحقیق مقدمه : با توسعه شهر ها و افزایش تقاضای سفرهای درون­شهری، نیاز به جابه­جائی مردم و کالاها طی سالهای اخیر روزبه­روز افزون­تر گشته است. در این میان کارشناسان و متخصصین حمل و نقل و برنامه­ریزان شهری، تنها راه مدیریت حمل و نقل و ترافیک شهرها را در افزایش سهم حمل و نقل انبوه و عمومی و توسعه مدیریت سیستم­های حمل و نقل شهری دانسته­اند. چرا که با توسعه و افزایش ...

پايان نامه کارشناسي ارشد رشته دريانوردي گرايش حمل و نقل دريايي (موردکاوي ترمينال کانتينري بندر شهيد رجايي) بهمن ماه 1390 چکيده در اين تحقيق سناريوهاي آينده نگاري ترافيک کانتينري بندر شهيد

پایان نامه برای دریافت درجه کارشناسی ارشد(M.A) رشته : مدیریت صنعتی- تولید چکیده در وضعیت موجود بر اثر افزایش قیمت سوخت کرایه حمل و نقل افزایش می یابد و به دنبال آن قیمت محصولات تولید ی و خدماتی نیز افزایش می یابد که باعث تورم در جامعه می شود وکرایه حمل و نقل و تورم تابع قیمت سوخت می باشند در وضعیت موجود کرایه بار وابسته به قیمت سوخت و مسافت و نوع جاده و ساعت محاسبه می شود و ابن ...

چکيده   در يک محيط صنعتي توزيع شده، کارخانه هاي مختلف و داراي ماشين ها و ابزارهاي گوناگون در مکان هاي جغرافيايي مختلف غالبا به منظور رسيدن به بالاترين کارايي توليد ترکيب مي شوند. در زمان ت

پایان نامه برای دریافت درجه کارشناسی ارشد (M.Sc) چکیده: یک شبکه حسگر متشکل از تعداد زیادی گره‌های حسگر است که در یکمحیط به طور گسترده پخش شده و به جمع‌آوری اطلاعات از محیط می‌پردازند.از آنجایی که گره ها از باتری تغذیه میکنند ،مساله مهمی که در شبکه های حسگرمورد توجه قرار میگیرد،بحث مصرف انرژی است.یکی از روشهایی که در این شبکه ها برای کاهش مصرف انرژی بسیار رایج است خواباندن گره ها ...

ثبت سفارش