<p>&nbsp;</p><ol><li style="list-style-type: none;"><ol><li>خلاصه مطالب و نتیجه ­گیری</li></ol></li></ol><p>&nbsp;</p><p>&nbsp;</p><p>&nbsp;</p><p>بی­شک امروزه مباحث داده ­کاوی، جایگاه مهمی در توسعه سامانه­های هوشمند دارند. در حوزه­ ترافیک نیز با توجه به حجم زیاد داده ­ها، توجه به مباحث داده ­کاوی و بکارگیری الگوریتم­های موجود در حوز­ه­ی هوش مصنوعی و یادگیری ماشین می ­تواند در ارتقاء و توسعه سیستم­های حمل­ونقل هوشمند مؤثر باشد. خوشبختانه استفاده از این علوم این امکان را فراهم می­ کند که بجای نگهداری و استفاده از داده ­های خام، دانش موجود در این داده ­ها را کشف و استخراج کرد و به کمک الگوریتم­های ماشینی به تحلیل ویادگیری آن­ها پرداخت. در این رساله نیز از الگوریتم­های موجود در حوز­ه­ی هوش مصنوعی و یادگیری ماشین در راستای پیش ­بینی کوتاه­مدت ترافیک شهری استفاده شده است.<br />بطور کلی، کلاسه­بندی، کلاسترینگ، پیش ­بینی و…. از جمله اهداف الگوریتم­های یادگیری به شمار می­آیند. همانطور

لطفی, س. (۱۳۹۰). تبارشناسی بازآفرینی شهری. تهران: آذرخش.
لطیفی, س. (۱۳۸۵). ارزیابی اقتصادی پروژه های مسکن استیجاری با تمرکز بر روی کم درآمدها. پایان نامه کارشناسی ارشد.

لطفی, س. (۱۳۹۰). تبارشناسی بازآفرینی شهری. تهران: آذرخش.
لطیفی, س. (۱۳۸۵). ارزیابی اقتصادی پروژه های مسکن استیجاری با تمرکز بر روی کم درآمدها. پایان نامه کارشناسی ارشد.
ماهنامه فرهنگی تحلیلی راه. (بدون تاریخ). گفتگو با وزرای مسکن در رابطه با سیاست های اتخاذ شده در زمینه مسکن. ماهنامه فرهنگی تحلیلی راه, ۱۱.
محمدی مقدم, ی. (۱۳۸۶). شاخص های بهره وری در دانشگاه علوم انتظامی. فصلنامه دانش انتظامی, ۲۰۱-۱۸۴٫
محمودی پاتی, ف., & محمدپورعمران, م. (۱۳۸۷). سیاستهای مدیریت زمین شهری: راهکارهایی در جهت دستیابی اقشار کم درآمد به زمین شهری. تهران: انتشارات شهیدی.
مرکز آمار ایران. (۱۳۸۷). عملکرد سی ساله بخش مسکن. سایت مرکز آمار ایران.
مرکز مطالعات تکنولوژی دانشگاه علم و صنعت ایران. (۱۳۸۶). سیاست زمین شهری به زبان ساده. کمیسیون افتصادی- اجتماعی آسیا و اقیانوسیه(سازمان ملل متحد).
مطالعات بازنگری طرح جامع مسکن. (۱۳۹۲). مطالعات بازنگری طرح جامع مسکن؛ سند راهبردی و چشم انداز کلان بخش مسکن در افق ۱۴۰۵. تهران: وزارت راه و شهرسازی سازمان ملی زمین و مسکن.
نیکوسرشت, ن. (۱۳۷۴). راه های تامین مسکن برای کشورهای درحال‌توسعه. تهران : انتشارات سازمان ملی زمین و مسکن، دفتر برنامه ریزی و اقتصاد مسکن.
یزدانی, ف. (۱۳۷۹). نظریه های مداخله بخش عمومی در بازار کالا و خدمات شهری. فصلنامه مدیریت شهری, ۳, ۴۹-۴۲٫
یزدانی, ف. (۱۳۸۴). انبوه سازی و سیاستهای حمایتی مرتبط با گروه های کم درآمد. فصلنامه تحقیقی، تحلیلی، خبری و آموزشی انبوه سازان مسکن، شماره ۱۵.
منابع انگلیسی

8. 8. O, O., & A. A, T. (2013). Housing the urban poor in Nigeria through low-cost housing schemes. International Journal of Physical and Human Geography, 1(3), 1-8.

