دانلود رایگان ترجمه مقاله پیش بینی زمان ورود اتوبوس با کمک شبکه های عصبی RBF تعدیل شده – الزویر 2014

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
مقدمه
شبکه ها ی عصبی تابع پایه شعاعی
RBFNN مورد استفاده د ر پیش بینی زمان ورود اتوبوس
مدل تعدیل با استفاده از داده ها ی انلاین
استفاده از فیلتر کالمان
طراحی سیستم
مطالعه ازمایشی
نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1- مقدمه
با توسعه پیوسته و مداوم سیستم حمل و نقل هوشمند(ITS)، سیستم حمل و نقل عمومی پیشرفته و سیستم اطلاعات تر افیک پیشرفته از اهمیت بیشتری برخوردار بوده است. سیستم پیش بینی زمان ورود اتوبوس متعلق به این سیستم ها است( که د ر شکل 1 نشان داده شده است). آزاد سازی اطلاعات زمان رسیدن اتوبوس به دستگاه ها ی موبایل مسافر ان به آن ها بر ای برنامه ریزی زمان مسافرت و کاهش زمان انتظار د ر ایستگاه اتوبومس کمک می کند. به این ترتیب امکان جذب مسافر ان بیشتر با ار ایه اطلاعات زمان رسیدن بر ای بهبود کیفیت خدمات سیستم ها ی تر انزیت وجود دارد. به علاوه، اپر اتور ها قاد ر به پایش اجر ای برنامه زمانی، واکنش فوری و ارزیابی اثر بخشی عملیاتی بوده اند.
روش پیش بینی زمان رسیدن اتوبوس یا طر احی الکوریتم، پیچیده ترین بخش مطالعات سابق است. تحقیقات بر روی پیش بینی زمان رسیدن اتوبوس تا اواخر 1990 میلادی با هدف استخر اج این اطلاعات از سیستم ها ی پایش وسایل نقلیه( لین و زنگ 1999) انجام شده اند. با ایده ار ایه اطلاعات زمان رسیدن اتوبوس به مسافر ان، تحقیقات مجددا بر روی این موضوع پرداخته اند. یک مطالعه موردی د ر جینان چین توسط لین و همکار ان انجام شد که آن ها دو مدل شبکه عصبی مصنوعی ر ا بر ای پیش بینی رسیدن اتوبوس زمان واقعی بر اساس داده ها ی سیستم موقعیت یابی جهانی و داده ها ی سیستم جمع اوری کر ایه اتوماتیک مطرح کرده اند که نشان می دهد مدل ها ی شبکه عصبی مصنوعی بر ای پیش بینی زمان رسیدن اتوبوس اهمیت دارند( لین و همکار ان 2013). زو و همکار ان یک سیستم مبتنی بر تلاش مشارکتی کاربر ان شرکت کننده ر ا توسعه داده و مستقل از شرکت ها ی عملیاتی اتوبوس به جای اشاره به جی پی اس می باشد که امکان جمع اوری اطلاعات ر ا از سازمان ها ی حمل و نقل داده است( زو و همکار ان 2012). زو و همکار ان از تاخیر ایستگاه اتوبوس و تاخیر تقاطع دار ای چر اغ ر اهنمای مربوط به زمان کل رسیدن اتوبوس استفاده کردند( زو و همکار ان 2011). بیاگینی و همکار ان یک الگوریتم دینامیک انلاین ر ا از پایش و مسیر یابی تر انزیت خودکار، پیش بینی زمان ورود ر ا با استفاده از تلفن هوشمند توسعه داد( بیاگونی و همکار ان 2011). اگرچه یو و همکار ان از روش ها ی مختلف نظیر ماشین بردار پشتیبان،شبکه عصبی مصنوعی (ANN)، الگوریتم نزدیکترین همسایه k (K-NN) و رگرسیون خطی استفاده کردند.( یو و همکار ان 2011). یک روش اکتشافی توسط یو و همکار ان پیشنهعاد شد که دار ای دو مرحله است و د ر آن، SVM بر ای اد ر اک داده ها ی تاریخی اموزش دیده و فیلتر کالمن بر ای استفاده از داده ها ی زمان واقعی استفاده شد( یو و همکار ان 2008).
امروزه پیاده سازی کاربرد این سیستم ها با توسعه مهندسی شبکه، نرم افزار گامپیوتری، اطلاعات و ارتباطات افزایش یافته است. به خصوص سود حاصل از توسعه تلفن ها ی هوشمند، موجب شده است تا سیستم پیش بینی زمان ورود اتوبوس به اپر اتور ها و مسافر ان استفاده شوند. از سوی دیگر، دستگاه ها ی موقعیت یاب خودکار و رکورد ر داده ها ی اتومبیل د ر دستگاه ها ی اتوبوس نصب می شود و از این روی موقعیت زمان واقعی دستگاه می تواند مشخص باشد. چندین شهر د ر چین از سیستم ها ی پیش بینی زمان رسیدن اتوبوس استفاده می کنند، اگرچه آن ها با تعدادی از ایستگاه ها به جای زمان د ر دالیان چین استفاده کرده اند، امکان توسعه یک سیستم با صحت، پایداری و ساده سازی وجود دارد که موجب پیش بینی زمان دقیق می شود؟
در این مقاله، ما یک رویکرد ترکیبی از داده ها ی تاریخی و اطلاعات وضعیت زمان واقعی ر ا برای پیش بینی زمان واقعی رسیدن اتوبوس ار ایه می کنیم. اول، شبکه ها ی عصبی تابع پایه شعاعی بر ای یادگیری و تقریب ر ابطه غیر خطی د ر داده ها ی تاریخی استفاده می شوند به طوری که نتایج از طریق شبکه ها ی اموزش دیده به عنوان یک منبع اطلاعاتی استفاده می شوند. سپس د ر مرحله دوم، بر ای کاهش اثر ناشی از اختلاف بین داده ها ی زمان تاریخی و داده ها ی زمان واقعی، یک روش انلاین بر ای تعدیل وضعیت واقعی استفاده می شود . د ر نتیجه، نتایج می توانند اطلاعات مناسبی ر ا د ر خصوص اپر اتور ها ی حمل و نقل، ار ایه کند. سپس، رئوس طر احی سیستم بر ای خلاصه سازی ساختار و اجزای سیستم استفاده می شود. یک مطالعه ازمایشی بر روی مسیر شماره 21 د ر دالیان با استقر ار این سیستم بر ای اثبات روایی و اثر بخشی این رویکرد انجام شد. به علاوه، مدل رگرسیون خطی چندگانه، شبکه ها ی عصبی BP و RBFNN بدون تعدیل انلاین استفاده می شود. نتایج نشان داد که رویکرد با RFBNN و تعدیل انلاین دار ای عملکرد پیش بینی بهتری است

