دوره 22، شماره 3 - ( 9-1404 )
جلد 22 شماره 3 صفحات 34-19 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ahrari V, Afshari R. Analysis of the traffic structure of the roads of Chahar Mahal and Bakhtiari province using data-mining approaches. JSDP 2025; 22 (3) : 2
URL: http://jsdp.rcisp.ac.ir/article-1-1435-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1435-fa.html
احراری وحیده، افشاری رباب. تحلیل ساختار ترافیکی جادههای استان چهارمحالوبختیاری با استفاده از رویکردهای دادهکاوی. پردازش علائم و دادهها. 1404; 22 (3) :19-34
استادیار گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه شهرکرد، شهرکرد، ایران
چکیده: (461 مشاهده)
مدیریت ترافیک جادهای یکی از چالشهای اساسی در نظام حملونقل است که تأثیر مستقیمی بر ایمنی عمومی، بهرهوری اقتصادی و پایداری محیطزیست دارد. استان چهارمحالوبختیاری بهدلیل موقعیت جغرافیایی راهبردی خود، نقش مهمی در اتصال مناطق مختلف کشور ایفا میکند؛ ازاینرو، تحلیل دقیق ساختار ترافیکی جادههای این استان گامی ضروری برای ارتقای کیفیت برنامهریزیها و تصمیمگیریهای مبتنی بر داده در حوزه حملونقل محسوب میشود. در این پژوهش، دادههای ترددشمار جادهای استان در شهریورماه ۱۴۰۲ مورد استفاده قرار گرفتهاند. این دادهها شامل متغیرهای کلیدی نظیر میانگین تردد وسایل نقلیه در پنج طبقه مختلف، میزان تخلفات سرعت غیرمجاز، فاصله غیرمجاز، سبقت غیرمجاز و سرعت متوسط در محورهای جادهای هستند. تحلیل دادهها بر پایه سه الگوریتم یادگیری بدون نظارت شامل خوشهبندی
شمارهی مقاله: 2
واژههای کلیدی: یادگیری بدون نظارت، خوشهبندی، تحلیل ساختار ترافیکی، رمزگذار خودکار، سرعت غیرمجاز، فاصله غیرمجاز، استان چهارمحالوبختیاری.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش دادههای رقمی
دریافت: 1403/5/9 | پذیرش: 1404/4/30 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28
دریافت: 1403/5/9 | پذیرش: 1404/4/30 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28
فهرست منابع
1. World Health Organization. (2018). Road traffic injuries. https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries.
2. C. Musingura, G. Lee, Y. Ahn, and K. Kim, "Mitigating Road Traffic Crashes in Urban Environments: A Case Study and Literature Review-based Approach," Authorea Preprints, 2023. [DOI:10.36227/techrxiv.24265186]
3. کریمی، سیده فاطمه، خدابخش، مریم، «پیشبینی عملکرد نتایج پرسوجو با کمک روشهای بدون نظارت»، پردازش علائم و دادهها، (۱) 22، صفحات 12-3، ۱۴۰۴.
3. S. Karimi, M. Khodabakhsh, "Unsupervised Methods for Predicting Query Performance", Journal of Signal and Data Processing, 22 (1), pp. 3-12, 2025. [DOI:10.61186/jsdp.22.1.3]
4. دانشپور نگین، برزگری علی، «روشی جدید در تشخیص تکراری رکوردها با استفاده از خوشهبندی سلسلهمراتبی»، پردازش علائم و دادهها، (4) 18، صفحات 3-22، ۱۴۰۰.
