فایل ورد کامل مقاله پژوهشی درباره تحلیل و پیش‌بینی زمان وقوع تخلفات ورود به محدوده طرح ترافیک تهران با رویکرد داده‌کاوی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مقاله پژوهشی درباره تحلیل و پیش‌بینی زمان وقوع تخلفات ورود به محدوده طرح ترافیک تهران با رویکرد داده‌کاوی دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مقاله پژوهشی درباره تحلیل و پیش‌بینی زمان وقوع تخلفات ورود به محدوده طرح ترافیک تهران با رویکرد داده‌کاوی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مقاله پژوهشی درباره تحلیل و پیش‌بینی زمان وقوع تخلفات ورود به محدوده طرح ترافیک تهران با رویکرد داده‌کاوی،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن فایل ورد کامل مقاله پژوهشی درباره تحلیل و پیش‌بینی زمان وقوع تخلفات ورود به محدوده طرح ترافیک تهران با رویکرد داده‌کاوی :

چکیده

نرخ بالای بروز تخلفات ورود به محدوده طرح ترافیک شهر تهـران، نـه تنهـا علـت مهـم بـروز حـوادث ترافیکی در مناطق مرکزی تهران است بلکه اثر بازدارنده این طرح بر کاهش تردد خودروها و آلـودگی فزاینده هوا را بیاثر میکند. سیستم مکانیزه ثبت تخلفات منـابع اطلاعـاتی مناسـبی بـرای بررسـی و تحلیل رفتارهای ترافیکی وسایل نقلیه در اختیار برنامهریزان قـرار مـیدهـد. در ایـن تحقیـق، دانـش دادهکاوی برای کشف قوانین پنهان در دادههـای مربـوط بـه خودروهـای متخلـف ورودی بـه یکـی از پرترددترین معابر ورودی به محدوده طرح ترافیک تهران، جهت بررسی عوامل موثر بر نـرخ ورودهـای غیرمجاز و پیش بینی تردد تخلفـات در محـدودههـا بکـار گرفتـه شـده اسـت. بـا اسـتفاده از رویکـرد خوشهبندی، ساعات تردد در روزهای مختلـف بـه ۵ خوشـه همگـن تقسـیم شـدهانـد. ضـمن مطالعـه ویژگیهای هر خوشه، مدلی بر اساس شبکه عصبی مصنوعی جهت پیشبینی خوشههـای پرتخلـف (بـا تردد غیرمجاز زیاد) بر پایه مشخصات تقویمهای قمری و شمسی و شرایط جوی توسعه داده شده است که با دقت ۸۷ درصد وضعیت ترددهای غیرمجاز بـه محـدوده طـرح را در روزهـای آینـده پـیشبینـی میکند. با استفاده از این مدل میتوان برنامههای بازدارنده کاهش تخلفات را ساماندهی نمود.

کلید واژه: دادهکاوی، پیشبینی، خوشهبندی، محدوده طرح ترفیک، تردد ورودهای غیرمجاز

۱

-۱ مقدمه

ترافیک از نقطه نظر آسیبشناسانه در تهران، یعنی آلودگی محیط زیست، اتلاف انرژی، آسیب زدن بـه وسایل حمل و نقل، اخلال در زندگی شهری، هدر دادن وقت شهروندان و بطورکلی ایجاد مشکل بـرای ساکنین این کلانشهر. ترافیک سنگین و آلودگی هوای ناشی از تردد فزاینده وسـایل نقلیـه در شـبکه معابر شهر تهران، مدیریت شهری را بر آن داشته تا با اعمال تـدابیر ویـژه از شـدت ایـن معضـلات و چالشها بکاهد. از این رو تنظیم جریان تردد خودروها در محدوده مرکزی شهر و جلوگیری از ایجـاد ترافیک در این مناطق، یکی از مسائل عمده در مدیریت حمل و نقل شهری به حساب میآید که برای حل آن راهکارهای مختلفی پیشنهاد میشود. یکی از این راهکارها که در بسیاری از شهرهای بـزرگ

