@article { author = {}, title = {A New Method in Studying Urban Traffic Predictability Based on Chaos Theory and Prediction of Mashhad Traffic Flow Based on Multiple ANFIS}, journal = {Quarterly Journal of Transportation Engineering}, volume = {4}, number = {3}, pages = {233-246}, year = {2013}, publisher = {Parseh Designers Transportation Research Institute}, issn = {2008-6598}, eissn = {2717-3976}, doi = {}, abstract = {Short-term prediction of traffic parameters such as traffic flow, speed and occupancy, have an important role in research fields of modern intelligent transportation systems. In this paper, first of all,  traffic flow predictability was studied, based on chaos theory,  and chaotic properties of traffic volume time-series were  evaluated on the basis of Lyapunov exponent. In the  prediction module, since the major  problem is corrupted and noisy data due to various reasons, effect of corrupted data was reduced by preprocessing techniques. In the next step, suitable classifications were considered, based on the effects of social factors on the traffic volume. In order to predict traffic flow, according to adaptability features, self learning algorithms of neural networks and also comprehensibility of fuzzy rules which are all combined in ANFIS structure were used. The model proposed in this paper is applied to predict the real traffic flow in Ferdowsi Boulevard, Mashhad city, Iran. Comparing the predicted traffic flow value with the flow measured in reality, the results show that the proposed model can predict traffic flow satisfactorily.}, keywords = {Traffic Flow,Speed,occupancy,prediction,Lyapunov exponent}, title_fa = {رویکردی نو در بررسی پیش بینی پذیری ترافیک شهری مبتنی بر تئوری آشوب و پیش بینی جریان ترافیک شهر مشهد مبتنی بر سیستم فازی- عصبی تطبیقی چندگانه}, abstract_fa = {پیش بینی کوتاه مدت پارامترهای ترافیکی مانند جریان ترافیک، سرعت و ازدحام، دارای اهمیت بسیاری در پژوهشهای حوزه سیستمهای حمل ونقل هوشمند مدرن است. در این مقاله، ابتدا با بکارگیری تئوری آشوب به بررسی پیش‌بینی پذیری جریان ترافیک شهری پرداخته شده و غیرتصادفی بودن سری زمانی حجم ترافیک مورد بررسی قرار گرفته است. سپس، در حوزه پیش‌بینی، با توجه به این نکته که یکی از مهم‌ترین مشکلات در هنگام پیش‌بینی وضعیت آینده ترافیک، ناقص بودن داده‌ها به علل مختلف است، الگوریتم ارایه شده در این مقاله با بکارگیری روشهای پیش پردازش، سعی بر کاهش تأثیر داده‌های معیوب دارد. همچنین در فاز پیش‌پردازش، دسته‌بندی‌های مناسب با درنظرگرفتن تاثیرات پارامترهای اجتماعی بر جریان ترافیک، صورت گرفته است. در بخش بعد و به منظور پیش‌بینی جریان ترافیک، با توجه به ویژگیهای تطبیق‌پذیری، الگوریتمهای خودیادگیر شبکه‌های عصبی و نیز یادگیری قوانین فازی که در ساختار ANFIS ترکیب شده است، از این مدل برای پیش‌بینی کوتاه‌مدت حجم ترافیک استفاده شده است. مدل مطرح شده در این مقاله، برای پیش‌بینی جریان ترافیک موجود در بلوار فرامرزعباسی در شهر مشهد در کشور ایران مورد استفاده قرار گرفته است. مقایسه نتایج مقادیر پیش بینی شده جریان ترافیک با مقادیر اندازه گیری شده در واقعیت، نتایج نشان می دهد که مدل مطرح شده به طور رضایت بخشی جریان ترافیک را پیش‌بینی می کند.}, keywords_fa = {پیش بینی کوتاه مدت,سری زمانی,نمای لیاپانوف,سیستم استنتاج فازی}, url = {https://jte.sinaweb.net/article_3811.html}, eprint = {https://jte.sinaweb.net/article_3811_1803df106c4b61effd8edf7a730b5634.pdf} }