Alem, Y., Kohlin, G., & Stage, J. (2013). The Persistence of Subjective Poverty in Urban Ethiopia. World Development, 56, 51–۶۱٫
Anderson, L. M., Charles, J. S., Fullilove, M. T., Scrimshaw, S. C., Fielding, J. E., & Normand, J. (2003). Providing Affordable Family Housing and Reducing Residential Segregation by Income. American Journal of Preventive Medicine, 24.
Angel, S., Mayo, S. K., Stephens, W. L., & Jr. (1993). The housing indicators program: A report on progress and plans for the future. Journal of Housing and the Built Environment, 8(1), 13-48.
Austin, P. M., Gurran, N., & Whitehead, C. M. (2013). Planning and affordable housing in Australia, New Zealand and England: common culture; different mechanisms. Journal of Housing and the Built Environment.
Baker, E., Lester, L., & Beer, A. (2013). Housing Assistance: Exploring Benefits Beyond Shelter. SAGE Open, 10-1.
Balchin, P. N., & Stewart, J. (2001). Social housing in Latin America: Opportunities for affordability in a region of housing need. Journal of Housing and the Built Environment, 16(3-4), 333–۳۴۱٫
Beer, A., Baker, E., Wood, G., & Raftery, P. (2011). Housing Policy, Housing Assistance and the Wellbeing Dividend: Developing an Evidence Base for Post-GFC Economies. Housing Studies, 26(7-8), 1192-1171.
Beer, A., Kearins, B., & Pieters, H. (2007). Housing Affordability and Planning in Australia: The Challenge of Policy Under Neo-liberalism. Housing Studies, 22(1), 11-24.
Berry, M. (2012). Policy Instruments that Support Housing Supply: Social Housing. In International Encyclopedia of Housing and Home (pp. 306–۳۱۰). Elsevier Ltd.
Bonnal, L., Boumahdi, R., & Favard, P. (2012). Nonexpected discrimination: the case of social housing in France. Applied Economics Letters, 1909-1916.
Bredenoord, J., & van Lindert, P. (2010). Pro-poor housing policies: Rethinking the potential of assisted self-help housing. Habitat International, 34(4), 278-287.
Bredenoord, J., & Verkoren, O. (2010). Between self-helpeand institutional housing: A bird’s eye view of Mexico’s housing production for low and (lower) middle–income groups. Habitat International, 34, 359-365.
Carlson, D., Haveman, R., Kaplan, T., & Wolfe, B. (2012). Long-term effects of public low-income housing vouchers on neighborhood quality and household composition. Journal of Housing Economics, 21, 101–۱۲۰٫
 