دنیا خصوصاً پایتختهای جهان بکار گرفته میشود، اعمال محدودیتهای رفت وآمـد در مراکـز و یـا معابر پر رفت وآمد شهری است. این روش در بسیاری از شهرهای شـلوغ کشـورهای مختلـف اعـم: از سنگاپور، لندن، آتن، سانتیاگو، بوگوتا، سائوپائولو، مکزیکوسـیتی، ادینبـورگ، مـیلان، جنـوا، اوکلنـد، کپنهاگ، هلسینکی، استکهلم، ترندهم، اسلو، نیویورک و تهران ;در گذشته انجـام شـده و یـا تحـت بررسی و اجرا میباشند .[۱] با توجه به مزایای ایجـاد محـدودههـای طـرح ترافیکـی، در شـهر تهـران محدوده مرکزی این کلان شهر به عنوان محدوده ترافیکی در نظر گرفته شده اسـت. امـا بـا توجـه بـه محدودیتهای زمانی ورود به این محدوده، تعدادی افراد قانونشکن با ورود غیرمجاز به محـدوده عـلاوه بر برهم زدن نظم و انضباط ترافیکی، موجب عدم تحقق اهـداف ایـن طـرح شـدهانـد. در ابتـدا، شـیوه کنترل این قانون شکنان بر اساس مراقبـت حضـوری عوامـل انتظـامی و مـأمورین مسـتقر در مبـادی ورودی به محدوده طرح ترافیک پایهریزی شده بـود و ایـن عوامـل موظـف بودنـد از ورود خودروهـای غیرمجاز به محدوده طرح جلوگیری نمایندو مطابق مقررات با متخلّفین برخورد نمایند. ولـی بسـیاری از رانندگان به دلیل عدم توانایی کنترل پلیس، بطور غیرمجاز وارد محدوده طـرح ترافیـک مـی شـدند. جهت حل این معضل، سیستم مکانیزهثبت تخلّفات ورود به محدوده طرح پیشنهاد شد که بـا اجـرای این طرح علاوه بر کاهش تعداد نیروهای انسانی پلـیس، تعـداد تخلفـات راننـدگان بطـور واقعـی ثبـت میشد. استفاده از سیستم مکانزهی ثبت تخلّفات، پایگاه مناسبی از دادههایتخلّفـات ایـ ن راننـدگان و نرخ ورود آنها فراهم آورده است که میتوانند مبنای تحلیل و شناخت رفتـار آنهـا باشـد. همچنـین بـا تحلیلعوامل تاثیرگذار بر نرخ تخلّفات ورود به محدوده طرح ترافیک و پیشبینیتعداد تخلّفـات ورود به این محدوده از هر معبر ورودی، برنامههای کنترلیکاهش تخلّفات، هدفمند خواهد شـد. دادهکـاوی رویکرد کاوش در دادههای زیاد و کشف قوانین پنهان در دادهها میباشد. یکی از مهمترین کارکردهای

۲

دادهکاوی پیشبینی است که میتواند در پیشگیری جرائم راهنمایی و رانندگی مثمر ثمر واقع شـود و در نهایت منجر به استخراج قواعدی شوند که مبنای تصمیمگیری کنترل ترافیک شهر تهران باشند. در این پژوهش، دادههایتخلّفات ورود به محدوده طرح ترافیک در یکی از معابر ورودی به ایـن طـرح مورد مطالعه قرار گرفته است. با استفاده از رویکرد خوشهبندی (یکی از روشـهای دادهکـاوی)، سـاعات مختلف از روزهای مختلف سال بر اساس متغیر تردد غیرمجاز به گروههای متفاوت با رفتارهای مشـابه تقسیمبندی شدهاند. تعیین ساعتی از روزهای مختلف سالکه تردد تخلّفـات بیشـتر از سـاعات دیگـر میباشد و حتی پیشبینی ساعاتی از روزهای آتی که پیک تردد غیرمجـاز مـیباشـد بـه برنامـهریـزان امکان تمرکز نیروهای پلیس و تخصیص منابع جهت کاهش تخلّفات را میدهـد. در ایـن مقالـه ضـمن خوشهبندی ساعات مختلف روز و تعیین پیک تخلفات و همچنین تعیین عوامـل مـوثر بـر پـیشبینـی خوشههای تردد، با توسعه مدلی مبتنی بر شبکه عصبی مصنوعی پـیشخورانـد اقـدام بـه پـیشبینـی ساعات پیک تخلفات در آینده شده است تا باحضور پلیس و اعمال تدابیر کنترلی دیگر در این سـاعات (نه تمامی ساعات روز) آمار تخلفات در این حوزه کاهش یابد.