4. N. Daneshpour, A. Barzegari, "A New Method for Duplicate Detection Using Hierarchical Clustering of Records", Journal of Signal and Data Processing; 18 (4) , pp. 3-22, 2022. [DOI:10.52547/jsdp.18.4.3]
5. R. Rossi, M. Gastaldi, and G. Gecchele, "Comparison of clustering methods for road group identification in FHWA traffic monitoring approach: Effects on AADT estimates," Journal of Transportation Engineering, vol. 140, no. 7, pp. 04014025, Jul. 2014. [DOI:10.1061/(ASCE)TE.1943-5436.0000676]
6. J. Wang and F. Biljecki, "Unsupervised machine learning in urban studies: A systematic review of applications," Cities, vol. 129, p. 103925, 2022. [DOI:10.1016/j.cities.2022.103925]
7. C. Bratsas et al., "A comparison of machine learning methods for the prediction of traffic speed in urban places," Sustainability, vol. 12, no. 1, p. 142, 2019. [DOI:10.3390/su12010142]
8. X. Cui et al., "Extracting main center pattern from road networks using density-based clustering with fuzzy neighborhood," ISPRS Int. J. Geo-Inf., vol. 8, no. 5, p. 238, 2019. [DOI:10.3390/ijgi8050238]
9. A. Aggarwal, A. Purwar, and S. Gulati, "An efficient technique to control road traffic using fuzzy neural network system," in Proc. 3rd Int. Conf. Reliability, Infocom Technol. Optim., Oct. 2014, pp. 1-6. [DOI:10.1109/ICRITO.2014.7014723]
10. Y. Liu and H. Wu, "Prediction of road traffic congestion based on random forest," in 2017 10th Int. Symp. Comput. Intell. Des. (ISCID), Vol. 2, Dec. 2017, pp. 361-364. [DOI:10.1109/ISCID.2017.216]
11. M. Akhtar and S. Moridpour, "A review of traffic congestion prediction using artificial intelligence," J. Adv. Transp., vol. 2021, no. 1, p. 8878011, 2021. [DOI:10.1155/2021/8878011]
12. S. Yang et al., "Analysis of traffic state variation patterns for urban road network based on spectral clustering," Adv. Mech. Eng., vol. 9, no. 9, p. 1687814017723790, 2017. [DOI:10.1177/1687814017723790]
13. Y. Haung, H. Zhen, and J.J. Yang, "Cluster-guided denoising graph auto-encoder for enhanced traffic data imputation and fault detection," Expert Systems with Applications, vol 261, p. 125531, Feb. 2025. [DOI:10.1016/j.eswa.2024.125531]
14. D. Shin et al., "Clustering and investigation of human driving bahavior using autoencoder and risk assessment," IEEE Access, 2025 Jan 15. [DOI:10.1109/ACCESS.2025.3529883]
15. F. Nielsen and F. Nielsen, "Hierarchical clustering," in Introduction to HPC with MPI for Data Science, pp. 195-211, 2016. [DOI:10.1007/978-3-319-21903-5_8]
16. Z. Zhang et al., "Hierarchical cluster analysis in clinical research with heterogeneous study population: highlighting its visualization with R," Annals of Translational Medicine, vol. 5, no. 4, 2017. [DOI:10.21037/atm.2017.02.05]
17. J. B. MacQueen, "Some methods for classification and analysis of multivariate observations," in Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, L. M. Le Cam and J. Neyman, Eds. California: University of California Press, pp. 281-297, 1967.
18. Q. Wang, C. Wang, Z. Feng, and J. F. Ye, "Review of K-means clustering algorithm," Electronic Design Engineering, vol. 20, no. 7, pp. 21-24, 2012.
19. D. Steinley and M. J. Brusco, "Initializing k-means batch clustering: A critical evaluation of several techniques," Journal of Classification, vol. 24, pp. 99-121, 2007. [DOI:10.1007/s00357-007-0003-0]
20. D. Bank, N. Koenigstein, and R. Giryes, "Autoencoders," in Machine Learning for Data Science Handbook: Data Mining and Knowledge Discovery Handbook, pp. 353-374, 2023. [DOI:10.1007/978-3-031-24628-9_16]
21. F. Ros and R. Riad, "Deep clustering techniques based on autoencoders," in Feature and Dimensionality Reduction for Clustering with Deep Learning, Cham: Springer Nature Switzerland, pp. 203-220, 2023. [DOI:10.1007/978-3-031-48743-9_11]
22. K. Berahmand et al., "Autoencoders and their applications in machine learning: a survey," Artificial Intelligence Review, vol. 57, no. 2, p. 28, 2024. [DOI:10.1007/s10462-023-10662-6]
23. I. Yatskiv and L. Gusarova, "The methods of cluster analysis results validation," in Proc. Int. Conf. RelStat, vol. 4, pp. 75-80, 2005. [DOI:10.1016/j.cmpb.2005.06.004]
24. Y. A. Wijaya et al., "Davies bouldin index algorithm for optimizing clustering case studies mapping school facilities," TEM J, vol. 10, no. 3, pp. 1099-1103, 2021. [DOI:10.18421/TEM103-13]
25. X. Wang and Y. Xu, "An improved index for clustering validation based on silhouette index and calinski-harabasz index," in IOP Conf. Ser., Mater. Sci. Eng., vol. 569, Aug. 2019, Art. no. 052024. [DOI:10.1088/1757-899X/569/5/052024]
26. D. J. Ketchen Jr. and C. L. Shook, "The application of cluster analysis in Strategic Management Research: An analysis and critique," Strategic Management Journal, vol. 17, no. 6, pp. 441-458, 1996.
https://doi.org/10.1002/(SICI)1097-0266(199606)17:6<441::AID-SMJ819>3.0.CO;2-G [DOI:10.1002/(SICI)1097-0266(199606)17:63.0.CO;2-G]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |