دانلود با لینک مستقیم و پر سرعت .
این فایل در قالب پی دی اف و 230 صفحه می باشد.
پایان نامه ارشد رشته عمران گرایش برنامه ریزی حمل و نقل - طراحی مدل تخمین جریان ترافیک بر پایه بکارگیری شبکه های عصبی
این پایان نامه جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی عمران طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز پایان نامه ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این پایان نامه را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.
چکیده :
سیستم حمل و نقل هوشمند (ITS)، یکی از راهکارهای حل و تخفیف مشکلات مرتبط با حمل و نقل و ترافیک محسوب می‌شود، این سیستم از بخش‌های مختلف نرم‌افزاری و سخت‌افزاری تشکیل شده است که مدل تخمین جریان ترافیک در کوتاه مدت یکی از این بخش‌ها می‌باشد. این مدل با استفاده از اطلاعات وضعیت فعلی ترافیک هر معبر ( حجم ترافیک عبوری از معبر که توسط سنسورها برداشت می‌شود )، حجم عبوری از معبر در فواصل زمانی کوتاه مدت آتی را پیش‌بینی می‌کند. آگاهی از وضعیت پیش‌بینی شده برای جریان ترافیک در بخش‌های مدیریت ترافیک و اطلاع رسانی به مسافران از اهمیت بسیاری برخوردار است و هدف اصلی این تحقیق نیز ارائه مدل‌هایی برای پیش‌بینی جریان ترافیک در فواصل زمانی ۵، ۱۰، ۱۵ و ۳۰ دقیقه آینده است.
در این تحقیق روشی دو مرحله‌ای برای طراحی مدل پیش‌بینی جریان ترافیک پیشنهاد شده است. در مرحله نخست، با استفاده از روش شبکه‌های عصبی به عنوان یکی از ارکان هوش محاسباتی، از توانایی پیش‌بینی پدیده‌های مختلف برخوردار است، اما این توانایی تنها زمانی حاصل می‌شود که اجزای شبکه عصبی به درستی انتخاب شده و شبکه عصبی با استفاده از روش مناسبی آموزش داده شده باشد. طی این تحقیق ضمن بیان نحوه دستیابی به یک شبکه عصبی مناسب، اجزای مناسب برای مدلهای پیش‌بینی جریان ترافیک شامل توابع انتقال و روش آموزش تعیین می‌شود.
الگوریتم ژنتیک روشی ابتکاری است که از نحوه تکامل موجودات در طبیعت الهام گرفته شده است و برای حل مسائل بهینه سازی بکار می‌رود. در این تحقیق ضمن بهینه سازی شبکه‌های عصبی به کمک الگوریتم ژنتیک، سهم عملگرهای ژنتیکی و اندازه جمعیت مناسب برای بهینه سازی شبکه‌های عصبی تعیین می‌شود.
فهرست مطالب :
فصل اول : تعریف مساله و کلیات
۱-۱ مقدمه
۱-۲ سیستم حمل و نقل هوشمند و ساختار آن
۱-۳ مدیریت سفر و ترافیک
۱-۳-۱ کنترل ترافیک
۱-۳-۲ سیستم اطلاع رسانی به مسافران
۱-۴ تعریف تخمین کوتاه مدت جریان ترافیک
۱-۵ شبکه های عصبی
۱-۶ بهبود ساختار شبکه عصبی به کمک الگوریتم ژنتیک
۱-۷ هدف از تحقیق
۱-۸ تعریف مساله
۱-۹ فرمول بندی مساله
۱-۱۰ پیشینه تحقیق
فصل دوم : کلیات شبکه های عصبی
۲-۱ مقدمه
۲-۲ شبکه عای عصبی مغز انسان
۲-۳ ساختار یک سلول عصبی ساده
۲-۴ تعریف شبکه های عصبی
۲-۵ توانایی ها و کاربرد شبکه های عصبی
۲-۶ ویژگی های کلی شبکه های عصبی
۲-۷ داده ها در شبکه عصبی
۲-۷-۱ جمعیت و نمونه
۲-۷-۲ مجموعه آموزش، مجموعه اعتبار ستجی و مجموعه تست
۲-۸ توانایی شبکه های عصبی
۲-۸-۱ تابع ترکیب کننده
۲-۸-۲ تابع انتقال
۲-۸-۳ تابع هدف
۲-۹ معیار کارایی شبکه
۲-۹-۱ متوسط خطای مطلق
۲-۹-۲ میانگین خطای نسبی بین خروجی های حقیقی و دلخواه
۲-۹-۳ جذر میانگین مربع خطاها
۲-۹-۴ ضریب همبستگی بین خروجی های حقیقی و خروجی هدف
۲-۱۰ آستانه
۲-۱۱ نحوه شمارش لایه ها
۲-۱۲ شرایط تعمیم موفقیت آمیز
۲-۱۳ انواع شبکه های عصبی
