مجتبی کرمی

پیش بینی ترافیک بزرگ راهی یکی از کاربرد‌های مهم در سیستم حمل و نقل هوشنمد است که جزو روش‌های، دسته رگرسیون خطی در هوش مصنوعی قرار می‌گیرد. روش‌های مختلفی، برای اینکار توسعه داده شده است مانند روش‌های مدل‌ محور که سعی در ساختن یک مدل برای هر شهر یا منطقه خاص با توجه به ویژگی‌های جمعیتی و مکانی دارند. این روش‌ها غیر قابل تعمیم برای منطقه‌های دیگر هستند و روند مدلسازی نیز پر هزینه و طولانی خواهد بود. با پیشرفت هوش مصنوعی و یادگیری ماشین، روش‌های داده‌ محور وارد عرصه شدند و توانستند دقت و سرعت بهتری نسبت به روش‌های مدل‌ محور بدست آورند. این روش‌های داده‌ محور به سه دسته زمانی، مکانی و مکانی-زمانی تقسیم می‌شوند که هر کدام از آن‌ها در حال توسعه و پیشرفت هستند. شبکه‌های مبتنی بر ترنسفورمر ، شبکه‌های عصبی گرافی، شبکه‌های کانولوشن زمانی، از مدل‌های پرکاربردی هستند که برای پیش بینی ترافیک استفاده می‌شوند، با وجود استفاده زیاد از این مدل‌ها در سال‌های اخیر معایب بسیاری نیز دارند. به تازگی یک روش که از تجزیه سری زمانی استفاده می‌کند توانسته است از تمامی این مدل‌ها پیشی بگیرد. در این پایان‌نامه با استفاده از یک مدل مبتنی تجزیه سری زمانی، پیش بینی ترافیک بزرگ راهی انجام شده است که نسبت به سایر روش‌ها هم از مزیت دقت و هم سرعت و همچنین تعمیم‌پذیری برخوردار است. در مجموعه داده‌های ترافیک PeMS توانسته یه صورت میانگین چهار درصد بهبود نسبت به سایر روش‌ها بدست آوریم. واژگان کلیدی: پیش بینی ترافیک، ترنسفورمر، مدل‌های بزرگ زبانی، شبکه عصبی گراف، مدل‌های مکانی-زمانی، تجزیه سری زمانی