-۲ پیشینه تحقیق

دادهکاوی در مسائل مرتبط با پلیس به عنوان یکـی از کـاراترین ابزارهـا در زمینـه تجزیـه و تحلیـل اطلاعات و دادههای پلیسی بطور ویژه مورد توجه قرار گرفته است. بخشی از تحقیقات پیشین در حوزه استفاده از رویکرد دادهکاوی در شناسایی و پیشگیری جرایم بـوده اسـت. در ایـن حـوزه مـیتـوان بـه تحقیق کراپسیوگلو و اردوگان در مورد خصوصیات جمعیت شناختی و اخلاقی مجرمینی کـه دوبـاره مرتکب جرم شـدهانـد، اشـاره کـرد .[۲] چونـگ و همکـاران [۳] و مـون و همکـاران [۴] مـروری بـر کابردهای دادهکاوی در تحلیل جرایم رایانهای و پیشبینی این نوع جرایم داشتهاند. لی و همکاران یک مدل پشتیبان تصمیم بر اساس تکنیک فازی سام۱ برای تشخیص و تحلیل الگوها و روندهای موجـود در وقوع جرائم ارائه نمودند .[۵] اما برخی دیگر از تحقیقات در این حوزه، به کاربردهای دادهکـاوی در حوزه حمل و نقل و تحلیلرفتار متخلّفین راهنمایی و رانندگی و پیشبینـی و پیشـگیری از ایـن نـوع جرائم اشاره دارد. ماسیجسکی و لیپنیکی از تکنیکهـای دادهکـاوی بـرای تجزیـه و تحلیـل دادههـای پایگاه مانیتورینگ سیستمهای حمل و نقل استفاده نمـودهانـد.[۶] یانـگ وتُنـگ دادهکـاوی را جهـت استنباط اطلاعات ترافیکی مهم از دادههای ترافیکی زمان واقعی به کار گرفتند تا اطلاعات ناشناخته را در دادههای ترافیک کشف کنند.[۷] ژانگ و همکاران با تحلیل دادههای حـوادث در سیسـتم حمـل و

۱ Fuzzy SOM (FSOM)

۳

نقل ریلی چین به کمک روشهای دادهکاوی اقدام به کشف دانش در این نوع دادهها نمـوده اسـت .[۸] رحمان و همکـاران کاربردهـای دادهکـاوی در صـنعت حمـل و نقـل را بررسـی نمودنـد و بـه مزایـای تکنیکهای دادهکاوی در این صنعت اشاره داشته اند.[۹] همچنین تعـدادی از محققـین بـه پـیشبینـی متغیرهای ترافیکـی بـر اسـاس داده هـای جمـعآوری شـده در سیسـتمهـای حمـل و نقـل هوشـمند پرداختهاند. ونگ و همکاران مدلی بر اساس دادههای این سیستمها جهت پیشبینی ترافیک پویا ارائـه دادهاند.[۱۰] گانگ و لیو با پیشبینی تـردد در ورودیهـای یـک تونـل در شـانگهای اقـدام بـه توسـعه الگوریتمی به نام DMTDCA2 به منظور تنظـیم جهـت ترافیـک خیابـانهـای چنـد جهتـه پیشـنهاد کردند.[۱۱] کانستنتینسکو و همکاران با استفاده از تکنیک دادهکاوی، روش رانندگی با وسـایل نقلیـه متفاوت را مدلسازی کردند.[۱۲] گسچیلی و همکاران بـه اسـتفاده از رویکـرد خوشـهبنـدی اقـدام بـه گروهبندی جاده موجود و تخمین میانگین سالیانه ترافیک روزانه نمودند .[۱۳] تجزیه و تحلیل حوادث نیز موضوعی است که با بیشترین تعداد کاربردهای دادهکاوی در آن یافته شـده اسـت. کالیونسـوگلا و تیگدمیر با استفاده از رویکرد شبکههای عصبی مصنوعی جهـت بررسـی تـاثیرات ویژگـیهـای راننـده (جنسیت، سن، تحصیل، تجربه رانندگی و;) در حوادث ترافیک استفاده کردند .[۱۴] شریعت مهیمنی و توکلی در مطالعهای به شناسایی مهمترین عوامل تعیینکننده در شدت مصدومیت رانندگان و سایر سرنشینان وسایل نقلیه درگیر در تصادفها برای راههای اصلی دوخطه برون شهری ایران با استفاده از دادهکاوی و درخت دستهبندی و رگرسیون پرداختهاند.[۱۵]

به کاربردهای دیگر دادهکاوی در حوزه حمل و نقـل مـیتـوان بـه فعالیـت جیـان و هانـگ در مسـاله کالیبراسیون سرعت- چگالی با اسـتفاده از روش خوشـهبنـدی اشـاره کـرد.[۱۶] همچنـین هایاشـی و همکاران با شبکههای عصبی مصنوعی، روشی برای تشخیص خوابآلودگی رانندگان ارائه دادنـد .[۱۷] جعفری و صمدیان نیز به کاربردهای دادهکاوی در بررسی رفتـار راننـدگان متخلـف در کـلان شـهرها اشاره کردهاند. آنها در این مقاله کاربرد عملی دادهکاوی در تحلیل دادههایتخّلفات ترافیکی را بررسی کردند.[۱۸]

-۳ روش تحقیق

در این تحقیق، با استفاده از دادههای ترافیکی ورود به محدوده طرح ترافیک شهر تهـران و بـر مبنـای متدولوژی CRISP-DM3، اقدام به تحلیل متغیر تعداد ورودهای غیرمجـاز بـه محـدوده طـرح در یـک

۲ Data Mining based Traffic Direction Control Algorithm 3 Cross Industry Standard Process for Data Mining

۴

ساعت و پیشبینی ساعات پرتخلف روزهای آینده در یکی از پرترددترین معابر ورودی به این محـدوده شده است. با این کار میتوان نسبت به تغییرات تعداد ورودهای غیر مجاز به این نواحی شـناخت پیـدا کرد و با اتخاذ تدابیر ویژه به اهداف اجرای طرح ترافیک نایل آمد. بـر طبـق متـدولوژی CRISP-DM، یک پروژه دادهکاوی شامل چرخه حیات شش مرحلهای است که هـر مرحلـه بـه نتـایج مراحـل قبلـی وابسته است. در ادامه ضمن معرفی مراحل این متدولوژی، فعالیتهای انجام شده در ایـن پـژوهش نیـز توضیح داده میشوند.