ماهنامه فرهنگی تحلیلی راه. (بدون تاریخ). گفتگو با وزرای مسکن در رابطه با سیاست های اتخاذ شده در زمینه مسکن. ماهنامه فرهنگی تحلیلی راه, ۱۱.
محمدی مقدم, ی. (۱۳۸۶). شاخص های بهره وری در دانشگاه علوم انتظامی. فصلنامه دانش انتظامی, ۲۰۱-۱۸۴٫
محمودی پاتی, ف., & محمدپورعمران, م. (۱۳۸۷). سیاستهای مدیریت زمین شهری: راهکارهایی در جهت دستیابی اقشار کم درآمد به زمین شهری. تهران: انتشارات شهیدی.
مرکز آمار ایران. (۱۳۸۷). عملکرد سی ساله بخش مسکن. سایت مرکز آمار ایران.
مرکز مطالعات تکنولوژی دانشگاه علم و صنعت ایران. (۱۳۸۶). سیاست زمین شهری به زبان ساده. کمیسیون افتصادی- اجتماعی آسیا و اقیانوسیه(سازمان ملل متحد).
مطالعات بازنگری طرح جامع مسکن. (۱۳۹۲). مطالعات بازنگری طرح جامع مسکن؛ سند راهبردی و چشم انداز کلان بخش مسکن در افق ۱۴۰۵. تهران: وزارت راه و شهرسازی سازمان ملی زمین و مسکن.
نیکوسرشت, ن. (۱۳۷۴). راه های تامین مسکن برای کشورهای درحال‌توسعه. تهران : انتشارات سازمان ملی زمین و مسکن، دفتر برنامه ریزی و اقتصاد مسکن.

یزدانی, ف. (۱۳۷۹). نظریه های مداخله بخش عمومی در بازار کالا و خدمات شهری. فصلنامه مدیریت شهری, ۳, ۴۹-۴۲٫
یزدانی, ف. (۱۳۸۴). انبوه سازی و سیاستهای حمایتی مرتبط با گروه های کم درآمد. فصلنامه تحقیقی، تحلیلی، خبری و آموزشی انبوه سازان مسکن، شماره ۱۵.
منابع انگلیسی

8. 8. O, O., & A. A, T. (2013). Housing the urban poor in Nigeria through low-cost housing schemes. International Journal of Physical and Human Geography, 1(3), 1-8.

Alem, Y., Kohlin, G., & Stage, J. (2013). The Persistence of Subjective Poverty in Urban Ethiopia. World Development, 56, 51–۶۱٫
Anderson, L. M., Charles, J. S., Fullilove, M. T., Scrimshaw, S. C., Fielding, J. E., & Normand, J. (2003). Providing Affordable Family Housing and Reducing Residential Segregation by Income. American Journal of Preventive Medicine, 24.
Angel, S., Mayo, S. K., Stephens, W. L., & Jr. (1993). The housing indicators program: A report on progress and plans for the future. Journal of Housing and the Built Environment, 8(1), 13-48.
Austin, P. M., Gurran, N., & Whitehead, C. M. (2013). Planning and affordable housing in Australia, New Zealand and England: common culture; different mechanisms. Journal of Housing and the Built Environment.
Baker, E., Lester, L., & Beer, A. (2013). Housing Assistance: Exploring Benefits Beyond Shelter. SAGE Open, 10-1.
Balchin, P. N., & Stewart, J. (2001). Social housing in Latin America: Opportunities for affordability in a region of housing need. Journal of Housing and the Built Environment, 16(3-4), 333–۳۴۱٫
Beer, A., Baker, E., Wood, G., & Raftery, P. (2011). Housing Policy, Housing Assistance and the Wellbeing Dividend: Developing an Evidence Base for Post-GFC Economies. Housing Studies, 26(7-8), 1192-1171.
Beer, A., Kearins, B., & Pieters, H. (2007). Housing Affordability and Planning in Australia: The Challenge of Policy Under Neo-liberalism. Housing Studies, 22(1), 11-24.
Berry, M. (2012). Policy Instruments that Support Housing Supply: Social Housing. In International Encyclopedia of Housing and Home (pp. 306–۳۱۰). Elsevier Ltd.
Bonnal, L., Boumahdi, R., & Favard, P. (2012). Nonexpected discrimination: the case of social housing in France. Applied Economics Letters, 1909-1916.
Bredenoord, J., & van Lindert, P. (2010). Pro-poor housing policies: Rethinking the potential of assisted self-help housing. Habitat International, 34(4), 278-287.
Bredenoord, J., & Verkoren, O. (2010). Between self-helpeand institutional housing: A bird’s eye view of Mexico’s housing production for low and (lower) middle–income groups. Habitat International, 34, 359-365.
Carlson, D., Haveman, R., Kaplan, T., & Wolfe, B. (2012). Long-term effects of public low-income housing vouchers on neighborhood quality and household composition. Journal of Housing Economics, 21, 101–۱۲۰٫

