ترجمه فارسی مقاله یک شبکه عصبی ترکیبی برای کالیبراسیون تقاضای OD در زمان واقعی تحت اختلالات

چکیده

Existing automated urban traffic management systems, designed to mitigate traffic congestion and reduce emissions in real time, face significant challenges in effectively adapting to rapidly evolving conditions. Predominantly reactive, these systems typically respond to incidents only after they have transpired. A promising solution lies in implementing real-time traffic simulation models capable of accurately modelling environmental changes. Central to these real-time traffic simulations are origin-destination (OD) demand matrices. However, the inherent variability, stochasticity, and unpredictability of traffic demand complicate the precise calibration of these matrices in the face of disruptions. This paper introduces a hybrid neural network (NN) architecture specifically designed for real-time OD demand calibration to enhance traffic simulations’ accuracy and reliability under both recurrent and non-recurrent traffic conditions. The proposed hybrid NN predicts the OD demand to reconcile the discrepancies between actual and simulated traffic patterns. To facilitate real-time updating of the internal parameters of the NN, we develop a metamodel-based backpropagation method by integrating data from real-world traffic systems and simulated environments. This ensures precise predictions of the OD demand even in the case of abnormal or unpredictable traffic patterns. Furthermore, we incorporate offline pre-training of the NN using the metamodel to improve computational efficiency. Validation through a toy network and a Tokyo expressway corridor case study illustrates the model’s ability to dynamically adjust to shifting traffic patterns across various disruption scenarios. Our findings underscore the potential of advanced machine learning techniques in developing proactive traffic management strategies, offering substantial improvements over traditional reactive systems.

چکیده به فارسی (ترجمه ماشینی)

سیستم های خودکار مدیریت ترافیک شهری موجود ، طراحی شده برای کاهش احتقان ترافیک و کاهش انتشار گازهای گلخانه ای در زمان واقعی ، در سازگاری موثر با شرایط در حال تحول سریع با چالش های مهمی روبرو می شوند.این سیستم ها به طور عمده واکنشی ، معمولاً پس از انتقال آنها به حوادث پاسخ می دهند.یک راه حل امیدوارکننده در اجرای مدلهای شبیه سازی ترافیک در زمان واقعی که قادر به مدل سازی دقیق تغییرات محیطی هستند ، نهفته است.مهم برای این شبیه سازی های ترافیک در زمان واقعی ماتریس تقاضای مبدا (OD) است.با این حال ، تنوع ذاتی ، تصادفی و غیرقابل پیش بینی بودن تقاضای ترافیک ، کالیبراسیون دقیق این ماتریس ها را در مواجهه با اختلالات پیچیده می کند.در این مقاله یک معماری شبکه عصبی ترکیبی (NN) به طور خاص برای کالیبراسیون تقاضای OD در زمان واقعی طراحی شده است تا در شرایط ترافیک مکرر و غیر تکرار ، دقت و قابلیت اطمینان شبیه سازی ترافیک را افزایش دهد.Hybrid NN پیشنهادی تقاضای OD را برای آشتی دادن اختلافات بین الگوهای ترافیکی واقعی و شبیه سازی شده پیش بینی می کند.برای تسهیل به روزرسانی در زمان واقعی پارامترهای داخلی NN ، ما با ادغام داده ها از سیستم های ترافیکی در دنیای واقعی و محیط های شبیه سازی شده ، یک روش backpropagation مبتنی بر متامودل ایجاد می کنیم.این پیش بینی های دقیق تقاضای OD را حتی در مورد الگوهای ترافیکی غیر طبیعی یا غیرقابل پیش بینی تضمین می کند.علاوه بر این ، ما قبل از ترحم آفلاین NN با استفاده از متامودل برای بهبود راندمان محاسباتی را در خود جای داده ایم.اعتبار سنجی از طریق یک شبکه اسباب بازی و یک مطالعه موردی کریدور بزرگراه توکیو ، توانایی مدل در تنظیم پویا با تغییر الگوهای ترافیکی را در سناریوهای مختلف اختلال نشان می دهد.یافته های ما پتانسیل تکنیک های پیشرفته یادگیری ماشین را در تدوین استراتژی های مدیریت فعال ترافیک و ارائه پیشرفت های قابل توجهی در سیستم های واکنشی سنتی نشان می دهد.