-۱-۳مرحله اول: مرحله درک پروژه و فهم حوزه کاربرد

اولین مرحله از متدولوژی CRISP–DM شامل تعریف آشکار اهداف و نیازمندی های مسئله مـیباشـد. مسئله تحقیق در پژوهش حاضر پیرامون دادههای ترددهای غیرمجاز در محدوده طـرح ترافیـک شـهر تهران میباشد. محدوده طرح ترافیک در تهران شامل محدودهای از شهر با بیشـترین تـراکم و سـطح کاربریهای تجاری و اداری میباشد. ساعات اعمال طرح همه روزه به استثناء روزهـای پنجشـنبه (از ۶:۳۰ صبح لغایت ۱۳ ظهر) و جمعه، از ۶:۳۰ صبح الی ۱۷ بعدازظهر بوده و در این بـازه زمـانی تنهـا خودروهای دارای مجوز میتوانند در محدوده طرح تردد کنند. اجرای دستی کنتـرل محـدوده طـرح ترافیک با توجه به وسعت جغرافیـایی محـدوده طـرح ترافیـک، تعـداد معـابر و ورودی زیـاد و تنـوع محدودیتها و همچنین بروز خطاهای انسانی به هنگام نظارت، سختیهای بسیاری را به دنبـال دارد. لذا از مدتها قبل، مدیران و مسئولان برنامهریزی حمل و نقل در این شهر اقدام به راهاندازی سیستم مکانیزه ثبتتخلّفات ورود به محدوده طرح ترافیک نمودهاند. هم اکنون بیش از ۱۱۰ دوربین در سطح معابر طرح ترافیک اقدام به ثبت پلاک خودروهایمتخلف به همراه لحظه وقوع تخلّـف مـینماینـد. در این تحقیق با تحلیل دادههایتخلّفات، متغری تردد تخلّفات (تعداد متخلفین عبوری در یـک سـاعات از یکی از معابر ورودی) اندازهگیری شده و با رویکردهای دادهکـاوی شـامل خوشـهبنـدی و شـبکههـای عصبی مصنوعی وضعیت تردد این خودروها در ساعات آینده تحلیل و پیشبینی شده است.

-۲-۳مرحله دوم: انتخاب دادهها

این مرحله شامل جمعآوری دادهها برای استفاده از تحلیل دادهکاوی و مشخصکـردن اطلاعـات اولیـه برای ارزیابی دادههای باکیفیت و انتخاب دادههای مفید و مورد نیاز میباشد. سـامانه کنتـرل مکـانیزه ثبت تخلّفات محدوده طرح ترافیک، خودروهایی که به صورت مجاز یا غیرمجـاز وارد محـدوده طـرح ترافیک در شهر تهران میشوند را از طریق دوربینهای خودکار رویت میکند و به صـورت اتوماتیـک

۵

پلاک آنها را به همراه تاریخ و زمان عبور به تفکیک شماره معبر ورودی در پایگاه دادهای که به ایـن منظور طراحی شده، ثبت میکند. پس از تطبیق دادههای این پایگاه بـا پایگـاه دادههـای خودروهـای مجاز به ورود، خودروهای غیرمجاز شناسایی و در پایگاه دادههـایتخلّفـات ثبـت مـیشـوند. در ایـن پژوهش دادههایتخلّفات این سیستم ( تعداد تخلفات در یک ساعت بـه همـراه تـاریخ و سـاعت انجـام

تخلّف) در بازه زمانی یکساله ۱۳۸۹/۰۹/۲۷) تا (۱۳۹۰/۰۹/۳۰ شاملتخلّفیبش از ۹۰۰ هـزار خـودرو در طی ۲۹۳۴ ساعت مربوط به پرترددترین معبر محدوده طـرح ترافیـک تهـران (بزرگـراه مـدرس) بـا مساعدت شرکت کنترل ترافیک تهران جمعآوری شده است.