که پیش­تر توضیح داده شد، بر خلاف کلاسه‌بند که برچسب­های گسسته را پیش‌بینی می‌کند، پیش‌بینی‌کننده، توابع با مقادیر پیوسته را مدل می‌کند، یعنی به جای برچسب کلاس، مقادیر عددی را پیش‌بینی می‌کند. در این رساله نیز، داده ­های مورد بررسی، نرخ ترافیکی هستند، یعنی همان مقادیر عددی، که قرار است مقادیر آن­ها در آینده پیش ­بینی شود. آنالیز رگرسیون نیز یک متدولوژی آماری است که غالباَ برای پیش ­بینی مقادیر عددی استفاده می‌شود. در واقع از آنجا که داده ­های در اختیار گذاشته شده در این پایان نامه، داده ­های ترافیکی و به بیانی دقیق‌تر تعداد وسایل نقلیه عبوری از خیابان­هاست، هدف اصلی در این‌جا نیز اعمال روشی بهینه مبتنی بر رگرسیون بود. از میان روش­های گوناگون، تمرکز تعداد قابل توجهی از تحقیقات اخیر به روی الگوریتم­های یادگیری تجمعی می‌باشد. دو دسته از مهم­ترین و شناخته­شده­ترین متدها در زمینه‌ی یادگیری تجمعی، الگوریتم­های بوستینگ و بگینگ می­باشد. الگوریتم رندوم فارست، الگوریتمی قدرتمند مبتنی بر یادگیری تجمعی است که حالت عمومی­تر از متدهای بگینگ به شمار می ­آید که در این پایان نامه نیز استفاده شده است.<br /><a href="https://feko.ir/"><img class="alignnone wp-image-67″ src="https://ziso.ir/wp-content/uploads/2021/10/THESIS-PAPER-1.png” alt="پایان نامه” width="344″ height="91″ /></a><br />از طرف دیگر، تاکید منحصر به روی الگوریتم­های یادگیری، بدون استفاده از دانش موجود در مورد رفتارها در برخی از مسائل منجر به افت کارایی مدل­سازی می­ شود. داده ­های ترافیکی نیز داده­هایی هستند که دنبال کردن رفتارها و توجه به روند جریان­های ترافیکی آن­ها، می ­تواند در دقت مدل آموزش دیده، تاثیر­گذار باشد. اکثر الگوریتم­هایی که قادر به لحاظ کردن رفتار داده ­ها در مدل­سازی هستند، همچون الگوریتم­های سری زمانی، رفتارهای فصلی و طولانی را دنبال می­ کنند. حال آنکه، در این رساله، هدف انجام پیش ­بینی کوتاه­مدت است. از این رو، هدف این پایان نامه دخیل کردن رفتار داده‌ی مورد بررسی قبل از انجام مدل‌سازی است که این رویکرد را با انجام مراحل گوناگون اعمال می­ کند.<br />به بیانی دیگر، در مراحل ابتدایی تحلیل داده، قبل از انجام پیش­پردازش­ها و نمونه­برداری از داده‌ها، ما به بررسی رفتار جریان‌های ترافیکی، پرداختیم و اطلاعات بدست­آمده از روند تغییرات آنها در طول زمان، ما را به این نتیجه رساند که در مدل­سازی­ها، از تأثیر تغییرات این روند­ها استفاده کنیم. در راستای اعمال تکنیک، در اولین گام، ماهیت داینامیک جریان‌های ترافیکی و رفتارهای وابسته به زمان جمع­آوری آن‌ها مورد توجه قرارگرفت. با بررسی توزیع داده و کمک از الگوریتم­های داده ­کاوی به این نتیجه رسیدیم که رفتار ترافیکی مشاهده شده‌ی مربوط به یک مسیر، معمولاً در طی