تلفن: 04142273781

ترجمه مقاله رویکردی مبتنی بر دسته بندی فازی برای کشف و توصیف حادثه بزرگراه خودکار – نشریه الزویر

عنوان فارسی: رویکردی مبتنی بر دسته بندی فازی برای کشف و توصیف حادثه بزرگراه خودکار
عنوان انگلیسی: Afuzzy clustering-based approach to automatic freeway incident detection and characterization
تعداد صفحات مقاله انگلیسی : 12 تعداد صفحات ترجمه فارسی : 18
سال انتشار : 2002 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 7063 رفرنس : دارد
محتوای فایل : zip حجم فایل : 770.59Kb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
مجله: مجموعه های فازی و سیستم ها - Fuzzy Sets and Systems
دانشگاه: موسسه ترافیک و حمل و نقل، دانشگاه ملی Chiao Tung، تایپه، تایوان
کلمات کلیدی: دسته بندی فازی، شناسایی الگو، آشکار سازی حادثه خودکار و توصیف مشخصات
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده ی مطالب

1.مقدمه

2.توسعه متدولوژی

2.1 دسته بندی فازی

2.2 تعیین متغیرهای تصمیم

2.3 توسعه الگوریتم

2.3.1 شناسایی شرایط جریان ترافیکی

2.3.2 فهمیدن بروز حادثه

2.3.3 توصیف مشخصات حادثه

3. آزمون های عددی و نتایج

4.نتیجه گیری ها و توصیه ها

نمونه متن انگلیسی

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 2002 Elsevier Science B.V. All rights reserved.

نمونه متن ترجمه

چکیده مطالب

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 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.