-۳-۳مرحله سوم: آمادهسازی دادهها

همانطورکه قبلاًذکر شد، سیستم مکانیزه ثبت ورود خودورها به محدوده طرح ترافیک بـه ازای هـر ورود خودرو از یک معبر، رکوردی در پایگاه دادههای ثبت ورودها به محدودهی طـرح ثبـت مـیکنـد. لحظه عبور، تاریخ تقویمی عبور، نام معبر، وضعیت خودرو (شامل سه گزینه عدم نیاز به بررسـی، مجـاز

غیر مجاز)، پلاک خودرو نمونه دادههای ثبت شده میباشند. همانطور که اشاره شـد، هـدف از ایـن پژوهش، خوشهبندی و پیشبینی ساعات پرتخلف ورود به محدوده طرح ترافیک از طریق بررسی دقیق

علمی تغییرات متغیرهای مستقل و موثر بر تعداد ترددهای غیرمجاز میباشد. جهت دستیابی به ایـن هدف لازم است در کنار متغیر تردد غیرمجاز (تعداد خودروی عبوری غیرمجاز از یک معبر در سـاعت)، سایر عوامل موثر بر تردد مانند شرایط آب و هوایی (دما، رطوبـت و میـزان بـارش)، روز هفتـه و ; بـه پایگاه دادهها اضافه شوند. به این منظور دو پایگاه دادهای دیگر یکی مشخصات روزهـای مختلـف سـال (شامل تقویم شمسی و قمری) و دیگری شرایط آب و هوایی در محدوده جمعآوری دادهها تهیـه شـده

به پایگاه دادههایتخلّفات اضافه شده است. با استفاده از نرم افـزار SQL پایگـاه جدیـدی از دادههـا تهیه شده که شامل تعداد ترددهای غیر مجاز در روزها و ساعات مختلف محـدوده جمـعآوری دادههـا میباشد و در کنار آن مشخصات تقویمی روز مورد نظر و شرایط جوی نیز قرار گرفته است.

-۴-۳مرحله چهارم: مدلسازی دادهها

در این مرحله با انتخاب و بهکار بستن تکنیک های مدلسازی و دادهکاوی مناسـب دانـش پنهـان درون دادهها کشف میشود. در این پژوهش از روش خوشهبندی که در ادامه معرفی شده جهت خوشهبنـدی ساعات دامنه جمعآوری دادهها بر حسب متغیر تردد غیرمجاز استفاده شده است.

۶

روش خوشهبندی K -Means

خوشهبندی، تقسیم یک گروه ناهمگن به چندین زیر گروه همگن است بطوریکه تفـاوت بـین گـروههـا حداکثر و تفاوت درون گروهها حداقل شود. الگوریتم K-Means یک روش خوشهبندی بسـیار متـداول، کاربردی و از روش های خوشهبندی افرازبنـدی اسـت. در ایـن روش، بـا تعیـین تعـداد خوشـه (گـروه همگن)، متغیرk، اقدام به تخصیص داده ها براساس یک یا چند متغیر مربوط به هر داده، به هـر خوشـه میشود و عملیات تخصیص تا زمان یافتن خوشههایی همگن و با کیفیـت بطـوری کـه دادههـای یـک خوشه مقادیر متغیر خوشهبندی مشابهی داشته باشندمجدداً تکرار میشود. با تغییـر مقـدار k و انجـام عملیات خوشهبندی و بر اساس معیارهای ارزیابی کیفیت خوشهبندی، تعداد بهینـه خوشـه هـا تعیـین میشود.[۱۹]

در این پژوهش، هر داده یکی از ساعات روزهای مختلف بازه جمعآوری دادهها میباشد کـه متغیـر خوشهبندی آن، تعداد ترددهای غیرمجاز ورودی به طرح ترافیک در آن سـاعت خـاص اسـت. در روش خوشهبندی، تعداد خوشهها بین ۳ تا ۸ (متغیر (k خوشه درنظـر گرفتـه شـده و بـه ازای هـر مقـدار k فرایند خوشهبندی انجام شده است. به ازای هر تعداد خوشـه مشـخص، سـاعاتی کـه تعـداد ترددهـای غیرمجاز مشابه با یکدیگر داشته اند در یک خوشه قرار گرفتهاند. مسئله مهـم در خوشـهبنـدی انتخـاب تعداد خوشه بهینه میباشد که با اندازهگیری شاخصهای کیفیت خوشهبنـدی، تعـداد بهینـه خوشـههـا تعیین میشود. دو شاخص متداول به این منظور شاخصهای سـایهنمـا و دیـویس- بولـدین مـیباشـد. شاخص سایهنمایی مقدار فشرده بودن داخلی هر خوشه را بیان میکند و هر چه مقدار آن از بیشـتر از ۰,۷ باشد معرف کیفیت بهتر خوشهبندی است. از طرف دیگر شاخص دیـوس- بولـدین بیـانگر میـزان شباهت مشاهدات درون خوشهها و تمایز بین خوشهها است. هرچـه مقـدار ایـن شـاخص کمتـر باشـد بیانگر کیفیت بهتر خوشهبندی است. پس از انجام فرایند خوشهبندی سـاعاتتخلّـفبـه ازای ۳ تـا ۸ خوشه در نرم افزار دادهکاوی Spss-Clementie، شاخصهای سایه نمـا و دیـویس بولـدین بـه ازای هـر تعداد خوشه محاسبه شده و در جدول ۱ نشان داده شدهاند. بـر اسـاس نتـایج ایـن جـدول، ۵ خوشـه عمکلرد بهتری جهت دستهبندی تعداد ترددها در یک ساعت از معبر مورد مطالعه را دارد. لـذا سـاعات بازه تحقیق بر اساس تعداد ترددهای غیرمجاز به خوشه ۵ و با استفاده از رویکرد K-Means گروهبندی شدهاند.