فصل سوم : مروری بر مطالعات پیشین
۳-۱ مقدمه
۳-۲ پژوهش یاسدی
۳-۳ پژوهش ایناما
۳-۴ پژوهش هائو دینگ و همکاران
۳-۵ پژوهش باهر عبدالحی و هیمانشو پروال
۳-۶ پژوهش کارلافتیس و همکاران
فصل چهارم : شبکه های چند لایه از جلو تغذیه شونده و روش آموزش پس از انتشار خطا
۴-۱ مقدمه
۴-۲ شبکه های دولایه ای
۴-۲-۱ نگاشت غیر خطی
۴-۳ قاعده کلی دلتا
۴-۴ تصحیح وزن های لایه خروجی
۴-۵ تصحیح وزن های لایه ورودی
۴-۶ شبکه هایی با خروجی خطی
۴-۷ بسط قاعده کلی دلتا برای شبکه های چند لایه MLF
۴-۸ محاسبات بازگشتی دلتا
۴-۹ الگوریتم پس از انتشار خطا به همراه اندازه حرکت
۴-۹-۱ فرمول افزایش اصلاح شده
۴-۹-۲ تاثیر اندازه حرکت
۴-۱۰ مقادیر اولیه وزن ها
۴-۱۱تعداد لایه های پنهان و تعداد سلول های عصبی
۴-۱۲ مساله مینیمم محلی در تعین وزن ها
۴-۱۳ روش های آموزش
۴-۱۳-۱ آموزش پس از انتشار خطا با نرخ یادگیری متغیر
۴-۱۳-۲ آموزش پس از انتشار خطای انعطاف پذیر
۴-۱۳-۳ روش لونبرگ – مارکوارت
۴-۱۳-۴ روش BFGS
۴-۱۳-۵ روش سکانت یک مرحله ای
فصل پنجم : بررسی روش های ابتکاری و نقش آن در حل مسایل حمل و نقل
۵-۱ مقدمه
۵-۲ جستجوی همسایه
۵-۳ گرم و سرد کردن شبیه سازی شده
۵-۴ الگوریتم مورچگان
۵-۵ جستجوی میتنی بر منع
۵-۶ الگوریتم ژنتیک
۵-۷ الگوریتم فرهنگی
۵-۸ استراتژی تکاملی
۵-۹ دلایل انتخاب الگوریتم ژنتیک
۵-۱۰ ساختار الگوریتم ژنتیک
۵-۱۰-۱ کد گذاری جواب ها
۵-۱۰-۲ تابع صلاحیت
۵-۱۰-۳ مکانیزم انتخاب
۵-۱۰-۴ تکثیر
۵-۱۰-۵ ترکیب
۵-۱۰-۶ جهش
۵-۱۰-۷ پارمترهای کنترلی
۵-۱۱ مزایای الگوریتم ژنتیک
۵-۱۲ مراحل الگوریتم ژنتیک
فصل هفتم : کاربرد روش پیشنهادی در مطالعه موردی
۷-۱ مقدمه
۷-۲ مطالعه موردی شماره یک – محور قزوین رشت
۷-۲-۱ ساختار پیشنهادی
۷-۲-۲ مدل پیش بینی جریان ترافیک در ۵ دقیقه آتی
۷-۲-۳ انتخاب روش آموزش مناسب
۷-۲-۴ بررسی انواع توابع انتقال آب
۷-۲-۵ بینه سازی مدل پیش بینی ۵ دقیقه آتی محور قزوین – رشت
۷-۲-۶ مدل پیش بینی ۱۰ دقیقه آتی محور قزوین – رشت
۷-۲-۷ مدل پیش بینی ۱۵ دقیقه آتی محور قزوین – رشت
۷-۲-۸ مدل پیش بینی ۱۵ دقیقه آتی محور قزوین – رشت
۷-۲-۹ مقایسه مدل های پیش بینی جریان ترافیک محور قزوین – رشت
۷-۳ مطالعه موردی شماره دو – بزرگراه BHL
۷-۳-۱ بررسی تاثیر آگاهی از اطلاعات مکانی بر عملکرد مدل
۷-۳-۲ انتخاب اطلاعات مکانی
۷-۳-۳ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۵ دقیقه آتی
۷-۳-۴ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۱۰ دقیقه آتی
۷-۳-۵ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۱۵ دقیقه آتی
۷-۳-۶ مدل پیش بینی وضعیت ترافیک بزرگراه BHL در ۳۰ دقیقه آتی
۷-۳-۷ مقایسه مدل های پیش بینی جریان ترافیک بزرگراه BHL
۷-۴ ساختار مدل های پیش بینی جریان ترافیک بزرگراه BHL
۷-۴-۱ مدل های پیش بینی باکس – جنکینز محور قزوین – رشت
۷-۴-۲ مدل های پیش بینی باکس – چنکینز بزرگراه BHL
۷-۴-۳ مقایسه روش پیشنهادی تحقیق با روش باکس – جنکینز
فصل هشتم : نتیجه گیری و پیشنهاد هایی برای مطالعات آینده
۸-۱ نتایج تحقیق
۸-۲ نتایج بدست آمده از مطالعه موردی
۸-۳ پیشنهادهایی برای مطالعات آینده
۸-۳-۱ پیش بینی زمان سفر
۸-۳-۲ مطالعه زمان سفر
۸-۳-۳ مطالعه بر روی شبکه های بزرگ
۸-۳-۴ طراحی مدلی با استفاده از فازی و مقایسه آن با شبکه های عصبی
۸-۳-۵ بررسی نحوه واکنش مسافران و رانندگان
منابع
پیوست
پیوست الف – کد برنامه طراحی مدل
پیوست ب – عملکرد شبکه های طراحی شده
