عنوان پایان‌نامه
شناسایی الگوی رانندگی و ترافیک در تهران جهت کنترل خودروهای ترکیبی
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 43712;کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1673
- تاریخ دفاع
- ۲۸ بهمن ۱۳۸۸
- دانشجو
- محمدرضا بشیری
- استاد راهنما
- فرزاد رجایی سلماسی
- چکیده
- چکیده هدف اصلی در این پژوهش، شناسایی الگوی رانندگی و ترافیک در سطح شهر تهران می¬باشد که از آن می¬توان در مدیریت انرژی در خودروهای ترکیبی الکتریکی استفاده کرد. الگوی رانندگی در این تحقیق در دو بخش نوع مسیر و میزان ترافیک، و شیوه رانندگی مورد تحلیل قرار گرفته است. تحلیل و شناسایی الگوهای رانندگی با دو نگاه متفاوت صورت گرفته است: در نگاه اول بدون هیچ گونه پیش¬فرضی اقدام به خوشه¬یابی در بین داده¬های واقعی جمع¬آوری شده از سطح شهر شده، و در نگاه دوم با توجه به برچسب¬های تعیین شده در هنگام جمع¬آوری داده (شامل نوع مسیر، میزان ترافیک، شیوه رانندگی، و شیب مسیر) به طبقه¬بندی بین الگوهای مختلف پرداخته¬ایم. داده¬های جمع¬آوری شده در این تحقیق با همکاری شرکت تحقیقات موتور ایران¬خودرو فراهم شده است. روش مورد استفاده جهت خوشه¬یابی روش گت-جوا می¬باشد که مراکز اولیه خوشه¬ها در آن به کمک روش کلونی مورچه بدست آمده است. نتایج حاصل از این خوشه¬یابی 8 الگوی متفاوت رانندگی در تهران را نشان می¬دهد. روش اصلی مورد استفاده برای طبقه¬بندی نیز روش ماشین¬های بردار پشتیبان می¬باشد که روشی بسیار توانمند بوده و از موضوعات تحقیقاتی روز دنیای علم به شمار می¬رود. درصد تشخیص صحیح در این طبقه¬بندی برای نوع مسیر و میزان ترافیک 81.1%، برای شیوه رانندگی 93.78%، و برای شیب مسیر 87.15% حاصل شده است. در پایان طبقه¬بندی به روش شبکه عصبی پرسپترون نیز انجام شده و با روش ماشین¬های بردار پشتیبان مقایسه شده است. این مقایسه نشان می¬دهد که روش ماشین¬های بردار پشتیبان عملکرد بهتری داشته است. نتایج بدست آمده از شناسایی الگوی رانندگی بسیار مفید بوده و می¬توانند در ادامه جهت مدیریت توان و انرژی، به ویژه در خودروهای ترکیبی الکتریکی مورد استفاده قرار گیرند.
- Abstract
- Abstract The main objective of this research is recognition of driving pattern and identification of traffic in Tehran, so that it could be used for control of hybrid electric vehicles. Driving pattern is considered in two fields: roadway type and level of congestion; and driving style. Identification of driving styles is done in two different ways: first, we have clustered the real data that is collected in Tehran without any supervisory information; second, we have classified different driving patterns according to the labels determined during the collection of data (including roadway type, level of congestion, driving style, and road slope). Data collected in this research in collaboration with Irankhodro Powertrain Corporation (IPCO) is provided. The method used for clustering is Gath-Geva and the centers of initial clusters are determined by ant colony. The result of this clustering is determination of 8 different patterns of driving in Tehran. The main method used for classification is support vector machine (SVM) that is a state of the art and a strong method in many problems of classification. Correct classification rate that reached are 81.10% for roadway type and level of congestion, 93.78% for driving style, and 87.15% for road slope. Finally, classification is done with multilayer perceptron neural network method and comprised with SVM. This comparison shows the better performance of SVMs. The results attained in this research have many profits and can be used for control of vehicles (especially hybrid electric vehicles) in future works.