۷

جدول -۱ مقادیر شاخصهای سایه نما و دیویس- بولدین برای تعداد خوشههای متفاوت

شاخص سایهنما (Silhouette) شاخص دیویس – بولدین تعداد خوشهها
۰,۶ ۰,۶۵۳ ۳
۰,۷ ۰,۵۶ ۴
۰,۷ ۰,۴۵۶ ۵
۰,۶ ۰,۴۹۳ ۶
۰,۶ ۰,۴۵۷ ۷
۰,۶ ۰,۴۷۴ ۸

-۵-۳ مرحله پنجم: تحلیل نتایج

جدول۲، خلاصه آماری متغیر تردد غیرمجاز (عبور در ساعت) بـه محـدوده طـرح را بـر اسـاس نتـایج خوشهبندی نشان میدهد. ستونهای »تعداد دادهها در خوشـه« و »درصـد مشـاهدات« بیـانگر تعـداد و درصدی از کل ساعات مورد مطالعه (۲۹۳۴) میباشد که مشخصه ترددد غیرمجاز آنها مشابه هـم بـوده و در یک خوشه قرار گرفته اند. مابقی ستونهای جدول شامل کمترین و بیشـترین تـرددتخلّـف در هـر خوشه، میانگین و واریانستردد تخلّفات در هر خوشه میباشد. در سطر آخـر ایـن جـدول، میـانگین و انحراف معیار تردد غیرمجاز از این معبر مستقل از خوشهبندی به ترتیب۳۱۴ و ۱۴۴خـودرو در سـاعت براورد شده است.
جدول-۲خلاصه آماری ترددهای غیرمجاز در هر خوشه
واریانس میانگین ماکزیمم مینیمم درصد تعداد نام شماره
تردد تردد تردد تردد مشاهدات دادهها در خوشه خوشه
خوشه
۲۲۹۲,۷ ۱۸۲,۱ ۲۵۰ ۳ %۲۹ ۸۵۰ کمتخلف ۱
۱۳۴۸۴,۶ ۱۳۰۲ ۱۴۵۷ ۱۱۷۰ %۰,۳ ۸ بحرانی ۲
۴۴۳۵,۹ ۴۹۵,۵ ۶۹۹ ۴۰۸ %۱۲ ۳۵۱ غیرعادی ۳
۱۴۶۵,۱ ۳۱۸,۲ ۴۰۶ ۲۵۱ %۵۷ ۱۶۷۱ عادی ۴
۹۰۲۹,۱ ۹۱۹ ۱۰۹۸ ۷۱۳ %۱,۸ ۵۴ پرتخلف ۵
۲۰۶۱۴ ۳۱۴ ۱۴۵۷ ۳ %۱۰۰ ۲۹۳۴ مجموع

۸

مطابق روش K-Means مرکز هر یک از خوشـه هـای ۵گانـه، میـانگین تـردد غیرمجـاز در آن خوشـه میباشد. لذا میتوان خوشهها را از کمتخلّفترین خوشه تا پرتخلّـفتـرین خوشـه (خوشـه بحرانـی) بـر اساس ترتیب صعودی ستون میانگین تردد نامگذاری نمود. جهت شـناخت هرچـه بهتـر متغیـر تـردد
تخلّفات در هر خوشه، در ادامه خوشهها بطور فردی مورد تجزیه و تحلیل قرار گرفتهاند.
خوشه ساعات کمتخلّف (خوشه :(۱

۲۹ درصد ساعات مورد مطالعه در این خوشه قرار گرفتهاند بطوری که میانگین تـردد تخلّفـات در ایـن خوشه ۱۸۲ خودرو در ساعت می باشد که کمترین مقدار را نسـبت بـه سـایر خوشـههـا دارد. لـذا ایـن خوشه به نام کم تخلّفترین خوشه نامگذاری شده است. بر اساس مدلهای پیش بینی چنانچه ساعتی از روزهای آتی در این خوشه قرار گیرد نیازی به کنترلهای سختگیرانه در این ساعات نمیباشد.