سایکل­های مختلف متناوباً تکرار می­ شود. همچنین جریان‌های ترافیکی مربوط به همه مسیر‌ها­، در ساعات اولیه سایکل­ها، نرخ ترافیکی بالایی دارند. نظر به اینکه زمان واقعی جمع آوری این داده ­ها را در اختیار نبود و داده ­ها حاصل شبیه­ساز ترافیک شهری TSFبود، بنابراین، سعی بر آن شد تا با بررسی قوانین موجود در این شبیه ساز ، رفتارها را تفسیر و با رفتار داده ­های واقعی نظیر کنیم. همانطور که می­دانیم روند مشابهی که در مورد وسایل نقلیه در طی روزهای مختلف دیده می‌شود، این‌است که رفت‌وآمدها و جابجایی­ها در ساعات ابتدائی روز شروع و اوج می‌گیرند و در ساعات پایانی شب، رفت و آمدها تقریباً ناچیز می­شوند. در TSF نیز، بعد از هر سایکل، توزیع مبدأ و مقصدهای وسایل نقلیه بطور رندوم انتخاب و شبیه سازی از ابتدا شروع می­ شود. بنابراین، این سایکل­ها در این پایگاه داده‌ی مصنوعی می­توانند معادل با روزهای متفاوت در پایگاه داده ­های واقعی در نظر گرفته شوند. علاوه بر این، منطبق با تحقیقات، ساعت‌های اوج ترافیکی، ساعت­های همزمان با شروع فعالیت­های روزانه، همچون رفتن به سر کار، مدارس و … تعریف می‌شوند. در داده‌های مورد بررسی حاصل اجرای سایکل­های به طول ۱۰ساعت هستند، بنابراین احتمال وجود ۱ پیک در طول بازه ۱۰ ساعته، مطابق با انتظار است.<br />بطور خلاصه مشاهده‌ی رفتارهای مختلف در جریان­های ترافیکی باعث این نتیجه‌گیری شد که آموزش تنها یک مدل برای کل داده کافی نیست و در راستای بکارگیری اطلاعات بدست آمده از روند ترافیکی در ساختن مدل، این سه مرحله به الگوریتم اعمال شد: در ابتدا یک مرحله پیش پردازش داده با هدف کاهش بُعد و اطلاعات تکراری، سپس ، آنالیز گروه­بندی در راستای دسته بندی داده ­ها و مبتنی بر رفتارهای مشاهده شده‌ی جریان­های ترافیکی صورت گرفت که منجر به تشکیل گروه‌های peak و non-peak ­شد و در نهایت دو مدل Contex-Aware RF بطور جداگانه، روی گروه‌های مختلف ارائه شده، خواهند شدند.<br />نتایج حاصل نشان داد که با این روند آموزش، رندوم فارست بعنوان مدل پیش ­بینی کننده از زمینه داده مورد آموزش باخبر خوهد بود و بر این اساس احتمال گیر افتادن آن در بهینه محلی کمتر خواهد بود. آزمایشات انجام شده بر روی داده‌های فراهم شده دربخش ترافیک مسابقه بین المللی داده کاوی (ICDM) سال ۲۰۱۰ ، مؤید کارایی و مقیاس پذیری روش پیشنهادی در مقایسه با دیگر نتایج بدست آمده توسط تیم‌های برتر مسابقه، می‌باشد.</p><h1><strong>فهرست منابع و مآخذ</strong></h1><p>[۱] Ezell, Stephen. &quot;Explaining international IT application leadership: Intelligent transportation systems.&quot; (2010).<br />[۲] Box, G. E., and Jenkins, G. M. (1976).&nbsp;<em>Time Series Analysis Forecasting and Control.&nbsp;</em>Holden-Day: San Francisco. MR436499.</p>