همایش آروین البرز ETSJR 2 1 2026 06 03 ارائه روشی مبتنی بر الگوریتم‌های یادگیری ماشین برای پیش‌بینی تراکم ترافیک در شبکه‌های خودرویی هوشمند (VANET) ارائه روشی مبتنی بر الگوریتم‌های یادگیری ماشین برای پیش‌بینی تراکم ترافیک در شبکه‌های خودرویی هوشمند (VANET) 241 253 10.22051/jera.2021.31891.2698 FA محمد حسین گروه مهندسی کامپیوتر، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران فاطمه گروه مهندسی کامپیوتر، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران 2026 06 03 با گسترش شهرنشینی، پیش‌بینی تراکم ترافیک در شبکه‌های موردی خودرویی به چالشی بنیادین در سامانه‌های حمل‌ونقل هوشمند تبدیل شد. این پژوهش با هدف پر کردن شکاف‌های موجود، روشی نوین و ترکیبی مبتنی بر الگوریتم‌های یادگیری عمیق را برای پیش‌بینی بلادرنگ تراکم ترافیک ارائه داد. مدل پیشنهادی با تلفیق هوشمندانه شبکه‌های عصبی پیچشی و حافظه کوتاه‌مدت طولانی، وابستگی‌های پیچیده مکانی و توالی‌های زمانی را به‌صورت هم‌زمان مدل‌سازی کرد. داده‌های پژوهش از طریق شبیه‌سازی محیط واقعی شبکه‌های خودرویی جمع‌آوری و با روش‌های پیش‌پردازش و مهندسی ویژگی آماده‌سازی شدند. یافته‌های آماری نشان دادند که روش ترکیبی با دستیابی به ریشه میانگین مربعات خطای 84/3 و ضریب تعیین 96/0، دقت بالاتری نسبت به مدل‌های کلاسیک داشت. در افق کوتاه‌مدت پنج دقیقه‌ای، دقت پیش‌بینی 96% رسید و با افزایش افق زمانی، خطا به‌تدریج افزایش یافت. مدل در شرایط ترافیکی عادی پایداری بالایی نشان داد، اما در تراکم بحرانی نیازمند بهینه‌سازی تکمیلی بود. همچنین، زمان پیش‌بینی هر نمونه 52 میلی‌ثانیه به دست آمد که در محدوده استاندارد تأخیر مجاز قرار گرفت. این چارچوب مقیاس‌پذیر به‌عنوان هسته پردازشی برای تصمیمات پیش‌دستانه در مدیریت ترافیک شهری مورد بهره‌برداری قرار گرفت. با گسترش شهرنشینی، پیش‌بینی تراکم ترافیک در شبکه‌های موردی خودرویی به چالشی بنیادین در سامانه‌های حمل‌ونقل هوشمند تبدیل شد. این پژوهش با هدف پر کردن شکاف‌های موجود، روشی نوین و ترکیبی مبتنی بر الگوریتم‌های یادگیری عمیق را برای پیش‌بینی بلادرنگ تراکم ترافیک ارائه داد. مدل پیشنهادی با تلفیق هوشمندانه شبکه‌های عصبی پیچشی و حافظه کوتاه‌مدت طولانی، وابستگی‌های پیچیده مکانی و توالی‌های زمانی را به‌صورت هم‌زمان مدل‌سازی کرد. داده‌های پژوهش از طریق شبیه‌سازی محیط واقعی شبکه‌های خودرویی جمع‌آوری و با روش‌های پیش‌پردازش و مهندسی ویژگی آماده‌سازی شدند. یافته‌های آماری نشان دادند که روش ترکیبی با دستیابی به ریشه میانگین مربعات خطای 84/3 و ضریب تعیین 96/0، دقت بالاتری نسبت به مدل‌های کلاسیک داشت. در افق کوتاه‌مدت پنج دقیقه‌ای، دقت پیش‌بینی 96% رسید و با افزایش افق زمانی، خطا به‌تدریج افزایش یافت. مدل در شرایط ترافیکی عادی پایداری بالایی نشان داد، اما در تراکم بحرانی نیازمند بهینه‌سازی تکمیلی بود. همچنین، زمان پیش‌بینی هر نمونه 52 میلی‌ثانیه به دست آمد که در محدوده استاندارد تأخیر مجاز قرار گرفت. این چارچوب مقیاس‌پذیر به‌عنوان هسته پردازشی برای تصمیمات پیش‌دستانه در مدیریت ترافیک شهری مورد بهره‌برداری قرار گرفت. /downloadfilepdf/15363