خوشه ساعات عادی تخلّف (خوشه :(۴

بیش از ۵۷ درصد ساعات طرح ترافیک در این خوشه بـا میـانگین تـردد ۳۱۸ خـورو در سـاعت قـرار گرفتهاند. به دلیل فراوانی زیاد و نزدیکی تردد غیرمجـاز ایـن خوشـه بـا مقـدار میـانگین، ایـن خوشـه وضعیت عادی تردد نامیده شده است. ممکن است این مقدار تردد از نظر برنامه ریزان زیاد به نظر برسد ولی این مقدار نسبت به خوشههای ساعات دیگر مقدار کمی است. در صورت زیاد بودن ایـن نـرخ لازم است استراتژیها و برنامههای بلندمدتی مانند افزایش جرایم و یا برنامههای آموزشی و فرهنـگسـازی جهت کاهش تخلفات ورود به طرح در همه خوشه ها اجرا شود. قرار گرفتن یک ساعت در ایـن خوشـه بیانگر عدم نیاز به حضور مامورین و یا اجرای برنامههای بازدارنده بیشتر در ساعت مذکور میباشد.

خوشه ساعات غیرعادیتخلّف (خوشه :(۳
حدود ۱۲ درصد ساعات طرح ترافیک در خوشه سوم با میانگین تردد غیرمجاز ۴۹۵ خـودرو در سـاعت قرار گرفتهاند. ساعاتی که در این خوشه قرار دارند ساعاتی از طـرح ترافیـکانـد کـه تـردد خودروهـای غیرمجاز در آن بیشتر از حالت عادی است. بیشتر ساعات این خوشه در روزهـای پـنجشـنبه قـرار دارد همچنین بیشتر ساعات ۷ و ۸ صبح در این خوشه قرار می گیرند. مقایسه متغیر تردد در ایـن خوشـه و سایر خوشهها بیانگر آن است که مراقب از معبر مورد مطالعه در ساعات این خوشه باید بیشتر از سـایر ساعات دیگر روز باشد.

خوشه ساعات پرتخلّف (خوشه :(۵

ساعاتی که در این خوشه قرار گرفتهاند متوسط تردد غیرمجـازی کمتـر از خوشـه بحرانـی کـه شـامل روزهای خاص سال بودند، دارند اما مقدار آننسبت به میانگین تردد تخلّفات بالا است. ایـن خوشـه بـا ۱,۸ درصد ساعات، خوشه پرتخلف با ۹۱۹ تردد غیرمجاز در ساعت نامگذاری شده است.

۹

خوشه ساعات بحرانیتخلّف (خوشه :(۲

بر اساس نتایج جدول ۳ مشخص است که حدود ۰,۳ درصد ساعات روزانـه طـرح ترافیـک مربـوط بـه خوشه ۲ (وضعیت بحرانی) است که میانگین تردد غیر مجاز در آن ۱۳۰۲ خـودرو در سـاعت اسـت. در این خوشه، حداقل و حداکثر تردد به ترتیب ۱۱۷۰ و ۱۴۵۷ تعیین شده است. هر چند درصد سـاعاتی که در این خوشه قرار میگیرند کم است اما وضعیت تـردد از حـد میـانگین ۳۱۴) خـودرو در سـاعت) خیلی بیشتر است. مطالعه ساعاتی که در این خوشه قرار گرفتهاند مربوط به برخی سـاعات ۹ تـا ۱۲ و ۱۶ تا ۱۷ روز ۱۴ شعبان (شب تولد امام زمان(عج))، روز ۲۹ صفر (شب شهادت امام رضـا(ع) کـه ایـن روز بین التعطیلین بوده)، روز ۲۶ اسفند و آخرین روز تابستان می باشد. در واقع ایـن خوشـه مشـخص کننده روزهای خاصی است که میزان ورودهای غیر مجاز به محدوده کنترل ترافیـک بـا شـیب تنـدی افزایش یافته است.

-۶-۳مرحله ششم: توسعه نتایج

اکنون که ترددتخلّفات در ی ک ساعت به پنج گروه تقسـیم شـدهانـد مـیتـوان بـا توسـعه یـک مـدل پیشبینی مناسب اقدام به پـیشبینـی وضـعتی تخلّفـات در سـاعات آینـده یـک روز نمـود. در مـدل پیشبینی، بر اساس ویژگیهای روز و ساعت تردد (ورودیهای مدل)، شماره خوشهای که ساعت مربوطه در آن قرار میگیرد (خروجی مدل) پیشبینی میشود. به این منظـور مـدل شـبکه عصـبی مصـنوعی پیشخوراندی طراحی شده است تا بتوان خوشه مناسب (شماره خوشه) ساعت آینده کاری سیسـتم را پیشبینی کرد. شبکههای عصبی مصنوعی با پردازش روی دادههای تجربی، دانش یـا قـانون نهفتـه در ورای دادهها را به ساختار شبکه منتقل میکند که به این عمل یادگیری میگویند. در این مدل نرونهـا کوچکترین واحد پردازش اطلاعات میباشند. هر شبکه از یک لایه ورودی، یک لایه خروجی و تعـدادی لایه میانی با تعدادی نرون درون هر لایه تشکیل شده است و نرونهای هر لایه با وزنهـایی بـه نرونهـای لایه بعد متصل شده اند. طی فرآیند آموزش این وزنها جهت دستیابی به شبکه ای با خطای پـیشبینـی کمتر پیوسته تغییر می کنند.[۲۰] همچنین خروجی های هر نـرون بعـد از عبـور از توابـع تبـدیل۴ بـه نرونهای لایه بعد منتقل میشوند. شکل ۱ اجزای یک شبکه عصبی پیشخوراند را نشان میدهد.

