چکیده مقاله
ترافیک سنگین علاوه بر اتلاف زمان، موجب افزایش آلودگی هوا نیز می شود در غیاب فناوری های نوینی همچون همسان رقومی DN و سیستم های اطلاعات مکانی، پایش و مدیریت ترافیک، با چالش هایی نظیر پیش بینی غیر دقیق، عدم شناسایی الگوهای ترافیکی و عدم یکپارچگی داده ها مواجه می شود این پژوهش با هدف بهبود مدیریت ترافیک شهری، مدلی مبتنی بر شبکه عصبی پیش خور FFNN و GIS برای پیش بینی زمان سفر توسعه داده است این مدل، با بهره گیری از داده های بلادرنگ ترافیک، شرایط جوی، تصادفات و رویدادها و الگوریتم پس انتشار خطا، توانست با ضریب تعیین ۹۴/۰ عملکردی بهتر از روش های سنتی ارائه دهد علاوه بر آن، داشبوردی آنلاین برای پایش لحظه ای ترافیک طراحی شد که نسبت به سامانه هایی مانند Google Maps و Waze دقت بالاتری دارد نتایج نشان می دهد استفاده از مدل های یادگیری عمیق در کنار فناوری همسان رقومی، زمینه ساز توسعه شهرهای هوشمند و ارتقای کیفیت زندگی شهری است
کلیدواژه‌ها
نویسندگان
زهرا رضایی
رئیس اداره ذینعان زیرساخت اطلاعات مکانی سازمان نقشه برداری کشور
فرزانه ربیعی
کارشناس اداره ذینفعان زیرساخت اطلاعات مکانی سازمان نقشه برداری کشور
شیوه ارجاع
�ضائی، زهرا و ربیعی، فرزانه،1404،استفاده از شبکه عصبی FFNN و فناوری همسان رقومی برای پایش برخط و پیش بینی ترافیک شهری،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران
ارائه‌شده در
مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران