دسته : ترجمه مقاله یک دستاوردبر مبنای دسته بندی فازی برای کشف و توصیف حادثه بزرگراه خودکاردر 28 صفحه فارسی ورد قابل ویرایش با فرمت doc به همراه اصل مقاله انگکلیسی
عنوان فارسی :
یک دستاوردبر مبنای دسته بندی فازی برای کشف و توصیف حادثه بزرگراه خودکار
عنوان انگلیسی :
A fuzzy clustering-based approach to automatic freeway incident detection and characterization
تعداد صفحات فارسی : 28 صفحه ورد قابل ویرایش
سطح ترجمه : متوسط
شناسه کالا : y1016
دانلود رایگان مقاله انگلیسی : http://ofmas.ir/dlpaper/y1016.pdf
دانلود ترجمه فارسی مقاله : بلافاصله پس از پرداخت آنلاین 29 هزار تومان قادر به دانلود خواهید بود .
بخشی از ترجمه :
چکیده
کشف (آشکار سازی) حادثه خودکار و توصیف مشخصات آن به فوریت در توسعه ی تکنولوژی های پیشرفته ی به کار رفته برای کاهش تجمع ترافیک غیر برگشت کننده در بزرگراه ها لازم است.این مقاله متد جدیدی را ارائه می نماید که بیشتر بر مبنای تئوری های دسته بندی فازی است که به طور خودکار حادثه ها ی بزرگراه را شناسایی می نماید.دستاورد ارائه شده قادر به تشخیص اشکال زمانی متغیر حالات ترافیکی ایجاد شده حادثه از حالات ترافیکی بدون حادثه می باشد و می تواند حادثه ها را با توجه به مراحل زمانی آغاز و پایان حادثه ,موقعیت حادثه ,اشکال تغییر فضایی و زمانی متغیرهای ترافیکی مربوط به حادثه در پاسخ به تاثیرات حادثه ها بر روی جریان های ترافیکی بزرگراه در زمان حقیقی توصیف نماید.تعداد و تراکم ترافیکی راه (مسیر) دو نوع مهم از داده های ورودی است که می تواند به طور آماده از اشکارساز پوینت(نقطه) جمع اوری شود.بر اساس روابط فضایی (سه بعدی ) و زمانی (موقتی) داده های ترافیکی خام جمع آوری شده ,چندین حالت متغیر زمانی تعریف می شود و سپس به طور کمی وکیفی ارزیابی می شوند تا متغیرهای تصمیم گیری به کار رفته برای توصیف مشخصات حادثه زمانی واقعی مشخص شود . با استفاده از متغیرهای تصمیم مشخص شده ,الگوریتم بر اساس دسته بندی فازی ارائه شده ,مکررا سه راه کار مهم را به کار می برد: 1) شناسایی شرایط جریان ترافیکی 2) شناخت بروز حادثه و 3) مشخصات حادثه .در این مطالعه ,داده هایی که برای ازمون های مدل (الگو) به کار رفته اند ,از تشبیه کننده ی ترافیکی CORSIM ایجاد شده اند . نتایج آزمون مقدماتی ما بیانگر این است که دستاورد ارائه شده امید بخش و محتمل است و انتظار می برود بتواند با هر تکنولوژی آشکار سازی حادثه زمان حقیقی که منتشر شده است تلفیق شود.به طور مهمی ,ممکن است این مطالعه به شدت برای کاربردهای تکنیک های دسته بندی فازی مفید باشد و تحقیقات مرتبط بیشتری را برانگیزاند.کلیه حقوق برای Elsevier Science B.V محفوظ است.
واژه های کلیدی :
دسته بندی فازی,شناسایی الگو,آشکار سازی حادثه خودکار و توصیف مشخصات
Abstract
Automatic incident detection and characterization is urgently required in the development of advanced technologies used for reducing non-recurrent tra.c congestion on freeways. This paper presents a new method which is constructed primarily on the basis of the fuzzy clustering theories to identify automatically freeway incidents. The proposed approach is capable of distinguishing the time-varying patterns of incident-induced tra.c states from the patterns of incident-free tra.c states, and characterizing incidents with respect to the onset and end time steps of incidents, incident location, the temporal and spatial change patterns of incident-related tra.c variables in response to the impacts of incidents on freeway tra.c 1ows in real time. Lane tra.c count and density are the two major types of input data, which can be readily collected from point detectors. Based on the spatial and temporal relationships of the collected raw tra.c data, several time-varying state variables are de4ned, and then evaluated quantitatively and qualitatively to determine the decision variables used for real-time incident characterization. Utilizing the speci4ed decision variables, the proposed fuzzy clustering-based algorithm executes recurrently three major procedures: (1) identi4cation of tra.c 1ow conditions, (2) recognition of incident occurrence, and (3) incident characterization. In this study, data used for model tests are generated from the CORSIM tra.c simulator. Our preliminary test results indicate that the proposed approach is promising, and, in expectation, can be integrated with any published real-time incident detection technologies. Importantly, this study may contribute signi4cantly to the applications of fuzzy clustering techniques, and stimulate more related research. c 2002Elsevier Science B.V. All rights reserved.
Keywords: Fuzzy clustering; Pattern recognition; Automatic incident detection and characterization