۴ Transform Function

۱۰

نرونهای لایه میانی نرونهـــای وروی
خروجی

خروجی ورودیها
تابع تبدیل تابع پیشپردازش
لایه خروجی لایه پنهان اول لایه ورودی

شکل-۱ اجزاء یک شبکه عصبی مصنوعی پیشخوراند

جهت ساخت و تست عملکرد مدل شبکه عصبی، دادههای خوشهبندی (شامل ساعات مختلف روزهـای مورد مطالعه که شامل ۲۹۳۴ ساعت میباشد) به دو گروه دادههای آمـوزش و آزمـایش بـه ترتیـب بـه نسبت ۲۳۱۶) ۸۰ مشاهده) به ۶۱۸) ۲۰ مشاهده) به صـورت تصـادفی تقسـیم شـدهانـد. از دادههـای آموزش برای ساخت مدل شبکه عصبی و از دادههای آزمایش برای ارزیابی دقـت پـیشبینـی اسـتفاده شده است. خروجی شبکه عصبی، شماره خوشه هر ساعت در نظر گرفته شده (شبکه یک نرون در لایـه خروجی دارد) و ورودیهای شبکه شامل روز هفته، ساعت روز، وضعیت هوا شامل میزان دما و رطوبـت، میزان بارش، تقویم قمری، روز، فصل و ماه سال ۱۱) نرون در لایه ورودی به ازای هر متغیر لحاظ شده است) بوده است. همچنین شبکه طراحی شده دارای دو لایه میانی با ۲۰ نرون بر هـر لایـه مـیباشـد. پس از آموزش شبکه، مشاهدات آزمایش (متغیرهای ورودی بـه ازای هـر سـاعت داده) بـه شـبکه وارد شده و شماره خوشه توسط شبکه پیشبینی شده است. درصد انطباق شماره خوشه پیشـنهادی توسـط شبکه عصبی با شماره واقعی خوشه که توسط مدل خوشهبندی حاصل شـده اسـت، بـه عنـوان معیـار عملکردی مدل درنظر گرفته شده است. در جدول ۳، درصد انطباق شماره خوشـه پـیشبینـی شـده و روش خوشهبندی K-Means نشان داده شده است.

جدول -۳ ارزیابی نتایج خوشهبندی با درخت شبکه عصبی
دادههای آزمایش دادههای آموزش نوع دادهها
تعداد درصد تعداد درصد
۵۴۰ %۸۷,۴ ۲۲۹۹ %۹۹,۲۷ تعداد تشخیص خوشه صحیح
۷۸ %۱۲,۶ ۱۷ %۰,۷۳ تعداد تشخیص خوشه اشتباه
۶۱۸ %۱۰۰ ۲۳۱۶ %۱۰۰ مجموع

۱۱

نتایج دقت پیشبینی نشان میدهد که شبکه عصبی طراحی شده، ۹۹,۳ درصد مواقـع شـماره خوشـه ساعت بکار رفته برای آموزش را به درستی پیش بینی میکند. همچنین بیش از ۸۷ درصد مواقع مـدل شبکه عصبی شماره خوشه داده های آزمایش (دادههایی که مدل شماره خوشـه آنهـا را نمـیدانـد) بـه درستی پیشبینی میکند. جدول۴، درصد خطای مدل پیشبینی شماره خوشه را به تفکیک خوشههـا نشان میدهد. به عنوان مثال ۹۶ درصد مواقع مدل، پیشبینی خوشه کمتخلّـف را درسـت پـیشبینـی نموده است و تنها ۴درصد شماره خوشه را بجای کمتخلّف، عادی پیشبینی نموده است. همـانطور کـه در جدول ۴ مشاهده میشود، شماره خوشه پیشنهادی توسط مدل خیلـی بـا خوشـه واقعـی مشـاهده تفاوت ندارد. بیشترین انحراف خوشه پیش بینـی و خوشـه واقعـی زمـانی اسـت کـه در خوشـه واقعـی غیرعادی است ولی مدل آن را کمتخلّف پیشبینی می کند که کمتر از ۱ درصد مواقع است.