Ramalan perambatan aliran trafik berasaskan kesesakan jalan berjiran menggunakan model hidden markov

Abstract

Kesesakan jalanraya merambat ke seluruh rangkaian disebabkan oleh peningkatan aliran trafik di jalan raya yang berjiran. Ramalan kesan riak (ripple effect) ke atas rangkaian ini sangat penting bagi pemandu untuk mengelakkan kesesakan jalan raya. Sebelum ini, kajian perambatan (propagation) aliran trafik menggabungkan data trajektori masa nyata. Sistem Kedudukan Global (GPS) dengan maklumat jalan yang berhubung. Masalah timbul apabila ramalan tidak boleh dilakukan dengan kaedah ini jika data trafik sebenar dari sensor seperti Internet of Things (IoT) tidak mempunyai maklumat mengenai jalan raya yang saling berhubung. Oleh itu, objektif utama kajian ini ialah untuk membangunkan satu model Hidden Markov bagi meramal perambatan aliran trafik menggunakan data trafik sebenar tanpa maklumat mengenai jalan raya yang saling berhubung. Untuk mencapai objektif ini, hubungan antara jalan raya berjiran dikenal pasti dan dianalisis menggunakan pola aliran trafik menurut hari dan masa. Faktor spatial dan temporal yang mempengaruhi kesesakan jalan raya di satu kawasan kejiranan juga dikaji. Metodologi kajian adalah berasaskan lima fasa utama dalam kitar hayat pembelajaran mesin iaitu pemerolehan data, pra-pemprosesan data, pemprosesan, latihan dan penilaian. Untuk meningkatkan prestasi ramalan model, satu kaedah penggugusan keadaan trafik dibangunkan menggunakan algoritma pengecaman pola. Hasil penggugusan ini seterusnya divisualisasi dan dianalisis menggunakan data trafik sebenar. Kajian ini mendapati bahawa hubungan antara jalan raya sangat mempengaruhi ketepatan ramalan. Satu model ramalan trafik menggunakan Hidden Markov berasaskan purata jalan berjiran menjadi penanda aras bagi model yang dibangunkan. Model kajian ini menunjukkan prestasi yang tinggi apabila hubungan korelasi antara jalan raya melebihi 0.6. Malah, hasil eksperimen menunjukkan bahawa ketepatan ramalan dengan model Hidden Markov yang dicadangkan mencapai 90% apabila hubungan antara jalan raya melebihi 85%. Terdapat dua sumbangan utama kajian iaitu (i) kaedah penggugusan keadaan trafik untuk mengenalpasti jalan raya yang mempunyai hubungan tinggi dengan jalan sasaran, dan (ii) model Hidden Markov untuk meramal perambatan aliran trafik di jalan raya yang berjiran.