بخشی از مقاله انگلیسی:

1. Introduction

With the continuous development of the Intelligent Transportation System (ITS), the Advanced Public Transportation System (APTS) and Advanced Traffic Information System (ATIS) become more and more important. Bus arrival time forecasting system belongs to these systems (as shown in Fig.1.). Releasing bus arrival time information to passengers’ mobile devices, helps them to plan their travel time, and to save their waiting time at bus stops. It makes more sense to attract additional passenger flow by providing bus arrival time information to improve the service quality of transit systems. Besides, operators will be able to monitor the execution of schedule, to react instantly and to evaluate the operational efficiency. Bus arrival time predicting method or algorithm designing was considered to be the most complicated part in the former studies. Researches on bus arrival time forecasting started by the end of 1990s which aims to extract bus operating information from vehicle monitoring systems (Lin and Zeng, 1999). With the idea of providing bus arrival information to passengers comes into our sights lately, studies focus on this domain afresh. A case study in Jinan, China was processed by Lin, et al, who proposed two artificial neural network (ANN) models to predict the realtime bus arrivals, based on historical Global Positioning System (GPS) data and automatic fare collection (AFC) system data, which illustrated ANN models are valid to bus arrival time predicting (Lin et al., 2013). Zhou, et al developed an entire system solely relies on the collaborative effort of the participating users and is independent from the bus operating companies instead of referring to GPS enabled location information from specific transit agencies (Zhou et al., 2012). Zhu et al explicitly incorporated the bus stop delays and signalized intersection delays associated with the total travel times of the buses (Zhu et al, 2011). Biagioni, et al developed an online dynamic algorithm of automatic transit tracking, mapping, and arrival time prediction by using smartphones (Biagioni et al, 2011). While Yu, et al used several methods such as support vector machine (SVM), artificial neural network (ANN), k nearest neighbours algorithm (k-NN) and linear regression (LR) as comparisons (Yu et al., 2011). A heuristic method was proposed by Yu, et al which contains two main steps, in which firstly SVM was trained to perceive the historical data and Kalman Filter was applied to import the real-time data (Yu et al., 2008). Nowadays, the stage comes to the implementation and application of such systems from the blueprints with the gigantic development of the electronic, communication, computer software and network engineering since 21th century. Especially profiting from the popularization of smartphones, makes it possible to establish a bus arrival time forecasting system to deliver real-time bus information to both operators and passengers. On the other hand, Automobile Data Recorder and Automatic Vehicle Location (AVL) devices are equipped on bus vehicles as regular equipment, which signify that real-time location of vehicle can be available. Several cities in China have adopted bus arrival predicting systems for bus information offering online (website) or offline (electronic station board), although they can only provide an accuracy by the number of stops instead of terms of time, for example in Dalian, Xiamen and Suzhou, etc. While, can we develop a kind of system with accuracy, stability and simplification that can predict the exact time when will the next bus arrive? In this paper, we propose an approach combining historical data and real-time situation information to forecast the bus arrival time. Firstly, Radial Basis Function Neural Networks (RBFNN) are used to learn and approximate the nonlinear relationship in historical data, so that the results can be given by the trained networks as the basic information references in the first phase. Then, in the second phase, in order to mitigate the influence from discrepancy between historical and real-time data, an online oriented method is introduced to adjust to the actual situation, which means to use the practical information to modify the predicted result of RBFNN in the first phase. Consequently, the result considered to be more dependable can be offered to transit operators, electronic station boards or passengers’ smartphones. Afterwards, the system designing outline is given to summarize the structure and components of the system. We did an experimental study on bus route No.21 in Dalian by deploying this system to demonstrate the validity and effectiveness of this approach. In addition, Multiple Linear Regression model, BP Neural Networks and RBFNN without online adjustment are used in contrast. Results show that the approach with RBFNN and online adjustment has a better predicting performance.