پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 15 1 2023 09 23 Short-Term Prediction of Traffic Speed using Recurrent Neural Networks (RNN) پیش‌بینی کوتاه‌مدت سرعت ترافیک با استفاده از شبکه‌های عصبی بازگشتی (RNN) 3369 3394 154942 10.22119/jte.2022.342446.2600 FA عماد توکلی کارشناسی ارشد، گروه مهندسی راه و ترابری، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران 0000-0002-1819-8903 منصور حاجی حسینلو دانشیار، گروه مهندسی راه و ترابری، دانشکده مهندسی عمران، دانشگاه صنعتی‌خواجه‌ نصیرالدین‌طوسی، تهران، ایران Journal Article 2022 05 15 Traffic forecasting, as an important part of intelligent transportation systems, plays an important role in monitoring traffic conditions. Given that many studies have done traffic prediction work with deep learning models, no research has been done on traffic speed prediction in different chapters. Considering the important effects of spatio-temporal factors and the excellent performance of recursive neural networks in the field of time series analysis, in this paper, one of the deep learning neural networks that combine the characteristics of Giti recursive neural networks in consecutive time data is proposed. The data used in this study are obtained from the active visualization and evaluation network in Seattle, USA. This research has compared three seasons of spring, summer and autumn and four deep learning models including LSTM, GRU, ConvLSTM and BiLSTM and a shallow SVM model in three time steps of 5 minutes, 10 minutes and 15 minutes. The results of this research show that the results of the proposed model There was no significant difference in different seasons, and also the four deep learning models and the SVM model did not have significant differences in different seasons and these differences can be ignored. The other results show that as the interval of time steps increases, the errors increase and the accuracy of the model decreases. According to the obtained results, the accuracy of the FI-GRU model is 0.52% higher than the lowest accuracy of the deep learning model (BiLSTM), and the accuracy of the proposed model(SVM) is 1.24% higher than the shallow learning model, as well as the proposed model for predicting traffic speed. It has performed 44.1% better in the time step of 5 minutes. پیش بینی ترافیک، به عنوان بخش مهمی از سیستم‌های حمل و نقل هوشمند، نقش مهمی در نظارت بر وضعیت ترافیک ایفا می‌کند. با توجه به اینکه بسیاری از مطالعات کار پیش‌بینی سرعت ترافیک را با مدل‌های یادگیری عمیق انجام داده‌اند، همچنان پژوهشی بر روی پیش‌بین سرعت ترافیک در فصل‌های مختلف انجام نشده است.همچنین با توجه به تأثیرات مهم عوامل مکانی-زمانی و عملکرد عالی شبکه‌های عصبی بازگشتی (RNN) در زمینه تحلیل سری‌های زمانی، در این مقاله، یکی از شبکه‌های عصبی یادگیری عمیق که ویژگی‌های واحد بازگشتی گیتی تزریقی (FI_GRU) در داده‌های زمانی متوالی را ترکیب می‌کنند، پیشنهاد شده است. داده‌های مورد استفاده در این پژوهش از شبکه تجسم و ارزیابی فعال در شهر سیاتل ایالت متحده بدست آمده است. این پژوهش سه فصل بهار، تابستان و پاییز و چهار مدل یادگیری عمیق شامل LSTM وGRU و ConvLSTM و BiLSTM و یک مدل کم عمق SVM در سه گام زمانی ۵دقیقه، ۱۰دقیقه و۱۵ دقیقه باهم مقایسه کرده است، نتایج این تحقیق نشان می‌دهد، مدل پیشنهادی در فصل‌های مختلف اختلافی چشمگیری نداشته است، و همچنین چهار مدل یادگیری عمیق ومدل SVM ، در فصل‌های مختلف اختلاف قابل توجه نداشته‌اند ، نتایج دیگرنشان می‌دهد هرچه بازه گام‌های زمانی بیشتر می‌شود خطاها بیشتر و دقت مدل کاهش پیدا می‌کند، با توجه به نتایج بدست آمده دقت مدل  FI-GRUنسبت به کمترین دقت مدل یادگیری عمیق  (BiLSTM)۵۲/۰درصد بیشتر است، و دقت مدل پیشنهادی نسبت به مدل کم‌عمق (SVM) ۲۴/۱درصد بیشتر است و همچنین مدل پیشنهادی برای پیش‌بینی سرعت ترافیک در گام زمانی ۵ دقیقه ۴۴/۱درصد بهتر عمل کرده است. https://jte.sinaweb.net/article_154942_07fd2c38dcbc25c95b34e7ef96709e96.pdf